原文传递
基于深度学习的货运列车制动状态检测算法研究
| 论文题名： | 基于深度学习的货运列车制动状态检测算法研究 |
| 关键词： | 货运列车;制动状态检测算法;自注意力模型;深度学习 |
| 摘要： | 目前货运列车制动状态检测大量依赖人工，效率较低。为提高列车制动状态检测的效率，减少人工作业以及保障车厢安全，本文利用深度学习算法对列车制动状态进行自动检测，其关键是对制动缸缺陷进行检测。制动缸缺陷检测流程包括制动缸目标检测阶段和缺陷判断阶段，先利用目标检测算法检测出关键目标，再利用缺陷判断算法对制动缸缺陷进行检测。而关键目标的检测存在两方面难题：（1）制动缸目标检测框的精度不够，存在较大偏差；（2）制动缸相似目标误检率较高。 基于上述背景和问题，本文提出一种面向制动缸缺陷检测的CST(CST,CBAM-SPP-Transformer)算法。CST算法的核心阶段为特征融合，该算法利用CBAM注意力机制重点关注关键目标；利用SPP模块加强多尺度特征融合，并减少重复计算；利用Transformer结构的多头自注意力机制提升整体效果。CST算法包含CST_ViT和CST_SwT两种模型，为提高制动缸目标检测精度，本文使用VisionTransformer构建CST_ViT；为提高制动缸目标检测速度，本文使用SwinTransformer构建CST_SwT。 为验证CST算法在目标检测阶段的有效性，本文针对CST算法设置了相关实验。实验结果表明，CST_ViT算法的mAP@0.5:0.95达到87.5%，比YOLOv5s提升6.7个百分点，制动缸目标的误检率显著下降，最高降幅达5.6个百分点。相比于CST_ViT算法，CST_SwT算法的检测速度有较大提高，FPS从CST_ViT算法的61.7帧提高到65.8帧，同时制动缸目标的误检率进一步降低。为探究单个模块的作用，本文针对上述三个模块设置了模块实验，实验结果表明，三个模块对关键目标检测均有正面优化效果。进一步验证了CST算法在目标检测阶段的有效性。 为验证CST算法在缺陷判断阶段的有效性，本文结合CST算法和缺陷判断算法对制动缸图片进行了测试，结果表明，相比于YOLOv5s，CST算法的缺陷检测误检率显著下降，其中表现最好的是CST_SwT，降幅达1.4个百分点。从检测效果来看，CST算法能够有效解决由于目标框不准和相似目标误检导致的缺陷判断错误问题。 |
| 作者： | 吴博 |
| 专业： | 电子信息 |
| 导师： | 余鑫 |
| 授予学位： | 硕士 |
| 授予学位单位： | 华中科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
