原文传递
铁路扣件的图像预处理和缺失检测的方法研究
| 论文题名： | 铁路扣件的图像预处理和缺失检测的方法研究 |
| 关键词： | 铁路扣件;深度学习;FCOS算法;缺失检测;图像预处理 |
| 摘要： | 近年来，随着我国铁路网的进一步优化和完善，铁路营业里程逐年增长、客货运量显著增加，这使得铁路轨道安全的重要性愈加凸显。而铁路轨道的安全状态和铁路扣件这一连接轨枕与轨道的重要构件息息相关，因此对铁路扣件缺失检测的研究具有重要的意义和价值。随着目标检测研究的深入发展，学者们发现基于深度学习理论的检测算法在检测速度、精度方面表现较为优异。目前，铁路扣件的检测仍大多依靠人工巡检、轮检的方式，即便装备了巡检车，其采用的技术手段仍无法满足高效、准确、低成本的现实需求。因此，本文对目标检测问题从分类和回归两个思想角度，提出了两种基于深度学习检测理论改进后的检测方法:基于改进HED网络和基于改进FCOS网络的铁路扣件缺失检测。新方法结合铁路扣件目标小、多场景复杂的特性，以进一步提高其检测精度和速度，减少内存占用为目标进行研究和实验，实验结果表明，两种新方法均取得了很好的效果。本文所做主要工作可总结如下: (1)HED网络结构的改进。从目标检测问题分类思想的角度上，针对原HED网络结构中池化层过多所导致目标检测边缘宽度过大、位置信息丢失严重的问题，去除原网络第三和第四个池化层，并修改了最后两个侧输出层的反卷积层，保证了提取后铁路扣件边缘完整的同时减少了过多计算带来的内存占用。为避免非极大抑制导致的铁路扣件边缘出现一定程度的锯齿和开裂，提出了边缘响应融合算法与改进HED网络相结合。结果表明，改进HED网络的边缘检测算法可以使铁路扣件的边缘特征显著突出，提高了后续铁路扣件缺失检测的精度和速度。 (2)FCOS算法的改进。从目标检测问题回归思想的角度上，将基于卷积神经网络经典检测算法进行归纳总结。针对铁路扣件检测中高速度和高精度与低内存占用不可兼得的现象，提出改进FCOS网络的检测模型。针对原算法模型中密集连接所产生的高内存和能耗问题，本文选取了计算量更小、速度更快的VoVNET网络为主干网络。为避免铁路扣件在多场景的轨道图像中出现特征表现不足的情况，增加原算法特征金字塔层数至6层，改变了P3层回归尺度，并引入了SE模块，增加了铁路扣件图像深度特征的多样性。实验表明，新模型在不增加时间复杂度的前提下，提高了检测速度和精度，并降低了计算量和内存，表现出相较其他模型更强的检测性能。 (3)设计对比实验并分析总结。基于F1得分、平均精度、P-R曲线等多维度评价标准设计了对比实验。完成两种检测算法对铁路扣件缺失的检测实验，根据实验结果，在检测性能上做出评价和总结，并给出了每种算法较适用的情况和场景。 |
| 作者： | 张耀新 |
| 专业： | 软件工程 |
| 导师： | 王书振 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西安电子科技大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
