基于深度学习的扣件状态检测方法研究
发布时间：2021-06-20 10:35
扣件是保障列车行车安全的重要部件。近年来,随着铁路运输方式的高速化和重载化,对包括扣件在内的轨道基础设施的维护工作提出了更高的要求。随着机器视觉技术的发展,很多公司和科研机构纷纷提出了自己的基于机器视觉的自动化扣件检测方法。与人工巡检方式相比,基于计算机视觉的自动化扣件检测方法具有检测速度更快、效率更高等优点,但是目前这些方法依然不够完善。深度学习作为人工智能的重要一环,已经在各个领域取得了丰硕的成果。本文将深度学习用于病害扣件检测,构建更加智能、高效、通用的病害扣件检测系统。目前在扣件检测领域没有公开且被大家广泛认可的标注数据,因此本文提出了基于半自动化标注的扣件定位方法。然后构建了以其为核心的半自动化扣件标注系统,可以方便、快捷地辅助人工快速完成大批量扣件数据的标注工作。我们收集并制作了一份4000张规模的扣件定位数据集,包含4个分类,且完全由人工完成标注工作。此数据集可以用于半自动化扣件定位算法的学习和性能评估过程。扣件状态检测任务主要针对发生了病害的扣件进行检测,即对发生了弹条断裂、形变、位移的三种类型病害扣件进行检测。我们借鉴了深度学习通用目标检测领域中Faster R-CN...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
图２－３传统的解决方案??Ｆｉｇｕｒｅ?２－３?Ｔｈｅ?ｔｒａｄｉｔｉｏｎａｌ?ｓｏｌｕｔｉｏｎｓ??
硕士专业学位论文?相关工作研个恒等映射／／（；０＝?Ｘ，而且残差拟合也会更加容易。如今，ＲｅｓＮｅｔ渐取代ＶＧＧ网络成为主要的特征提取基础网络。和ＶＧＧ网络差网络的优势在于网络更深，因此它具有着学习更多所需内容的务是适用的，并且在目标检测的场景中也是同样如此。此外，在差连接（Ｒｅｓｉｄｕａｌ?Ｃｏｎｎｅｃｔｉｏｎｓ）和批归一化（Ｂａｔｃｈ?Ｎｏｒｍａｌｉｚａｔｉｏｎ）结网络变得容易，然而这些新的结构都是在ＶＧＧ网络提出之后的。??
ＣＮＮ卷积神经网络在９０年代曾被大量使用，但是其流行势头很快由支持向??量机替代。直到２０１２年，Ａｌｅｘ?Ｋｒｉｚｈｅｖｓｋｙ等人重拾对ＣＮＮ的兴趣，并且凭借著??名的ＡｌｅｘＮｅｔ［３４］网络，如图２－５所示，在２０１２年的ＩＬＳＶＲＣ图像分类比赛取得了??绝对领先的成绩，此时深度学习技术才真正地走进主流学术界和工业界的视野。深??度神经网络的出现颠覆了传统的特征提取方式，凭借着强大的表达能力、丰富的训??练数据以及充分的训练能够自主的学习到真正有用的特征，这是相较于传统的人??工发现特征之后再针对特征的特性设计相应的特征提取算法方式的本质不同，是??特征提取技术的一种质的飞跃。因为ＣＮＮ的突出成绩也在ＩＬＳＶＲＣ?２０１２?Ｗｏｒｋｓｈｏｐ??中引起了巨大争论，所以问题由此转向如何将ＣＮＮ应用于目标检测任务中。??＼??Ｔ：Ｖ?Ｗ?Ｗ?＼??Ｕ＼?Ｗ?－４８?！?Ｐｉ?
