路基探地雷达图像层位智能识别与状态评价

针对有砟铁路路基层位探地雷达图像人工追踪效率低、精度低的问题，提出了基于深度学习的路基层位智能识别与状态评价技术。根据多条线路现场实测数据建立样本集，基于YOLO v5和U-Net训练智能识别模型，提出了层位厚度、道床-基床界面平整度评价指标计算方法。结果表明：本文提出的有砟铁路路基层位智能识别方法具有较高精度，且U-Net模型识别效果优于YOLO v5模型，识别、评价结果与人工追踪结果偏差较小，满足铁路路基检测工程的实际需求。     

有砟铁路路基层位变形智能识别方法

针对探地雷达单期数据无法获取路基层位变化情况的问题,提出了一种基于周期性检测的铁路路基层位变形智能识别方法。首先采用YOLO v5模型识别雷达图像中的桥梁设备,通过与设备表模糊匹配实现多时相数据的里程配准,再基于U-Net模型对多期数据中的路基层位线进行准确识别,最后根据年变形量提取路基显著变形的里程范围,为养护维修决策提供数据支撑。采用实测数据进行了测试试验。结果表明：多期数据配准精度满足应用需求,自动识别的层位线与人工追踪结果相近,有效提升了探地雷达周期性检测数据的处理效率和精度,为铁路路基层位变形检测提供了一种新方法。     

基于Faster R-CNN网络模型的铁路异物侵限检测算法研究

行人和车辆等异物侵入铁路周边限界内的情况严重威胁了行人自身安全及铁路行车安全。针对传统铁路异物检测算法识别精度不高、分类不明确和结果易受外界环境影响等缺点,提出了一种基于Faster R-CNN网络模型的铁路异物侵限检测算法,并对该模型做适应性改进以满足铁路异物检测的现实需要。提出将全连接层用全局平均池化层替代来减少参数量;通过增加锚点个数来提高对目标区域建议的精确性;引入迁移学习思想训练网络以解决铁路异物侵限数据匮乏问题。在铁路异物侵限视频数据集上进行测试表明,本算法对于人、车及部分动物的综合检测精确度达到了97.81%。     

铁路路基地质雷达检测数据智能里程校正方法

针对铁路路基地质雷达(Ground Penetrating Radar,GPR)检测数据里程校正效率低的问题,提出了一种智能里程校正方法。以GPR原始检测数据为数据源,通过构建特征向量和支持向量机识别模型,实现桥梁的智能识别;再根据桥梁里程进行回归计算,得到GPR检测数据的实际里程。采用京九线路基检测数据进行测试,结果表明,本文提出的铁路路基GPR检测数据智能里程校正方法具有较高的精度,里程校正误差约2 m,满足铁路路基检测工程的实际需求。     

基于随机森林结合前向序列选择算法的铁路隧道防水板检测数据关键影响因素识别北大核心

针对参数特征复杂度高的铁路产品,提出了一种基于随机森林(RF)结合前向序列选择(SFS)算法的铁路产品检验检测数据关键影响因素识别方法,以辅助基于经验的识别方法。创新使用RF-SFS算法,将其应用于铁路隧道防水板检验检测数据关键影响因素的识别研究。根据多年铁路隧道防水板检测数据,建立RF模型,获得了影响铁路隧道防水板检测结果的特征关键性评分序列。随后,结合SFS方法得出关键性评分序列的阈值,将排名前6位的影响因素识别为关键特征,模型的预测能力达到99.98%。为验证关键特征识别方法的有效性,对比分析3种模型在使用不同特征子集时的预测能力。当仅选用关键特征时,3种模型的预测能力均达到最佳,加入冗余特征后模型的预测能力逐渐降低。     

基于改进Mask R-CNN的轨道扣件状态检测方法

为提高轨道扣件状态检测的准确率,基于K均值聚类算法改进掩膜区域卷积神经网络(Mask R-CNN)实例分割算法中的区域建议网络.进行基于改进Mask R-CNN的轨道扣件状态检测方法研究,并将该方法分别应用于普速铁路有砟轨道2个扣件数据集和高速铁路无砟轨道1个扣件数据集上进行轨道扣件状态检测.结果 表明:该方法能对普速...     

