原文传递
基于深度学习的铁路扣件检测系统的研究
| 论文题名： | 基于深度学习的铁路扣件检测系统的研究 |
| 关键词： | 铁路扣件;自动检测系统;深度学习;特征提取 |
| 摘要： | 铁路扣件作为固定轨枕和铁轨的重要连接部件，对保证列车安全运营具有极其重要的作用，目前的轨道巡检列车虽已实现轨道的自动巡检，但在铁路扣件的自动检测方面，还没有检测效果良好的扣件检测系统应用于综合巡检列车上。中国目前对铁路扣件的检测仍然是人工检测为主，列车巡检为辅助，但随着中国铁路线路逐渐增多，总里程日益增长，铁路线路中桥梁隧道占比越来越大，对铁路轨道使用的频次也逐渐加大，因此研究扣件的自动检测系统具有极其重要意义和价值。目前，深度学习图像处理技术发展迅速，相比于传统图像处理方式具有诸多优势，具有广泛应用前景。本文以深度学习目标检测技术为基础，对基于Faster R-CNN的扣件检测算法进行研究，主要工作和创新点如下: 首先，针对巡检列车的工作特性，设计了一套扣件检测系统，整个系统由视觉子系统、图像采集存储子系统和图像处理子系统三部分组成，该系统可以实现扣件图像的采集、存储和扣件图像离线自动检测。 其次，针对扣件特征提取这一关键问题，研究了基于卷积神经网络技术实现扣件特征提取过程，对比多种CNN网络，选取ZF网络和VGG网络做为本文的特征提取网络，对ZF网络和VGG网络特征提取过程中的特征响应图进行了绘制，验证方案合理性，并解决了扣件特征提取CNN过程中的梯度消失和过拟合问题。 然后，分析并且实现了Faster R-CNN的扣件检测模型的训练过程和测试过程，对其中关键的RPN过程进行了优化，提升了计算速度，同时绘制并分析了训练过程中的Loss曲线及PR曲线，对本文扣件检测方案的合理性进行了验证。 最后，利用实验数据，设计了亮度实验、遮挡实验、旋转实验及噪点实验，验证了扣件检测系统的鲁棒性，在实际线路数据上进行了检测效果测试，并对错误检测进行分析，验证了本文扣件检测算法的准确性与稳定性。 |
| 作者： | 龙炎 |
| 专业： | 机械制造及其自动化 |
| 导师： | 王纪武 |
| 授予学位： | 硕士 |
| 授予学位单位： | 北京交通大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
