基于卷积神经网络的铁轨扣件异常状态检测研究

发布时间：2017-08-22 14:33

  本文关键词：基于卷积神经网络的铁轨扣件异常状态检测研究

  更多相关文章： 铁轨扣件 扣件检测 深度学习 卷积神经网络

【摘要】：在铁路发展和运营过程中,铁路基础设施的安全检测一直是铁路安全的重点之一,其中扣件异常状态检测是非常重要的环节。近年来,随着计算机技术及图像处理技术飞速发展,基于计算机视觉的扣件缺失自动检测系统已经成为维护铁路线路环境安全的重要措施,是视觉检测领域的研究热点之一。课题组在前期工作中,提出了基于在线学习的扣件检测方法。该方法通过在线学习策略,动态生成模板库,因此不需要训练,可以方便地推广到不同的线路,目前已经在铁道科学研究院研制的轨检车上实施部署,在多个铁路局稳定运行,积累了大量的数据,取得了很好的检测效果。但是该方法也存在着一些不足：首先,该方法需要定期维护静态扣件模板库,其次,由于没有训练过程,因此相对而言,错检率较高。为了进一步提高检测效率,同时充分利用前期采集分析得到的大量数据,本文提出了一种基于卷积神经网络的铁轨扣件异常状态检测方法。与前期手工HOG不同,深度学习是一种基于学习的特征提取方法,通过前期积累的大量数据进行训练,可以有效地提高检测精度。并对于一些特殊的扣件异常状态,如：扣件微小的变化、扣件的松动和弹条断裂等情况,也可以通过重新学习和训练完成对不同线路铁轨扣件的检测。本文的主要工作有：1、训练数据集的收集和整理：通过课题组已有基于在线学习的自适应扣件检测方法,收集整理了大量的扣件数据,完成了采集铁轨扣件数据集的工作,将采集到的扣件数据集分为两类,一类是正常扣件,另一类是异常扣件。采集了三条线路铁轨扣件数据,分别是集通线、沪宁线和沪杭高铁线。集通线共47281张扣件图像,其中正常扣件24670张,异常扣件22611张。沪宁线共27869张扣件图像,其中正常扣件13946张,异常扣件13923张。沪杭高铁线共35428张扣件图像,其中正常扣件18456张,异常扣件16972张。2、从图像分类(Classification)角度看,扣件异常状态的检测就是扣件状态正常和异常的二分类问题。为此，我们提出了一种基于AlexNet网络模型的扣件检测方法,该方法是一种基于特征学习的方法,通过由低层特征逐级抽取,能够得到更加抽象的高层类别特征,克服了手工设计的HOG特征和已有扣件模板库对复杂扣件变化适应能力较弱的问题,在集通线路上对于由光照和污污渍引起的变化取得很好的实验结果。3、从图像验证(Verification)角度看,扣件异常状态检测问题可以看做是待检测扣件与已知正常状态扣件的验证问题,相同则是正常,不同则发生了异常。为此,我们提出了一种基于Siamese模型的扣件状态检测方法,该方法的输入为一对图像,均为正常状态或均为异常状态的图像对为相似(Similar)图像,分别为正常状态和异常状态的图像对为不相似(Dissimilar)图像。通过构建相似对和不相似对的训练集,可以通过训练学习得到更具有判别力的扣件特征。该方法在沪宁线和沪杭高铁线的数据集上进行了验证,结果优于基于AlexNet的扣件检测方法。
【关键词】：铁轨扣件 扣件检测 深度学习 卷积神经网络
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U216.3;TP183
【目录】：

