行李安检智能检测最难分样本集选取方法研究

研究表明，使业务模型性能变差的难分样本对系统边界决策能力增长有决定性影响。由于行李携带危险品的多样性及实物形态的不确定性，以及现场行李安检系统生成的行李X光图像数据呈现“长尾分布”特征，由有限次样本采集的数据集训练得到的智能检测模型，在应用于现场行李安检系统后，存在检测准确率不高的问题。文章针对行李安检智能检测数据分析闭环流程，提出最难分样本集的离散强化选取方法，可从现场行李安检系统运行过程中产生的危险品实例图像中选取最难分样本集，作为新增样本数据，用于智能检测模型的学习更新，实现安检智能检测软件性能的持续增强。     

地铁安检掀帘子小心辐射

经过地铁安检时,一些乘客还没等行李完全出来就迫不及待地去拿,甚至有的乘客会把手伸进机器里去取包。日前,南京地铁警方在官方微博上发布了一则消息,提醒乘坐地铁的市民在通过X光安检机时不要掀起通道出口处的铅帘。微博中写道:地铁安检机上的铅帘是用来屏蔽辐射的,当安检口的铅帘被撩起时,会有少量辐射泄漏,建     

基于改进卷积神经网络的驾驶员眼睛状态识别

为准确、高效识别驾驶员眼睛状态，提出一种基于改进卷积神经网络(Improved Convolutional Neural Networks, ICNN)的驾驶员眼睛状态识别方法。在LeNet-5网络的基础上采用多个小卷积层堆叠替换一个大卷积层的策略，减少参数量和浮点运算数的同时增强网络对眼睛图像的特征提取能力；在卷积层和池化层之间嵌入高效通道注意力(Efficient Channel Attention, ECA)模块，使网络突出眼睛图像中重要通道特征并弱化非重要通道特征，完成ICNN的构建；利用ICNN准确、高效自学习图像中有效眼睛状态特征信息的特点，实现端到端的驾驶员眼睛状态识别。通过在两个公开和一个实测的眼睛数据集上进行对比实验，验证卷积层堆叠替换和嵌入ECA模块的有效性，所提方法具有更高的训练效率和眼睛状态识别准确率。     

基于深度学习的铁路客站视频融合智能监控系统的图像处理优化技术研究

针对复杂铁路客站现场全景视频高维特征缺乏、融合匹配不准确等问题，提出一种基于深度学习的铁路客站视频融合智能监控系统的图像处理优化技术。文章通过尺度不变特征变换算法检测出图像关键点，利用卷积神经网络进行高维特征提取，对错配点使用随机抽样一致性算法进行剔除，并对虚影问题进行了优化以获得更好的细节效果。提出的图像处理优化技术已应用于连云港—镇江高速铁路扬州东站。应用结果表明，该技术能有效防止图片失真，获得更好的拼接效果。     

基于改进YOLOv5s算法的列车驾驶员手势识别

随着智能铁路的发展，人工智能技术得到广泛应用。通过深度学习对列车驾驶员手势实时检测，可提高检查驾驶员手势执行情况的效率，保证列车运行安全。针对现有手势识别算法识别精度低、检测速度慢、难以部署等问题，提出一种改进的YOLOv5s列车驾驶员手势识别算法。首先在原始主干网络的卷积操作之后添加CBAM模块，加强重要特征信息，抑制次要特征信息；其次在颈部网络中引入BiFPN模块，在不过多增加计算量的情况下，更好地实现多尺度特征融合；最后通过改进的K-means聚类算法生成适合本文数据集的先验框，更好地提升预测框精准度，加强模型的识别性能。实验结果表明，本算法在测试集上平均精确率均值为0.955,检测速度为71 FPS,网络模型所占内存为15.9 MB,验证了该算法具有识别精度高、检测速度快、模型内存占比小等优势，对于实现工程部署有重要意义。     

机车车辆车号图像识别技术改善研究

文章介绍了机车车辆车号识别发展历程，并通过图像车号的原理分析及使用现状，提出图像车号的改善方法。在硬件上摒弃服务器或者工控机，改用小型化的嵌入式模块，算法上由常规KNN算法改用改进型LeNet-5卷积神经网络，并建立了车号图像数据库用以训练、测试，以达到提高图像识别率的目的，同时降低图像识别成本，提高图像识别训练速度。     

