详情

原文传递动车组实时监测图像中的异常目标检测方法研究

论文题名：	动车组实时监测图像中的异常目标检测方法研究
关键词：	动车组;实时监测图像;异常目标;检测方法
摘要：	进入21世纪以来，中国开始大力开发高速列车。高速列车在国民经济中扮演越来越重要的角色，其安全运行至关重要。然而，高速列车由于运行速度快，系统复杂，容易发生各种异常。因此，高速列车的安全检查正受到学术界的重点关注，拥有巨大的研究意义。　　TFDS系统是目前最常用的用于高速列车异常检测的系统。TFDS系统通过多台工业摄像机可以获取车厢底部和侧面的图像，然后由人工对图像中的异常目标进行识别和定位，效率很低，不能实现实时检测。计算机图像识别方法可以有效地解决人工检测存在的问题，但目前的研究存在准确率低和鲁棒性差等问题。本文以动车组实时监测图像中的八种异常目标为案例，研究动车组实时监测图像中的异常目标检测问题，旨在构建准确率高和鲁棒性强的检测模型。本文的研究对于完善TFDS系统，推动基于图像的异常目标检测领域的理论与方法研究具有重要的意义。此外，本文的研究可以用于其它异常表现为线形或块形的异常目标的检测。论文的主要研究内容如下：　　(1)针对目前的用于动车组异常检测的图像识别方法存在的准确率低和鲁棒性差等问题，研究深度卷积神经网络和显著目标分割技术，构建一个基于区域卷积神经网络的异常目标检测模型(RCNN-ATD)。RCNN-ATD模型将动车组实时监测图像中的异常目标检测任务分为特征提取、异常目标分类与定位和异常目标分割三个子任务分别优化求解，简化学习难度。在RCNN-ATD模型中，针对异常样本数据少的问题，从提高样本多样性的角度提出了一个简单有效的图像预处理方法来丰富样本包含的特征信息，并利用深度卷积神经网络进行特征提取，建立图像中异常目标的特征描述子。其次，构建分类与回归器进行图像中异常目标的分类和定位。最后，提出一种基于卷积-反卷积的异常目标分割方法(C-D-ATS)进行图像中异常目标的分割。在模型训练时，针对异常样本数据少的问题，采用迁移学习的方式，利用COCO数据集对模型进行预训练，充分利用DCNN的特征提取能力。通过将RCNN-ATD模型用于动车组实时监测图像中的漏油、轴划痕、异物、端盖防脱链断开、防松铁丝断开等五种异常目标的检测，验证了RCNN-ATD模型框架的有效性。　　(2)为了进一步提高RCNN-ATD模型对不同尺度异常目标的检测准确率，研究图像金字塔和多尺度特征表示方法，提出一种高斯金字塔-特征融合(GP-FF)方法来构建图像的多尺度特征表示。对RCNN-ATD模型进行改进，构建一个基于多尺度特征融合的异常目标检测模型(MS-ATD)。通过将MS-ATD模型用于动车组实时监测图像中的漏油、轴划痕、异物、端盖防脱链断开、防松铁丝断开等五种异常目标的检测，验证了采用GP-FF方法的MS-ATD模型比RCNN-ATD模型的准确率更高。　　(3)为了进一步提高异常目标分割的精度，研究图像轮廓提取方法，提出一种异常目标分割方法(ATS)，对MS-ATD模型进行改进，构建一个基于多尺度特征融合的高精度异常目标检测模型(MS-HPATD)。通过将MS-HPATD模型用于动车组实时监测图像中的漏油、轴划痕、异物、端盖防脱链断开、防松铁丝断开等五种异常目标的检测，验证了采用ATS方法的MS-HPATD模型比MS-ATD模型的轮廓检测精度更高。　　(4)为了进一步提高模型的鲁棒性，借鉴对抗训练的概念，进一步研究对抗样本的构建方式以及模型训练的方式，提出一个基于对抗样本的鲁棒性增强方法(CS-REM)，提高所提出模型的鲁棒性。　　(5)针对动车组小尺度异常目标的检测，研究小尺度异常目标的特点，构建一个改进的MS-HPATD模型(Improved MS-HPATD)。首先，提出一个新的数据增强方法，提高动车组小尺度异常目标被学习的概率，其次，提出一个锚箱设计方法对MS-HPATD模型进行参数优化，提高动车组小尺度异常目标被检测的概率。通过将Improved MS-HPATD模型用于动车组实时监测图像中的销钉缺失、螺栓缺失和铆钉缺失等异常的检测，验证了其可以准确检测这三种小尺度异常，并且其检测准确率比主流的用于动车组小尺度异常目标检测的图像识别方法取得的准确率都要高。
作者：	肖玲
专业：	机械工程
导师：	吴波;胡友民
授予学位：	博士
授予学位单位：	华中科技大学
学位年度：	2020