• 致谢5-6
• 摘要6-8
• ABSTRACT8-12
• 1 引言12-16
• 1.1 课题研究背景与意义12-13
• 1.2 国内外研究发展现状13-14
• 1.3 论文的主要研究工作14-15
• 1.4 论文结构15-16
• 2 前期工作与研究现状16-29
• 2.1 基于在线学习的扣件检测算法16-19
• 2.1.1 铁轨轨道定位16-17
• 2.1.2 铁轨扣件定位17-18
• 2.1.3 铁轨扣件检测18-19
• 2.2 不足与解决方案19-20
• 2.3 基于深度学习特征表示的研究现状20-24
• 2.3.1 手工设计的特征21
• 2.3.2 基于学习的特征21-22
• 2.3.3 深度学习的特征22-24
• 2.4 卷积神经网络的概述24-28
• 2.4.1 神经网络模型25-26
• 2.4.2 前向传播算法26
• 2.4.3 反向传播算法26-28
• 2.5 小结28-29
• 3 基于AlexNet的扣件检测算法29-50
• 3.1 基于AlexNet的扣件检测算法29-35
• 3.1.1 算法平台的选择29-31
• 3.1.2 AlexNet网络模型的结构31-35
• 3.2 扣件数据集的准备35-39
• 3.3 实验结果39-42
• 3.3.1 开发与实验环境39
• 3.3.2 实验数据39-40
• 3.3.3 实验评价指标40-41
• 3.3.4 各线路检测结果41-42
• 3.4 实验分析42-48
• 3.4.1 提取特征数选取的影响42-44
• 3.4.2 网络模型迭代次数选取的影响44-45
• 3.4.3 络层数选取的影响45-46
• 3.4.4 模型推广能力分析46-47
• 3.4.5 与前期工作算法的比较47-48
• 3.5 小结48-50
• 4 基于Siamese网络模型的扣件检测算法50-61
• 4.1 基于Siamese网络模型的检测算法50-54
• 4.1.1 Siamese网络模型50-51
• 4.1.2 Siamese网络模型的结构51-54
• 4.2 实验结果54-55
• 4.2.1 开发与实验环境54
• 4.2.2 实验数据54
• 4.2.3 各线路检测结果54-55
• 4.3 实验分析55-60
• 4.3.1 提取特征数选取的影响55-57
• 4.3.2 网络模型迭代次数选取的影响57-58
• 4.3.3 模型推广能力分析58-59
• 4.3.4 与前期工作算法的比较59-60
• 4.4 小结60-61
• 5 结论与展望61-63
• 5.1 结论61-62
• 5.2 展望62-63
• 参考文献63-65
• 作者简历65-67
• 学位论文数据集67

【相似文献】

中国期刊全文数据库 前10条

1 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

2 常国任;李仁松;沈医文;刘钢;;基于神经网络的直升机舰面系统效能评估[J];舰船电子工程;2007年03期

3 陈俊;;神经网络的应用与展望[J];佛山科学技术学院学报(自然科学版);2009年05期

4 许万增;;神经网络的研究及其应用[J];国际技术经济研究学报;1990年01期

5 张军华;神经网络技术及其在军用系统中的应用[J];现代防御技术;1992年04期

6 雷明,李作清,陈志祥,吴雅,杨叔子;神经网络在预报控制中的应用[J];机床;1993年11期

7 靳蕃;神经网络及其在铁道科技中应用的探讨[J];铁道学报;1993年02期

8 宋玉华，王启霞;神经网络诊断──神经网络在自动化领域里的应用[J];中国仪器仪表;1994年03期

9 魏铭炎;国内外神经网络技术的研究与应用概况[J];电机电器技术;1995年04期

10 王中贤，钱颂迪;神经网络法在经济管理中的应用[J];航天工业管理;1995年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

2 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

3 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

4 胡婷;改进QGA-BP模型及其在弥苴河总氮量预测中的应用[D];昆明理工大学;2015年

5 刘俊辉;基于数据清洗方法的河道水位预测研究[D];昆明理工大学;2015年

6 刘波;短期风电功率预测方法研究[D];南京信息工程大学;2015年

7 蔡邦宇;人脸识别中单次ERP时空特征分析及其快速检索的应用[D];浙江大学;2015年

8 郑川;垃圾评论检测算法的研究[D];西南交通大学;2015年

9 李菊;BP神经网络在房地产批量评估中的应用研究[D];昆明理工大学;2015年

10 马亮;降水点分类预测方法研究[D];中国地质大学(北京);2015年

，

本文编号：719698