基于深度学习的高速列车底板螺栓缺陷检测研究
发布时间：2021-06-25 07:24
随着中国铁路技术的不断进步,高速列车已成为人们出行的首选。截止2019年第一季度末,我国高铁累计运输旅客已经突破100亿人次。为了保障高速列车高效安全的运行,每辆列车都需要在夜间花费长达100分钟进行全面检修。无法快速增长的检修能力与日益增加的列车保有量之间的矛盾日益突出,这使得“人检”向“机检”的转变迫在眉睫。当前高速列车检测采用TEDS系统,但存在较高的误报率和漏报率,所以仍然需要投入大量的人力去检测。自从2012年始,深度学习在图像识别领域不断取得突破并在Image Net大赛上表现不俗。相比较传统SVM等图像识别技术,深度神经网络不再需要CV工程师手动设计特定的图像特征,而是依靠卷积神经网络训练大量的图片来提取深层次的图像特征,因此无论是识别精度还是运算速度都超越了传统的图像处理。本文提出的基于深度学习的检测方法,能够实现高速列车底部螺栓的精准定位,并且识别其状态正常与否,这对于提高列车的检修效率具有重要实践意义。本文将列车螺栓缺陷检测分为两个阶段,第一阶段完成对底板螺栓的定位任务,第二阶段完成定位螺栓的缺陷检测任务,判断其工作状态是正常还是丢失,主要工作如下:一是在螺栓的定位...
【文章来源】：南京邮电大学江苏省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
Sigmoid函数图像
南京邮电大学专业学位硕士研究生学位论文第二章深度学习相关理论10图2.4tanh函数图像ReLU(RectifiedLinearUnit)函数又被称为修正线性单元[32]，它的数学表达式见式2.16。ReLU是目前深度学习最流行的激活函数之一，适用于深度神经网络的训练，因为它可以有效避免因网络层过深带来的梯度消失或者梯度爆炸的问题。000xifxyifx=(2.16)求导过程:10"00ifxyifx=(2.17)图2.5ReLU函数图像综上分析，不难得出如果搭建的网络层数不深时，可以考虑用sigmoid，tanh，ReLU作为激活函数，但当网络较深时，由于sigmoid，tanh的导数皆小于1，依据多元复合函数链式求导法则可知，随着层数增加，偏导数将会呈现指数下降，出现梯度消失的现象，导致损失函数无法收敛。而对于ReLU而言，当x大于0时，导数恒为1，x小于等于0时，导数恒为
南京邮电大学专业学位硕士研究生学位论文第二章深度学习相关理论10图2.4tanh函数图像ReLU(RectifiedLinearUnit)函数又被称为修正线性单元[32]，它的数学表达式见式2.16。ReLU是目前深度学习最流行的激活函数之一，适用于深度神经网络的训练，因为它可以有效避免因网络层过深带来的梯度消失或者梯度爆炸的问题。000xifxyifx=(2.16)求导过程:10"00ifxyifx=(2.17)图2.5ReLU函数图像综上分析，不难得出如果搭建的网络层数不深时，可以考虑用sigmoid，tanh，ReLU作为激活函数，但当网络较深时，由于sigmoid，tanh的导数皆小于1，依据多元复合函数链式求导法则可知，随着层数增加，偏导数将会呈现指数下降，出现梯度消失的现象，导致损失函数无法收敛。而对于ReLU而言，当x大于0时，导数恒为1，x小于等于0时，导数恒为
【参考文献】：
期刊论文
[1]基于改进YOLO v3的目标检测算法[J]. 赵琼,李宝清,李唐薇. 激光与光电子学进展. 2020(12)
[2]深度神经网络模型压缩综述[J]. 李江昀,赵义凯,薛卓尔,蔡铮,李擎. 工程科学学报. 2019(10)
[3]YOLO图像检测技术综述[J]. 林健巍. 福建电脑. 2019(09)
[4]深度神经网络压缩综述[J]. 李青华,李翠平,张静,陈红,王绍卿. 计算机科学. 2019(09)
[5]基于深度学习的铁路关键部件缺陷检测研究[J]. 赵冰,代明睿,李平,马小宁,吴艳华. 铁道学报. 2019(08)
[6]TEDS系统常见故障分析与解决方案[J]. 孙绍红. 中国设备工程. 2019(15)
[7]基于K-means聚类的磁瓦缺陷图像分割方法[J]. 马旭东,袁锐波,李洪锋. 软件导刊. 2019(12)
[8]卷积神经网络结构优化综述[J]. 林景栋,吴欣怡,柴毅,尹宏鹏. 自动化学报. 2020(01)
[9]SSD（Single Shot MultiBox Detector）目标检测算法的研究与改进[J]. 汪宋,费树岷. 工业控制计算机. 2019(04)
[10]基于深度学习的目标部件故障识别技术及应用[J]. 宋丫,李庆楠,刘宵辰. 信息通信. 2019(02)
博士论文
[1]遗传算法搜索能力和编码方式研究[D]. 莫鸿强.华南理工大学 2001
硕士论文
[1]飞机蒙皮图像的深度特征学习与损伤监测[D]. 李慧.北京邮电大学 2019
[2]基于改进SURF算法的图像匹配[D]. 敖天慈.大连理工大学 2019