基于色彩矩的无监督多分辨率图像分割

无监督的图像分割被广泛的应用于各种不同的条件下，包括数字相机的图像增强，目标识别，基于内容的图像检索和三维图像分析。本文提出了一种新的多分辨图像分割方法，与其他基于颜色的全局优化分割方法比较，该方法基于人的视觉系统原理，能够将感兴趣的物体从背景中分割出来，同时图像分割是一个多分辨率的分割过程，首先算法在整幅图像中搜索代表物体的特征块，然后利用特征块的色彩矩特征对所有图像块进行聚类，最后对属于物体类的图像块进行高分辨率的分类，直到块中的每一个像素点被区分为背景或物体，实验结果表明，与传统方法相比，本文算法能够在较短的时间内，取得较好的分割效果。     

面向复杂环境的接触网关键设备缺陷检测方案

针对小样本及复杂环境下接触网关键设备缺陷检测难等问题，提出一种融合深度卷积神经网络和卡尔曼滤波的图像检测方案。采用MobileNet构建模型骨干网络，有效降低了计算成本；融合柔性非极大值抑制算法解决目标部件遮挡问题，并将上下文感知ROI池化层取代原始池化层，维护了小尺寸零部件的原始结构；最终通过卡尔曼滤波对检测结果进行修正，有效提高检测精度。实验结果表明：本文所述方法能够对复杂接触网设备实现零部件的精确检测，与相同条件下的其他检测算法相比综合性能最佳。     

基于图像增强与深度学习的钢轨表面缺陷检测

相比传统的物理检测算法,基于机器视觉的检测算法具有检测速度快、操作便捷等诸多优点,但因受光照不均、相机失焦抖动、雨雪天气等外界因素的影响,导致检测精度降低。针对这一问题,提出一种基于图像增强与深度学习的钢轨表面缺陷视觉检测算法。首先,对图像进行Gabor滤波去噪,以减少噪声对缺陷检测的影响;然后,利用HSV空间变换方法增强缺陷图像的关键特征信息;最后,通过改进Faster R-CNN卷积神经网络,实现了多尺度钢轨表面缺陷的检测与识别。通过对所提出的检测算法进行对比实验,实验结果表明:裂纹、剥落、磨损三类缺陷的识别精度分别为91.87%,92.75%和91.52%,检测速度为每张图像0.265 s,优于已有的钢轨表面缺陷检测算法,能够很好地应用于实际项目中。     

光流法在地铁车辆测速中的应用研究

地铁车辆速度是列控系统的一项重要参数，传统的地铁车辆测速方法存在一定的缺陷。文章利用图像处理中的光流法研究地铁车辆测速新方法，提出了满足地铁车辆测速实时性和精度要求的快速光流计算方法。引入图像金字塔，通过由粗到精、逐层细化的步骤求解大位移运动光流，解决了LK光流法无法计算大位移运动的缺陷；提出了将GPU用于光流计算，实现图像特征点检测计算并行化，显著提升光流计算速度；设计了线路仿真软件进行测速仿真试验。结果表明，基于图像金字塔的光流改进算法提高了大位移情况下光流估计精度，基于GPU的光流并行计算有效提高了光流计算速度，满足地铁车辆测速系统的实时性要求。通过搭建支撑平台，并进行实际线路试验，进一步验证了光流测速方法的可行性。     

铁路云平台细粒度访问控制方案研究

为进一步提高铁路云平台网络安全防护能力,参照信息系统安全等级保护的有关要求,在铁路云平台网络安全保障体系框架下,提出一种铁路云平台细粒度访问控制方案;该方案采用零信任访问控制策略,由代理程序、数据总线、安全网关和安全模块4个部件协同完成安全的数据传输,利用标记技术实现域内和跨域的细粒度强制访问控制,在保持原有安全部署的基础上,有效提升铁路云平台的安全防护能力。     

深度学习在接触网定位器缺陷检测中的应用

高速动车接触网运营安全的需求使得接触网关键零部件的缺陷自动检测成为一份有意义的工作。针对接触网巡检图像的定位器缺陷检测问题,本文提出了一种基于图像深度表示和直线检测的目标检测一体化算法。该算法采用选择搜索算法获得定位器在图像中可能存在的备选区域,利用深度卷积神经网络计算图像的深度特征,通过多任务学习的算法求得定位器的局部区域。随后,利用Canny边缘提取和Hough直线检测的方法在局部区域内精确检测定位器直线。针对接触网巡检图像的实际应用场景,对该算法在不同场景下进行验证,试验结果表明,该算法可以有效解决实际场景下的定位器缺陷检测问题。     

