基于机器视觉的铁路钢轨扣件定位与识别方法研究

发布时间：2021-03-13 12:16

　　钢轨扣件是用于保持轨距的重要铁路基础设施,然而,列车运行时产生的冲击力会造成扣件松动、损坏甚至丢失,进而导致列车脱轨等重大安全事故。因此,必须定期地检测线路中钢轨扣件的状态,以保障铁路安全。本文以钢轨扣件为主要研究对象,深入研究基于机器视觉的自动化检测技术在钢轨扣件检测任务中的应用模式,研究内容涉及复杂场景下的目标定位和图像识别等热点领域。本文提出的方法提升了钢轨扣件检测系统的有效性、时效性和不同环境线路的推广能力,实现了高效、准确地检测钢轨扣件状态的目的,具有重要的理论意义和实用价值。本文创新之处主要体现在以下四个方面:1)现有的钢轨扣件区域定位方法在检测任务中存在精确率差、速度慢和推广能力不足的问题。本文提出了基于在线学习策略的钢轨扣件区域定位方法。首先,利用轨道基础设施的先验信息来检测钢轨扣件候选区域;然后,采用K近邻算法结合模板库,计算候选区域内子窗口与扣件模板的相似度,并根据相似度得分和钢轨扣件位置分布推断扣件区域;最后,采用在线学习策略动态地更新在线模板库,以适应不同环境线路的光照条件、图像背景和钢轨扣件类型。实验结果表明,该方法在多条铁路的钢轨扣件定位数据集上取得了很好的... 

【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】：128 页

【学位级别】：博士

【文章目录】：
致谢
摘要
ABSTRACT
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 系统框架及关键技术分析
        1.3.1 轨道图像采集
        1.3.2 钢轨扣件区域的定位和识别
    1.4 主要研究内容和创新点
    1.5 本文的章节安排
2 相关基础理论与方法
    2.1 钢轨扣件区域定位方法
        2.1.1 基于深度卷积神经网络的目标检测方法
        2.1.2 传统的钢轨扣件区域定位方法
    2.2 钢轨扣件识别方法
        2.2.1 基于深度卷积神经网络的图像分类方法
        2.2.2 传统的钢轨扣件识别方法
    2.3 小结
3 基于在线学习策略的钢轨扣件区域定位方法
    3.1 引言
    3.2 存在的问题及挑战
    3.3 基于在线学习策略的钢轨扣件区域定位方法
        3.3.1 钢轨扣件候选区域检测
        3.3.2 钢轨扣件区域定位
        3.3.3 在线学习策略
    3.4 实验与分析
        3.4.1 实验数据集
        3.4.2 实验结果评价指标
        3.4.3 实验结果与分析
        3.4.4 对比实验分析
    3.5 小结
4 基于场景上下文感知网络的多方向钢轨扣件实时定位方法
    4.1 引言
    4.2 存在的问题及挑战
    4.3 基于场景上下文感知网络的多方向钢轨扣件实时定位方法
        4.3.1 多尺度残差神经网络
        4.3.2 基于多尺度残差神经网络的多方向目标实时定位方法
        4.3.3 场景上下文感知网络
    4.4 实验与分析
        4.4.1 实验数据集
        4.4.2 实验结果评价指标
        4.4.3 钢轨扣件定位实验
        4.4.4 目标检测对比实验
        4.4.5 自然场景文本定位对比试验
    4.5 小结
5 基于视觉相似性网络的钢轨扣件缺损识别方法
    5.1 引言
    5.2 存在的问题和挑战
    5.3 基于视觉相似性网络的钢轨扣件识别方法
        5.3.1 训练样本的自动采集和标注
        5.3.2 视觉相似性网络
    5.4 实验与分析
        5.4.1 实验数据集
        5.4.2 实验结果评价指标
        5.4.3 实验结果与分析
        5.4.4 对比实验与分析
        5.4.5 真实检测结果展示
    5.5 小结
6 基于图像代表性特征学习的钢轨扣件松动检测方法
    6.1 引言
    6.2 相关方法研究
        6.2.1 基于独立监督的损失函数
        6.2.2 基于联合监督的损失函数
    6.3 基于图像代表性特征学习的图像分类方法
        6.3.1 问题分析
        6.3.2 收缩环形损失函数
        6.3.3 损失函数优化
    6.4 实验与分析
        6.4.1 钢轨扣件松动识别实验
        6.4.2 人脸验证实验
        6.4.3 不平衡和大规模数据集图像分类实验
        6.4.4 实验参数分析
    6.5 小结
7 总结及展望
    7.1 总结
    7.2 展望
参考文献
作者简历及攻读博士学位期间取得的研究成果
学位论文数据集


【参考文献】：
期刊论文
[1]基于深度学习的钢轨伤损智能识别方法[J]. 孙次锁,刘军,秦勇,张玉华.  中国铁道科学. 2018(05)
[2]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)
[3]机器视觉技术在现代汽车制造中的应用综述[J]. 尹仕斌,任永杰,刘涛,郭思阳,赵进,邾继贵.  光学学报. 2018(08)
[4]基于深度学习的铁道塞钉自动检测算法[J]. 杜馨瑜,戴鹏,李颖,程雨,王胜春,韩强,王昊.  中国铁道科学. 2017(03)
[5]车载前向运动视频的实时全景成像方法[J]. 蒋欣兰,王胜春,罗四维,黄雅平,戴鹏.  光学学报. 2017(05)
[6]轨道交通科技发展的方向与任务[J]. 贾利民,秦勇,王莉.  北京交通大学学报. 2016(04)
[7]基于计算机视觉的轨道扣件缺陷自动检测算法研究[J]. 刘甲甲,熊鹰,李柏林,李立.  铁道学报. 2016(08)
[8]基于钢轨图像频域特征的钢轨波磨检测方法[J]. 李清勇,章华燕,任盛伟,戴鹏,李唯一.  中国铁道科学. 2016(01)
[9]先进轨道交通系统发展趋势与主动安全保障技术[J]. 秦勇,马慧,贾利民.  中国铁路. 2015(12)
[10]基于多目立体视觉的接触网几何参数测量方法[J]. 周威,孙忠国,任盛伟,张文轩,汪海瑛,戴鹏,王燕国.  中国铁道科学. 2015(05)

博士论文
[1]基于前向运动视频的计算机视觉检测技术研究及应用[D]. 王胜春.北京交通大学 2015

硕士论文
[1]基于不均衡医疗影像数据集的分类方法与应用研究[D]. 韩赫.北京工业大学 2018
[2]基于迁移学习的铁路异物检测算法研究[D]. 李晓蕊.北京交通大学 2018
[3]基于机器视觉的USB插头表面缺陷检测技术研究[D]. 刘双春.中国科学院大学(中国科学院光电技术研究所) 2017
[4]基于计算机视觉的智能安防监控系统研究[D]. 张潇磊.南京邮电大学 2014
[5]基于混合纹理特征的轨枕裂纹识别[D]. 张莉.西南交通大学 2012
[6]巡道车视频检测系统的设计及关键技术的实现[D]. 常江.北京交通大学 2009
[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：3080202