基于卷积神经网络的高速动车组车体图像异常识别的研究

发布时间：2024-02-27 22:55

　　动车组是我国重要的交通工具。近年来,随着动车组的普及和提速,安全问题得到人们的关注。对动车组的异常识别是动车组运营过程中的重要环节。目前,异常识别仍以人工为主,人力成本高且需要停车作业,无法实现即时检测。本文采用机器视觉技术,对动车组车体图像进行采集、处理,实现了对动车组自动智能的异常识别。整个检测过程无需停车,因此效率高实时性强。通过本系统辅助人工作业,可大大降低工作量。本文首先针对动车组车身长等特点设计了动车组图像异常识别系统,并基于MFC框架完成了软件设计。本系统可以完成车体拼接和车体对齐等一系列操作,通过与标准动车组图像(无缺陷的历史过车图像)进行结构相似度的比对完成当前过车的差异检测,这些差异即为当前过车存在的潜在危险。然而检测出的差异中,大部分是由车体上的水渍、油渍、泥渍和亮度差异等造成的误报警。由于误报警并不会对列车行驶造成危险,因此需要将它们从异常目标中去除。由于上述差异没有稳定的特征并且车体图像特征提取困难,传统图像处理及模式识别方法在对误报警进行识别时无法兼顾到算法的鲁棒性和普适性,因此本文将深度学习引入到动车组图像异常识别系统中。与传统分类任务不同,差异分类网络的...

【文章页数】：94 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
符号对照表
缩略语对照表
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外发展现状
        1.2.1 动车组安全检测研究现状
        1.2.2 卷积神经网络模型的发展
        1.2.3 网络模型优化方法的发展
        1.2.4 梯度下降算法的发展
    1.3 本文主要研究内容
    1.4 本文章节安排
第2章 卷积神经网络理论基础
    2.1 神经网络基础知识
        2.1.1 神经元模型
        2.1.2 BP神经网络
        2.1.3 激活函数
        2.1.4 误差反向传播算法
    2.2 卷积神经网络
        2.2.1 卷积神经网络的基本结构
        2.2.2 卷积神经网络的误差反向传播
    2.3 基于卷积神经网络的目标检测
        2.3.1 区域卷积网络R-CNN
        2.3.2 YOLO检测网络
        2.3.3 单次检测器SSD
    2.4 本章小结
第3章 动车组图像异常识别系统设计
    3.1 图像采集系统介绍
    3.2 车体对齐
        3.2.1 车体粗略对齐
        3.2.2 车体精确对齐
    3.3 车体比对
    3.4 软件设计
    3.5 本章小结
第4章 基于卷积神经网络的差异分类
    4.1 差异分类简介
    4.2 差异分类网络
        4.2.1 差异分类网络结构
        4.2.2 网络细节设计
        4.2.3 多形状训练与预处理
    4.3 实验结果与分析
        4.3.1 数据集介绍
        4.3.2 差异分类网络性能对比
        4.3.3 串行网络优化实验
        4.3.4 数据预处理实验
        4.3.5 多形状训练实验
        4.3.6 实验分析
    4.4 本章小结
第5章 车底关键部件的异常识别
    5.1 基于图像处理的关键部件异常识别
        5.1.1 吊杆的异常识别
        5.1.2 轴报箱的异常识别
        5.1.3 芯盘的异常识别
    5.2 基于卷积神经网络的螺栓检测
        5.2.1 数据集介绍及场景学习
        5.2.2 基于Faster R-CNN的螺栓检测实验
        5.2.3 基于YOLO的螺栓检测实验
    5.3 本章小结
总结与展望
致谢
参考文献
攻读硕士学位期间发表论文



本文编号：3913090