基于深度卷积神经网络的铁路接触网鸟窝检测方法研究

鸟类在铁路接触网筑巢一直是造成接触网故障的一个重要原因,目前主要依靠人工巡检的方式确定是否存在鸟窝,不仅工作量大、漏检率高,而且效率低。因此提升接触网鸟窝的检测效率,及时排除隐患,对保障铁路安全运营具有重要的意义。针对此问题,提出了一种基于深度卷积神经网络的Faster R-CNN模型用于接触网鸟窝的自动识别。通过自定义合适的网络结构和参数,经过预训练、 RPN网络训练、Fast R-CNN网络训练以及对RPN和Fast R-CNN的联合训练,建立了适合鸟窝检测的Faster R-CNN模型,实现对鸟窝的检测。经试验,Faster R-CNN的准确率为88.5%,每张图片的识别速度为79 ms,通过与传统的HOG方法、DPM方法和卷积神经网络方法进行比较,验证了深度卷积神经网络对铁路接触网鸟窝检测高效性。     

既有重载铁路路基检测试验与状态评估

研究目的:针对朔黄重载铁路四个典型病害路基工点,进行压实度K、含水率、直剪、N_(10)、K_(30)、E_(v2)和E_(vd)等检测试验,系统地评价路基的压实状况、变形性能和承载力特性。针对既有铁路路基检测试验可行性和代表性问题,忽略新建时碾压产生的残余应力和列车荷载反复作用的影响,建立平面应变有限元模型,分析路基的初始应力状态,为既有路基检测试验检测点代表性问题和室内动三轴试验围压的确定提供参考意见。研究结论:(1)朔黄重载铁路四个典型病害路基工点的压实状况、变形性能和承载力特性不能满足规范的要求,需要进行加固处理;(2)路基的初始应力状态非常复杂,忽略施工碾压和列车荷载在路基中产生应力的影响,距离路基中心线5.5~6.0 m,深0.6~1.2m范围的土体处于K_0状态;(3)进行路基填料室内动三轴实验时,实验加载参数的确定需考虑路基的初始应力状态;(4)该结论可为铁路路基的检测和状态评估提供参考。     

在营铁路路基结构拟模态分析及状态评估

基于波动方程的交错网格有限差分算法,建立力学模型对典型病害路基结构进行数值模拟,研究正常路基和病害路基结构的振动响应特征。研究结果表明:铁路路基结构模态响应或弹性波频响特征与病害介质力学性质密切相关,存在软弱层的铁路路基结构,其振动响应主频向低频方向偏移,加固后路基结构振动主频明显提高。某重载铁路瞬态地震映像实测数据分析结果与理论解析结论一致。铁路路基结构的拟模态响应分析方法对在营铁路路基快速无损检测和状态评估具有实用价值。     

基于改进Faster R-CNN的地铁车辆焊缝缺陷检测

地铁列车的焊接缺陷严重威胁到列车运行安全,针对目前地铁车辆铝合金车体焊缝检测存在漏检错检问题,提出一种基于改进Faster R-CNN识别焊缝缺陷的方法。运用ABAQUS对铝合金车体焊缝缺陷进行建模仿真,获得多组同类缺陷信号图。基于Faster R-CNN框架对缺陷进行分类,并引入Unet模型和Resnet模型对原始Faster R-CNN框架进行改进,以提高识别精度。对人为添加噪声的信号图进行检测,以验证本文模型的鲁棒性。研究结果表明:改进后的模型对于铝合金车体焊缝缺陷检测具有更高的识别率和鲁棒性。     

基于光照不变正则约束的稳健性桥梁病害识别

桥梁表观病害识别是桥梁运营养护的关键技术之一。近年来,卷积神经网络(Convolutional Neural Networks,CNN)被广泛应用于桥梁表观病害识别。然而在光照不足条件下,卷积神经网络对于桥梁表观病害识别的稳健性通常不足。针对上述问题,提出一种基于光照不变正则约束的稳健性桥梁病害识别方法。该方法利用不变正则约束,同时约束CNN的特征提取模块和分类器模块,实现光照不足条件下的不变特征学习和分类器学习,进而增强CNN模型对于桥梁病害识别的光照稳健性。运用该方法基于桥梁表观病害数据集进行实验验证。实验结果表明：所提方法在光照不足条件下的桥梁病害的平均识别准确率高于对比方法;该方法在正常光照图像和光照变化图像上提取的特征矢量的欧氏距离为7.57,较对比方法提取的特征矢量具有更高的相似度。基于光照不变正则约束的稳健性桥梁病害识别方法在光照不足条件下提取的特征具有较强的不变特性,使得模型具有较强的病害识别稳健性,具有良好的工程应用价值,能够为桥梁的运营养护提供更准确的决策支持。     

