详情

原文传递基于深度学习的轨道紧固件检测算法研究

论文题名：	基于深度学习的轨道紧固件检测算法研究
关键词：	深度学习;轨道紧固件;缺陷检测;YOLOv3-tiny;FocalLoss
摘要：	轨道紧固件作为铁路轨道基础设施中重要的组成部分，对列车在轨道上的安全运营非常关键。当前，基于计算机视觉的轨道线路故障巡检车已替代传统的人工巡视成为主要检测方式，但由于其检测准确性以及速度不能完全符合要求。因此，针对轨道紧固件高精度实时检测方法的研究，有助于提升轨道巡检车的检测效果。随着深度学习理论的迅速发展，基于深度卷积神经的目标检测算法在各个领域被广泛应用。本文将基于深度学习的目标检测算法应用在轨道紧固件进行检测，主要从以下几个方面进行研究：　　（1）针对轨道紧固件检测没有公开数据集的问题，本文在分析公开目标检测数据集的基础知识上，制作了包含正常、损坏以及丢失紧固件三个类别的轨道紧固件检测数据集。使用标注软件对数据集中样本目标信息进行标注，该数据集共包含紧固件图像数据11046张，标注紧固件样本信息47580个。　　（2）针对紧固件目标检测时正负样本不均衡，导致紧固件检测效果不佳，本文通过在YOLOv3检测算法的基础上进行优化，在损失函数中引入FocalLoss损失函数替换原YOLOv3算法损失函数置信度交叉熵损失函数，降低负样本在训练中所占的权重；使用GIOULoss损失函数作为目标框坐标回归定位平方和损失函数。提高了对紧固件小目标检测的平均精度，使得收敛速度加快。然后在检测层采用上采样使特征图加倍，并在骨干网络中连接相同大小的特征图，最后在四个尺度上对紧固件检测，提升了网络模型对紧固件的检测能力。实验结果表明，改进的YOLOv3算法在自制紧固件数据集上平均精度达到78.36%，虽然在检测紧固件时取得较高的检测精度，但检测速度无法满足实时检测的要求。　　（3）为了进一步提升网络模型对紧固件的检测速度，达到应用的实时性要求。本文采用轻量化网络模型YOLOv3-tiny算法，骨干网络使用传统卷积和具有深度可分离的反残差结构的组合卷积来提取紧固件的输入粗粒度特征，用步长为2的组合卷积代替最大池化层进行下采样，来降低特征图的维数，并减少了骨干网络权重参数的数量。此外，在检测层采用深度可分离卷积提取紧固件的深层次特征信息，接着使用上采样的方式使特征图维度增大，并在骨干网络中连接相同大小的特征图，增加一个尺度在三个尺度上进行检测。损失函数使用DIOULoss损失函数作为目标框坐标回归定位平方和损失函数、FocalLoss损失函数代替轻量化网络模型算法中置信度交叉熵损失函数、类别概率上仍然使用交叉熵损失函数。将改进的轻量化模型YOLOv3-tiny算法在本文轨道紧固件数据集上进行训练和测试，并完成轻量化模型YOLOv3-tiny算法改进前后与其他目标检测算法的对比实验。实验结果表明，改进的轻量化模型YOLOv3-tiny算法在自制紧固件数据集上检测的平均精度都高于其他算法，平均精度达到85.69%，检测速度虽有所下降但满足轨道紧固件实时性检测的要求。
作者：	卢艳东
专业：	轨道交通通信工程
导师：	李积英
授予学位：	硕士
授予学位单位：	兰州交通大学
学位年度：	2022