基于图像处理和双BP神经网络的电气化铁路接触网立柱标识牌识别算法研究

故障位置点定位是实现轨道维护及保养的前提,利用接触网立柱标识牌实现定位是一种常用的轨道定位方法,但常规的识别方法存在识别率低且速度慢的缺点。针对该问题,提出一种基于图像处理和双神经网络的接触网立柱标识牌识别算法。首先利用Hough变换提取出接触网支柱区域,减小识别区域,其次通过形态学方法实现标识牌的定位与裁剪,再采用水平投影方法对字符进行分割,最后对字符中的字母和数字分别进行特征提取,利用两路并行的反向传播神经网络进行识别。通过实验验证了该算法的有效性,结果表明:该方法精度可达98.3%,相较于传统识别方法速度提高了17%。因此该识别算法能够实现轨道故障位置的快速精确定位,可用于轨道智能巡检系统。     

基于小波分析和神经网络的网络流量预测

网络流量的准确预测对于提高网络服务质量与网络安全有很重要的作用.本文主要对流量序列进行小波分解和重构,并结合神经网络对网络流量进行预测,新的算法可以有效提高预测精度.通过分析神经网络及非线性预测模型的优劣,建立一个网络流量预测模型.同时利用实际采集的网络流量数据对模型进行仿真,证实该模型可以有效控制由各种因素导致的误差,从而提高网络流量的预测精度.     

基于卷积神经网络优化算法的列车智能测试系统技术研究

设计基于卷积神经网络优化算法的列车智能测试系统,解决城市轨道交通领域列车系统测试自动化模拟问题。提出的列车智能测试系统,采用卷积神经网络的结构模型和基于分层压缩的卷积神经网络算法,详尽介绍构建分层压缩卷积神经网络的具体过程和卷积核优化结构设计。对站场测试用例的自动化模拟实验和测试数据分析的结果表明,基于卷积神经网络优化算法的列车智能测试系统可以优化测试过程、降低人工错误操作、合理分配测试资源、提高测试质量,加快整体系统测试进度的要求,为城市轨道交通领域未来实现全面自动化测试提供技术保障。     

浅析京沪高铁北京CTC中心网络安全

随着分散自律调度集中(CTC)系统运用于京沪高速铁路,京沪CTC中心网络安全成为保障京沪高铁行车安全的一个重要环节。对CTC中心网络安全进行风险识别与分析。从安全管理和安全技术2个方面论证,总结了解决京沪CTC中心网络安全风险的途径。实践证明,采用安全管理和安全技术相结合的策略,有效规避了京沪高铁北京局CTC中心潜在的内、外网络风险,保证了系统网络高安全性。     

炭素制品X射线图像的缺陷特征选择

针对炭素制品X射线检测图像的特点,对缺陷特征提取与选择技术进行了研究。为排除噪声干扰的影响,采用数学形态学和迭代阈值分割相结合的方法从原始图像中提取缺陷区域。在此基础上,从缺陷样本中提取19个特征值。为提高缺陷模式识别对各种噪声及干扰的鲁棒性,提出以特征组合分类能力数学模型为适合度函数,设计基于遗传算法的特征选择策略,实现了对缺陷原始特征量的优化选择。利用BP神经网络分类器及选择的特征值对缺陷进行模式分类。研究结果表明,所提出的选择方法可以用于缺陷的识别与分类。     

基于改进Apriori算法的铁路网络安全预警方法研究

随着大数据技术的飞速发展,基于大数据技术的安全隐患事前感知技术日趋成熟,为分析海量数据和挖掘事故规律提供了有效手段。文章优化、改进数据挖掘技术中经典的Apriori算法,基于改进的Apriori算法,研究提出一种铁路网络安全预警方法,并结合网络安全等级保护要求,构建铁路网络安全指标体系,通过仿真实验,验证算法的正确性和可用性。研究表明,采用改进的Apriori算法能够实现铁路网络安全事前感知,有效解决预警防范手段不足的问题,在铁路网络安全预警中具有较高的应用价值。     

基于BP神经网络在火灾图像探测技术中的应用

经过研究发现,火灾的发生机率具有双重性,即随机性与不确定性。而运用火灾自动报警系统检测火灾信号,就是将不确定的一面转化成比较准确的一面。基于此,利用BP神经网络算法计算和探测火灾图像的形成规律和信号特征,给出神经网络的具体结构和输入输出单元的设计方案。并对一系列的火灾样本图像和干扰图像进行实验。研究结果表明：此方法能更有效地减少火灾的误报警率,提高火灾报警的准确率。