基于改进Yolov5的地铁隧道附属设施与衬砌表观病害检测方法

随着地铁隧道服役时间增长,隧道衬砌在多因素影响下病害频发,对隧道结构及临近附属设施造成不良影响,严重危及到行车安全。因此,亟需精确高效的地铁隧道病害及设施检测技术。然而,地铁隧道存在内部环境复杂,附属设施与衬砌病害纹理及灰度相似、目标尺度不一等检测难点,传统的人工巡检及数字图像处理方法均存在局限。针对上述问题,提出一种基于改进Yolov5的地铁隧道附属设施及衬砌表观病害检测模型。针对设施及病害的位置特征引入坐标注意力(Coordinate attention)引导模型对目标区域赋予更高权重,抑制背景噪声;采用Bi FPN(Bi-directional Feature Pyramid Network)特征融合网络提升小目标病害检测效果;并利用Ghost Bottleneck替代部分卷积减少模型参数,提高检测效率。为验证改进后模型检测性能,进行现场实验,构建样本数量为843的地铁隧道衬砌图像数据集。并采用随机裁剪、镜像翻转等数据增强方法,将样本量扩充至4 072。数据集上的实验结果表明,改进模型的平均精度均值(m AP)可达89.2%,较原模型提高了3.7%,有效提升了隧道环境中小目标病害...     

铁路声屏障表观病害智能检测技术

针对铁路声屏障外观状态检查效率低、检测精度差的现状,为满足自动化、智能化检测需求,开展声屏障表观病害智能检测技术研究。通过调研分析声屏障检测技术现状,提出基于图像的铁路声屏障表观病害智能检测技术方案。重点对声屏障外观成像、主从协同控制、在线识别等关键技术的实现方式进行研究,同时对部分功能进行了试验验证;基于钢轨探伤车进行图像采集,检测速度80 km/h,建立声屏障病害典型样本数据集,验证了在线识别的可行性和有效性。结果表明,铁路声屏障表观病害智能检测技术可大幅提升病害检测的自动化和智能化水平。     

铁路隧道衬砌表观病害智能检测技术

针对铁路隧道衬砌表观病害检测需求，梳理并分析技术现状，介绍隧道衬砌表观病害智能检测系统的研制情况和系统组成。提出铁路隧道衬砌表观病害智能检测面临的技术难点，分析图像快速采集、病害智能识别、病害样本库构建等智能检测关键技术。通过基于实测数据集以及现场检测复核等手段，验证铁路隧道衬砌表观病害智能检测系统关键参数。结合现场运用情况，分析铁路隧道衬砌表观病害智能检测系统运用效率。智能检测系统应用表明，铁路隧道衬砌表观病害智能检测技术可大幅提升隧道衬砌病害检测的自动化和智能化水平。     

BIM模型在路基压实检测技术中的应用

研究目的:路基压实是铁路路基施工极其重要的环节,而路基压实度则是保证路基压实质量的关键,长期以来,对施工现场路基压实度检测存在取样周期长、频率高、工作量大的问题,这些问题严重影响施工进度,造成不可预测的经济损失。针对上述问题,本文提出一种引入BIM模型的路基压实监测技术,从而实现对路基压实自动采样、处理、一体化模拟展示和管理的功能,减少人工干预,提高路基施工的效率。研究结论:(1)将BIM技术引入到路基压实施工过程中去,将会提高路基施工的精度和质量,控制施工成本;(2)利用基于里程的BIM模型生成算法可以消除离散后数据边界的锯齿,减少数据冗余,实现几何模型和路基压实度信息的自动挂接;(3)压实信息的精度将取决于施工车辆GPS的精度和BIM模型网格的大小,一般来讲,网格越小,精度越大,计算速度越慢,在施工过程中采用0.1 m的网格间距既可保证施工精度也可保证计算速度;(4)本研究成果对推广BIM技术在铁路施工管理方面具有重要的意义。     

基于Anchors设计和模型迁移的钢轨内部伤损检测方法

钢轨内部伤损的准确检测是保障列车安全运行的重要环节，如何提高伤损检测算法的泛化能力和鲁棒性是当前自动检测该类伤损面临的主要问题。为此，提出一种基于Anchors设计和模型迁移的钢轨内部伤损检测方法。首先，采用图像数据增强技术扩充现有图像数据集，获取适量的训练样本。其次，设计以交并比为距离度量的K-means聚类算法获取新的Anchors多维度约束，提高伤损检测精度。最后，在基于改进Faster R-CNN模型的迁移学习方法基础上，训练所提的钢轨伤损检测模型。试验结果表明，本文检测方法所得精确率、召回率和F₁值均达到99%,对不同类型的内部伤损取得了较好的检测效果；与现有方法相比，本文所提方法的识别准确率高、误报率低，可有效检测钢轨内部伤损。     

