深度学习目标检测算法在货运列车车钩识别中的应用
发布时间：2021-12-12 13:59
铁路货运列车的自动摘钩是实现驼峰作业自动化的重要环节,为了完成货运列车自动摘钩工作,需要实现车钩的快速准确识别。通过当前广泛应用的YOLOv2网络模型,研究针对货运列车在正常工作条件下车钩的识别问题,通过K-means聚类算法对YOLOv2网络模型中anchor的个数进行调整优化,找出适用于本次车钩识别的最优anchor个数以及宽高维度,并通过训练自制具有明显目标特征数据集来获取更加准确的权重。结果表明改进YOLOv2模型在精确度上达到92.6%;在召回率上达到了91.8%;在FPS上达到45帧/s,改进的YOLOv2模型达到了预期设计目标。
【文章来源】：铁道科学与工程学报. 2020,17(10)北大核心CSCD
【文章页数】：6 页
【部分图文】：
下提钩式车钩识别结果对比
当前国内货运列车的车钩主要分为上提钩式车钩和下提钩式车钩，如图1所示的白框处是视觉上直观区分两者的重要标志，对于上提钩式车钩，提钩人员只需转动车钩，即可完成提钩作业。对于下提钩式车钩，提钩人员需先向上提起车钩，然后再转动车钩[8]，因为其工作原理的不同，为了保证图像目标识别的精确度和实时性，本文以当前具有最佳识别效果的YOLO＿v2为基础网络进行改进，以解决车钩的识别以及分类问题。尽管YOLO＿v2在VOC以及COCO测试集上都有很优秀的表现，但是针对本次货车车钩检测其得到的训练权重存在识别精确率低，识别效果不理想的情况，在实际测试中发现anchor的维度[9]对精确率以及检测速度影响较大，尽管在训练过程中对anchor的宽高值进行调整，若能够预先直接设定anchor的维度值，在训练过程中能得到更好的权重。
本文实验平台配置如表1所示。本文通过运用改进YOLO-v2算法来实现对于货运列车车钩的实时识别，从而使自动摘钩机器人能够进行准确的摘钩作业。目标数据集包括4 000张图片，训练集图片包含3 500张自制的货运列车车钩的图片及其标注的特定场景图片；测试集图片包含500张自制的货运列车车钩的图片，其中训练集中的车钩用Label Img进行标定，标定的标签包含4种输出情况，即A手柄(A-handle)、A基座(A-pedestal)、B手柄(B-handle)及B基座(B-pedestal)，正确的输出为A手柄及A基座或B手柄及B基座被同时正确的选的标定，其他的输出均视为错误。
【参考文献】：
期刊论文
[1]基于YOLO的无人机电力线路杆塔巡检图像实时检测[J]. 郭敬东,陈彬,王仁书,王佳宇,仲林林. 中国电力. 2019(07)
[2]基于YOLO v2模型的交通标识检测算法[J]. 王超,付子昂. 计算机应用. 2018(S2)
[3]改进YOLO v2的装甲车辆目标识别[J]. 王曙光,吕攀飞. 计算机与现代化. 2018(09)
[4]最优聚类个数和初始聚类中心点选取算法研究[J]. 张素洁,赵怀慈. 计算机应用研究. 2017(06)
[5]铁路货车摘钩机器人的动力学分析与仿真[J]. 刘超颖,臧丽超,王战中,熊蒙,杨长健. 机床与液压. 2013(17)
硕士论文
[1]铁路货车摘钩机器人设计与仿真研究[D]. 臧丽超.石家庄铁道大学 2013
本文编号：3536799
【文章来源】：铁道科学与工程学报. 2020,17(10)北大核心CSCD
【文章页数】：6 页
【部分图文】：
下提钩式车钩识别结果对比
当前国内货运列车的车钩主要分为上提钩式车钩和下提钩式车钩，如图1所示的白框处是视觉上直观区分两者的重要标志，对于上提钩式车钩，提钩人员只需转动车钩，即可完成提钩作业。对于下提钩式车钩，提钩人员需先向上提起车钩，然后再转动车钩[8]，因为其工作原理的不同，为了保证图像目标识别的精确度和实时性，本文以当前具有最佳识别效果的YOLO＿v2为基础网络进行改进，以解决车钩的识别以及分类问题。尽管YOLO＿v2在VOC以及COCO测试集上都有很优秀的表现，但是针对本次货车车钩检测其得到的训练权重存在识别精确率低，识别效果不理想的情况，在实际测试中发现anchor的维度[9]对精确率以及检测速度影响较大，尽管在训练过程中对anchor的宽高值进行调整，若能够预先直接设定anchor的维度值，在训练过程中能得到更好的权重。
本文实验平台配置如表1所示。本文通过运用改进YOLO-v2算法来实现对于货运列车车钩的实时识别，从而使自动摘钩机器人能够进行准确的摘钩作业。目标数据集包括4 000张图片，训练集图片包含3 500张自制的货运列车车钩的图片及其标注的特定场景图片；测试集图片包含500张自制的货运列车车钩的图片，其中训练集中的车钩用Label Img进行标定，标定的标签包含4种输出情况，即A手柄(A-handle)、A基座(A-pedestal)、B手柄(B-handle)及B基座(B-pedestal)，正确的输出为A手柄及A基座或B手柄及B基座被同时正确的选的标定，其他的输出均视为错误。
【参考文献】：
期刊论文
[1]基于YOLO的无人机电力线路杆塔巡检图像实时检测[J]. 郭敬东,陈彬,王仁书,王佳宇,仲林林. 中国电力. 2019(07)
[2]基于YOLO v2模型的交通标识检测算法[J]. 王超,付子昂. 计算机应用. 2018(S2)
[3]改进YOLO v2的装甲车辆目标识别[J]. 王曙光,吕攀飞. 计算机与现代化. 2018(09)
[4]最优聚类个数和初始聚类中心点选取算法研究[J]. 张素洁,赵怀慈. 计算机应用研究. 2017(06)
[5]铁路货车摘钩机器人的动力学分析与仿真[J]. 刘超颖,臧丽超,王战中,熊蒙,杨长健. 机床与液压. 2013(17)
硕士论文
[1]铁路货车摘钩机器人设计与仿真研究[D]. 臧丽超.石家庄铁道大学 2013
本文编号：3536799
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3536799.html