【参考文献】：
期刊论文
[1]基于半监督深度学习的无砟轨道扣件缺陷图像识别方法[J]. 戴鹏,王胜春,杜馨瑜,韩强,王昊,任盛伟. 中国铁道科学. 2018(04)
硕士论文
[1]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
[2]融合结构信息的LDA扣件状态识别研究[D]. 陈小艳.西南交通大学 2015
[3]基于DSP的高速轨道扣件检测算法研究及系统设计[D]. 贾利红.电子科技大学 2014
[4]基于计算机视觉的铁路扣件检测算法研究[D]. 杭元元.西南交通大学 2014
[5]基于GPGPU加速的铁轨扣件识别研究[D]. 窦云广.北京交通大学 2014
[6]基于图像的铁路扣件缺陷检测算法研究[D]. 范宏.西南交通大学 2012
[7]巡道车视频处理系统关键技术的研究[D]. 张洋.北京交通大学 2008
本文编号：3239033
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
图２－３传统的解决方案??Ｆｉｇｕｒｅ?２－３?Ｔｈｅ?ｔｒａｄｉｔｉｏｎａｌ?ｓｏｌｕｔｉｏｎｓ??
硕士专业学位论文?相关工作研个恒等映射／／（；０＝?Ｘ，而且残差拟合也会更加容易。如今，ＲｅｓＮｅｔ渐取代ＶＧＧ网络成为主要的特征提取基础网络。和ＶＧＧ网络差网络的优势在于网络更深，因此它具有着学习更多所需内容的务是适用的，并且在目标检测的场景中也是同样如此。此外，在差连接（Ｒｅｓｉｄｕａｌ?Ｃｏｎｎｅｃｔｉｏｎｓ）和批归一化（Ｂａｔｃｈ?Ｎｏｒｍａｌｉｚａｔｉｏｎ）结网络变得容易，然而这些新的结构都是在ＶＧＧ网络提出之后的。??
ＣＮＮ卷积神经网络在９０年代曾被大量使用，但是其流行势头很快由支持向??量机替代。直到２０１２年，Ａｌｅｘ?Ｋｒｉｚｈｅｖｓｋｙ等人重拾对ＣＮＮ的兴趣，并且凭借著??名的ＡｌｅｘＮｅｔ［３４］网络，如图２－５所示，在２０１２年的ＩＬＳＶＲＣ图像分类比赛取得了??绝对领先的成绩，此时深度学习技术才真正地走进主流学术界和工业界的视野。深??度神经网络的出现颠覆了传统的特征提取方式，凭借着强大的表达能力、丰富的训??练数据以及充分的训练能够自主的学习到真正有用的特征，这是相较于传统的人??工发现特征之后再针对特征的特性设计相应的特征提取算法方式的本质不同，是??特征提取技术的一种质的飞跃。因为ＣＮＮ的突出成绩也在ＩＬＳＶＲＣ?２０１２?Ｗｏｒｋｓｈｏｐ??中引起了巨大争论，所以问题由此转向如何将ＣＮＮ应用于目标检测任务中。??＼??Ｔ：Ｖ?Ｗ?Ｗ?＼??Ｕ＼?Ｗ?－４８?！?Ｐｉ?
【参考文献】：
期刊论文
[1]基于半监督深度学习的无砟轨道扣件缺陷图像识别方法[J]. 戴鹏,王胜春,杜馨瑜,韩强,王昊,任盛伟. 中国铁道科学. 2018(04)
硕士论文
[1]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
[2]融合结构信息的LDA扣件状态识别研究[D]. 陈小艳.西南交通大学 2015
[3]基于DSP的高速轨道扣件检测算法研究及系统设计[D]. 贾利红.电子科技大学 2014
[4]基于计算机视觉的铁路扣件检测算法研究[D]. 杭元元.西南交通大学 2014
[5]基于GPGPU加速的铁轨扣件识别研究[D]. 窦云广.北京交通大学 2014
[6]基于图像的铁路扣件缺陷检测算法研究[D]. 范宏.西南交通大学 2012
[7]巡道车视频处理系统关键技术的研究[D]. 张洋.北京交通大学 2008
本文编号：3239033
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3239033.html