基于孤立森林算法的铁路通信网潜在攻击检测方法研究

针对当前铁路通信网潜在攻击检测方法在识别异常攻击时忽略了对数据的降维处理,导致检测效率偏低、误报率和漏检率较高等问题,提出基于孤立森林算法的铁路通信网潜在攻击检测方法。将铁路通信网样本集通过数据类型划分为多个子集,通过对主成分进行分析,最大限度地减少不同子集间的降维影响,使各子集降维达到最佳;基于降维处理的数据,构建孤立森林潜在攻击检测器,判断数据异常行为;基于孤立森林算法更新铁路通信网潜在攻击检测器,实现铁路通信网潜在攻击检测。仿真试验结果:测试样本数量增加时,该算法的检测速率保持在90%以上,误报率和漏检率均小于等于0.02%,表明该方法在铁路通信网潜在攻击检测上具有一定的应用价值。     

铁路桥梁裂缝位置识别与目标检测方法探讨

裂缝是铁路混凝土桥梁累积性破损的早期表现形式。由于裂缝形态的非线性和桥梁结构所处环境的多样性,依靠人工作业的桥梁裂缝检测存在耗时长、主观性大、检测精度不高等问题,已无法满足桥梁状态诊断的需求。传统的裂缝图像处理方法过于依赖算法设计者的经验,易导致检测精度不高。针对上述问题,提出一种基于Detectron平台的目标检测模型,利用模型中卷积神经网络(CNN)对输入图像的光线、扭曲旋转、大小变化等高度适应的优点,从大量裂缝图像中学习裂缝特征,实现对桥梁裂缝位置的识别。采用图像分割法建立图像训练集、验证集及测试集,用特征标定工具为数据集作裂缝位置标签,创建由4个卷积层(Conv),4个池化层(Max-pooling)和1个全连接层(FC)共922,368个参数组成的卷积神经网络(CNN),并将学习率调整为0. 001。验证及测试表明,所提出的基于Detectron平台的目标检测模型在数据多次迭代后具有良好的裂缝位置识别精度。用于模型学习的训练集与验证集上,识别精度最优值分别为92. 64%和88. 98%,未被模型学习的测试集上,识别精度最优值为90. 43%。最后,通过与传统图像处理识别技术的对比分析,阐明模型在特征识别上的优劣性。     

路基稳定性无损检测方法技术研究

研究目的:通过路基稳定性检测可测出基床强度(承载力)、道碴陷槽、翻浆冒泥等基床病害,同时还要满足不干扰行车、安全、快速、经济、可靠等客观条件的要求。研究方法:针对过去路基检测要破损路基,且不能全面反映路基的现状,结合实际采用无损检测技术对路基进行全面研究,从而对路基稳定性作出评价。研究结果:用地质雷达和瞬态瑞雷波法等检测技术检测既有铁路路基,通过测定适当的物理量,并与规范数值进行相关比较,准确地揭示出路基现状及病害,并对既有铁路路基稳定性作出评价。研究结论:用地质雷达和瞬态瑞雷波法等检测既有铁路路基,总结出一整套操作性较强的快速、准确、简便、无损、有效的检测方法;可准确地揭示出路基现状及病害,并可对检测区段路基稳定性作出评价,使既有线提速路基稳定性检测在质和量两方面得到较大提高和突破;成果已得到了广泛推广应用,经济和社会效益显著。     

铁路路基病害的智能识别

探地雷达适合于铁路路基病害的检测,但后期资料处理工作费时费力,不利于其在铁路路基检测中的推广使用。本文分析各种路基病害图像的特征,从图像中提取分段能量、方差和层面位置作为特征值。根据这些特征值的大小不但能区分各种病害类型,而且可以比较病害的发育程度。根据已知样本数据计算这些特征值,建立学习向量量化神经网络模型,通过不断调整神经元的权值和阈值对特征值进行学习,直到满足给定精度为止。应用调整好的神经网络模型对沪宁线检测数据进行测试,结果表明,该模型对路基翻浆冒泥病害的识别率达90%以上。