原文传递
基于深度学习的铁路轨道形变检测研究
| 论文题名： | 基于深度学习的铁路轨道形变检测研究 |
| 关键词： | 铁路轨道;形变检测;图像分类;轻量级网络;注意力机制;特征提取 |
| 摘要： | 我国铁路发展至今已成为国民命脉，是交通出行必不可少的方式，而铁路因长年热胀冷缩以及自然灾害等原因会造成形变，因此铁路形变检测成为铁路巡检的重要部分。本课题是基于深度学习的铁路轨道形变检测研究，设计并完成了一种基于改进YOLOv4模型的铁轨形变检测系统，改进了传统的YOLOv4模型的检测过程，避免了主干特征提取网络的复杂性，在保证检测精度的前提下，提高了整个YOLOv4模型的速度。本文主要内容包括以下四个部分。 (1)数据集的制作与数据增强:在铁轨形变图像分类过程中，考虑到原始铁轨形变的图像数据集较少，首先对原始铁轨形变图像进行了数据增强操作，通过旋转、平移、镜像、加噪声以及颜色空间变换等操作，使得铁轨形变数据集得到扩增，铁轨形变数据由原始采集的2178张扩增为10890张图片，为YOLOv4模型的设计与改进提供了数据的支持。 (2)特征提取网络的轻量级优化:基于YOLOv4的主干特征提取网络进行了研究，CSPDarkNet网络进行了分析，将重量级CSPDarkNet网络改为轻量级网络Mobilenetv1、Mobilenetv2、Mobilenetv3并使用深度可分离卷积代替基本卷积过程完成了PANet特征加强网络的优化，经过测试，在精度下降很少的情况下，使FPS提高两倍左右。 (3)K-means聚类算法:目标检测中，为了让预测框与真实框取得更好的IOU值以便于更精准地定位目标，需要提前标定锚点框对目标进行聚类。本文采用聚类算法在进行训练之前对数据集进行聚类预处理，提高训练的速度，识别率提高了4.68％。 (4)注意力机制的加入:主要根据Attention以及Self-Attention的基本原理，以及注意力机制聚焦输入的局部信息的过程，来对YOLOv4网络预测铁轨形变训练过程进行改进，通过加入SE，ECA，以及CBAM模块三种注意力机制对得到的结果进行对比实验，得出对比结果CBAM注意力机制最有效得使平均精度得到提升，精度提高了0.38％。 本次铁轨形变检测数据集的制作以及网络改进，是本文设计铁轨形变检测系统的核心环节，对YOLOv4模型预测速度和精度的提高提出了可行的改进方案，对于其他YOLOv4检测模型的改进也有借鉴意义。 |
| 作者： | 尹良武 |
| 专业： | 电子信息 |
| 导师： | 汤全武 |
| 授予学位： | 硕士 |
| 授予学位单位： | 宁夏大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
