基于Faster R-CNN的铁轨伤损检测研究

发布时间：2020-07-20 21:59

【摘要】：中国的铁路行业整体正处于飞速发展时期,铁轨伤损检测工作是关系到铁路安全的重要一环,目前有多种铁轨伤损检测的方法,但是仍难以满足对精确性和快速性的要求。卷积神经网络是一种可以处理二维矩阵数据的特殊的神经网络模型,这种新型的人工神经网络融合了深度学习和人工神经网络,由于其可以大规模训练和检测,使得在图像识别领域获得了广泛的应用。拥有非全连接和权值共享这样的网络结构可以使训练更加的简单,权值也会相应的减少,这样得到的卷积神经网络在进行旋转、倾斜、缩放时高度不变。基于卷积神经网络的R-CNN、Fast R-CNN以及Faster R-CNN网络结构使得卷积神经网络继续不断发展,不断改进。本文在深度学习理论框架的基础上,以卷积神经网络模型结构为主要训练部分,设计了基于改进的Faster R-CNN的铁轨伤损检测算法,可以从一组铁轨伤损和非伤损的超声波图像训练集中生成图像特征问题特征提取器,训练完成的特征提取器不需要手动输入特征和伤损区域信息,就能达到识别铁轨伤损的目的。同时,本文从数据标注、迁移学习初始化模型、实验参数设置和训练方法入手,对Faster R-CNN网络结构进行改善,实验结果表明,本文提出的改善的方法对铁轨伤损检测有着良好的检测效果,通过对检测准确率和检测时间的实验数据进行对比分析,本文提出的改进的Faster R-CNN算法的在漏检率和准确率方面均优于基于Faster R-CNN网络模型的铁轨伤损检测方法。本文使用的Faster R-CNN网络模型采用的是区域生成网络(RPN)算法,速度高于在卷积神经网络模型中选取候选区域时采用的SS(Selective Search)算法。同时,由于对锚窗的尺寸进行了改进,可以在较细小的样本中找出铁轨伤损样本,改善后的网络有着更好的检测效果。通过实验证实了本算法中检测识别率为92.3%,优于基于传统网络模型的检测方法,证明了本算法对铁轨伤损大小和类型检测的准确性都比较好,达到了本文研究的主要目的,对铁轨伤损检测领域的研究有着一定的应用价值。图[30]表[6]参[52]
【学位授予单位】：安徽理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U216.3;TP183;TP391.41
【图文】：

错误率

图 1 ILSVRC 近年 Top-5 错误率Fig.1 ILSVRC's Top-5 error rates in recent yearsNN 模型在 2015 年比赛中，表现耀眼，使深度学习应 R- FCN，Mask R- CNN，SSD，YOLO 等在原先框架近 Faster R-CNN。最近涌现的 ResNet、DenseNet、网络。习识别交通标志的准确率，在 2012 年已超越了人类，力的提高，深度学习可以解决的任务也越来越复杂，学习的一种，在过去几十年深度学习快速发展，同时脑、统计学和应用数学方面的理论知识，所以更强调模以及更深层次的网络训练，专门学习在各个方面都未来，深度学习会进一步帮助人类提高各个领域的进网络结构框架对铁轨伤损进行检测，希望能给铁路从

网络结构图,网络结构,网络结构模型

图 4 VGG16 的网络结构Fig.4 VGG16 network structure2.3 Faster R-CNN 网络结构模型2.3.1 基本网络结构Faster R-CNN 网络结构模型首次发表在 NIPS2015，今后几年又出现了很多改进版本，本文就是一个改进的 Faster R-CNN 网络。Faster R-CNN 和 Fast RCNN的主要不同之处在于，为了实现更加快速高效的目标检测，创造性地采用卷积网络自行产生建议框，把特征提取、候选区域提取和、候选框回归和分类高度整合到一个网络当中。同时使用 RPN(Region Proposal Network, 区域生成网络)代替先前 R-CNN 和 Fast R-CNN 中的 SS(Selective Search, 选择性搜索)算法，RPN 能够更快生成候选区域，且对候选区域和 CNN 网络参数共享，提高了网络的整体性Faster R-CNN 网络结构模型最主要的改进在于添加了 RPN 部分以及和 Fas

自身识别,样本,目标分类,感受野

目标的过程中，将一些样本重叠的 IOU 超过景，所谓 IoU 就是预测 box 和真实 box 的覆除以两个 box 的并集。样本候选窗口的筛选，候选区域最后留下的候入两条支路，即目标分类以及边框回归两个全窗口进行判断，再通过设定的阈值机制对窗口候选窗口。这种方法完全是利用 RPN 网络自身识别，并且很大程度上提高了目标检测的速度(anchor boxes) RPN 网络中有重要的地位，检测目标的不同形要用不同大小的框进行框选，这就是锚窗的重小的检测目标，都有能保证包含在感受野之内的

【参考文献】