基于深度残差网络的轨道结构病害识别

发布时间：2021-12-22 06:23

　　传统的轨道检测方法需要事先对图像进行定位和分割等预处理操作,而定位和分割操作的误差又会直接干扰到后续的分类识别,多环节误差叠加,使得识别准确率低。同时,传统检测方法还需要理想的背景环境,当背景环境或结构类型发生改变时,其算法不再适用,不具备良好的鲁棒性。因此,提出一种基于深度残差网络的轨道结构病害检测方法,该方法不需要对原始图像进行预处理,同时深度残差网络以其更深的层数和更复杂的网络结构可以高效提取出各类轨道结构图像的特征并进行分类识别。以某客货共线线路隧道的钢轨踏面、钢轨扣件和支承块图像建立数据库,通过迁移学习的方式在数据库上训练网络模型,实现对钢轨、扣件及支承块三种轨道结构的病害识别,识别准确率高达98.51%。在此基础上,从识别准确率、损失函数值等方面对深度残差网络在轨道结构病害识别中的应用效果进行对比、分析,验证方法的有效性。 

【文章来源】：铁道学报. 2020,42(08)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

轨面图像数据库

扣件图像数据库

隧道内

【参考文献】：
期刊论文
[1]基于深度残差网络的皮肤镜图像黑色素瘤的识别[J]. 李航,余镇,倪东,雷柏英,汪天富.  中国生物医学工程学报. 2018(03)
[2]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川.  数据采集与处理. 2016(01)
[3]基于卷积神经网络的手势识别初探[J]. 蔡娟,蔡坚勇,廖晓东,黄海涛,丁侨俊.  计算机系统应用. 2015(04)
[4]基于卷积神经网络LeNet-5的车牌字符识别研究[J]. 赵志宏,杨绍普,马增强.  系统仿真学报. 2010(03)

博士论文
[1]铁路扣件图像特征提取与识别方法研究[D]. 刘甲甲.西南交通大学 2016

硕士论文
[1]基于机器视觉的钢轨表面缺陷检测技术研究[D]. 丁政开.北京交通大学 2017
[2]基于卷积神经网络的铁轨扣件异常状态检测研究[D]. 赵鑫欣.北京交通大学 2016
[3]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012



本文编号：3545917