[3]基于改进的SIFT特征的图像匹配算法研究[D]. 章雷.安徽理工大学 2019
[4]基于深度学习的动车关键部位故障图像检测[D]. 张江勇.电子科技大学 2019
[5]基于图像处理的动车轴端螺栓检测方法的研究[D]. 叶宏鹏.北京交通大学 2018
[6]高铁接触网支持装置紧固件不良状态检测方法研究[D]. 陈隽文.西南交通大学 2018
[7]基于深度学习的高铁接触网悬挂目标检测图像处理研究[D]. 狄亚柳.西南交通大学 2018
本文编号：3248783
【文章来源】：南京邮电大学江苏省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
Sigmoid函数图像
南京邮电大学专业学位硕士研究生学位论文第二章深度学习相关理论10图2.4tanh函数图像ReLU(RectifiedLinearUnit)函数又被称为修正线性单元[32]，它的数学表达式见式2.16。ReLU是目前深度学习最流行的激活函数之一，适用于深度神经网络的训练，因为它可以有效避免因网络层过深带来的梯度消失或者梯度爆炸的问题。000xifxyifx=(2.16)求导过程:10"00ifxyifx=(2.17)图2.5ReLU函数图像综上分析，不难得出如果搭建的网络层数不深时，可以考虑用sigmoid，tanh，ReLU作为激活函数，但当网络较深时，由于sigmoid，tanh的导数皆小于1，依据多元复合函数链式求导法则可知，随着层数增加，偏导数将会呈现指数下降，出现梯度消失的现象，导致损失函数无法收敛。而对于ReLU而言，当x大于0时，导数恒为1，x小于等于0时，导数恒为
南京邮电大学专业学位硕士研究生学位论文第二章深度学习相关理论10图2.4tanh函数图像ReLU(RectifiedLinearUnit)函数又被称为修正线性单元[32]，它的数学表达式见式2.16。ReLU是目前深度学习最流行的激活函数之一，适用于深度神经网络的训练，因为它可以有效避免因网络层过深带来的梯度消失或者梯度爆炸的问题。000xifxyifx=(2.16)求导过程:10"00ifxyifx=(2.17)图2.5ReLU函数图像综上分析，不难得出如果搭建的网络层数不深时，可以考虑用sigmoid，tanh，ReLU作为激活函数，但当网络较深时，由于sigmoid，tanh的导数皆小于1，依据多元复合函数链式求导法则可知，随着层数增加，偏导数将会呈现指数下降，出现梯度消失的现象，导致损失函数无法收敛。而对于ReLU而言，当x大于0时，导数恒为1，x小于等于0时，导数恒为
【参考文献】：
期刊论文
[1]基于改进YOLO v3的目标检测算法[J]. 赵琼,李宝清,李唐薇. 激光与光电子学进展. 2020(12)
[2]深度神经网络模型压缩综述[J]. 李江昀,赵义凯,薛卓尔,蔡铮,李擎. 工程科学学报. 2019(10)
[3]YOLO图像检测技术综述[J]. 林健巍. 福建电脑. 2019(09)
[4]深度神经网络压缩综述[J]. 李青华,李翠平,张静,陈红,王绍卿. 计算机科学. 2019(09)
[5]基于深度学习的铁路关键部件缺陷检测研究[J]. 赵冰,代明睿,李平,马小宁,吴艳华. 铁道学报. 2019(08)
[6]TEDS系统常见故障分析与解决方案[J]. 孙绍红. 中国设备工程. 2019(15)
[7]基于K-means聚类的磁瓦缺陷图像分割方法[J]. 马旭东,袁锐波,李洪锋. 软件导刊. 2019(12)
[8]卷积神经网络结构优化综述[J]. 林景栋,吴欣怡,柴毅,尹宏鹏. 自动化学报. 2020(01)
[9]SSD（Single Shot MultiBox Detector）目标检测算法的研究与改进[J]. 汪宋,费树岷. 工业控制计算机. 2019(04)
[10]基于深度学习的目标部件故障识别技术及应用[J]. 宋丫,李庆楠,刘宵辰. 信息通信. 2019(02)
博士论文
[1]遗传算法搜索能力和编码方式研究[D]. 莫鸿强.华南理工大学 2001
硕士论文
[1]飞机蒙皮图像的深度特征学习与损伤监测[D]. 李慧.北京邮电大学 2019
[2]基于改进SURF算法的图像匹配[D]. 敖天慈.大连理工大学 2019
[3]基于改进的SIFT特征的图像匹配算法研究[D]. 章雷.安徽理工大学 2019
[4]基于深度学习的动车关键部位故障图像检测[D]. 张江勇.电子科技大学 2019
[5]基于图像处理的动车轴端螺栓检测方法的研究[D]. 叶宏鹏.北京交通大学 2018
[6]高铁接触网支持装置紧固件不良状态检测方法研究[D]. 陈隽文.西南交通大学 2018
[7]基于深度学习的高铁接触网悬挂目标检测图像处理研究[D]. 狄亚柳.西南交通大学 2018
本文编号：3248783
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3248783.html
最近更新
教材专著
