基于深度残差网络的轨道结构病害识别

传统的轨道检测方法需要事先对图像进行定位和分割等预处理操作,而定位和分割操作的误差又会直接干扰到后续的分类识别,多环节误差叠加,使得识别准确率低。同时,传统检测方法还需要理想的背景环境,当背景环境或结构类型发生改变时,其算法不再适用,不具备良好的鲁棒性。因此,提出一种基于深度残差网络的轨道结构病害检测方法,该方法不需要对原始图像进行预处理,同时深度残差网络以其更深的层数和更复杂的网络结构可以高效提取出各类轨道结构图像的特征并进行分类识别。以某客货共线线路隧道的钢轨踏面、钢轨扣件和支承块图像建立数据库,通过迁移学习的方式在数据库上训练网络模型,实现对钢轨、扣件及支承块三种轨道结构的病害识别,识别准确率高达98.51%。在此基础上,从识别准确率、损失函数值等方面对深度残差网络在轨道结构病害识别中的应用效果进行对比、分析,验证方法的有效性。     

无砟道床表观伤损智能识别算法研究北大核心

为提高无砟道床表观伤损检测系统的检测精度和准确率,提出了一种多尺度多任务的伤损智能识别算法。采用特征图L1范数准则对ResNet网络的冗余卷积核进行压缩剪枝,以降低模型计算量和存储空间。通过采集的图像构建样本库,利用像素级语义分割算法,以优化后的ResNet网络为编码网络,以PPM网络为解码网络,搭建编码-解码深度学习架构模型,并通过测试集试验和现场试验对模型进行验证。结果表明,该模型对2000张测试图像的识别准确率为95.6%,无砟道床表观伤损现场检出率为96.4%,检测效果良好。该模型可以实现对无砟道床表观伤损的自动化检测、伤损趋势分析和状态评定。     

融合自注意力机制与深度学习的混凝土表面裂隙智能识别

混凝土裂隙几何信息识别的精确度,影响后期工程的安全.而传统的检测方法存在对裂隙识别不准、不全、不即时的缺陷,无法满足精度和实效性的现实需求.本文提出一种融合自注意力机制与全卷积神经网络的图像分割算法,以混凝土裂隙图像建立数据集,搭建深度学习网络;以全卷积神经网络训练模型,使用空间自注意力模块调整特征编码,输出基于自注意力机制模块识别的高精度二值图.经精准率、召回率、平均交并比和综合评价指标等维度同传统图像分割方法进行对比,结果显示,本文方法得到的混凝土裂隙二值图与原图最相近,在定量上精准率、召回率、平均交并比和综合评价指标分别达到62.93％,88.08％,72.21％和83.86％,进而验证本文提出的方法优于传统方法裂隙识别方法.     

基于生成对抗网络的隧道裂缝自动分割算法研究

传统裂缝识别技术需要大量带标签的裂缝图像作为试验数据集，为减少裂缝图像标注的工作量，利用生成对抗网络图像分割的特性与优势，构建一种Crack-GAN网络用于隧道裂缝自动分割。Crack-GAN网络结构集成2个模块：融合残差化U-Net网络的生成器网络和利用全卷积网络生成置信图的判别器网络。首先U-Net模块使用密集的残差模块来生成保留细粒度信息的深层表示，然后判别器来判断输入真假，并以端到端的方式训练，再经过生成对抗模型之间不断迭代，使生成模型达到分割裂缝的最优状态。试验表明，Crack-GAN网络在自制铁路隧道裂缝数据集上的像素准确性为98.35%,精准率为71.23%,召回率为80.78%,F1得分为75.98%,单次检测时间80 ms,综合表现优于U-Net和CrackSegNet。     

基于FPGA和DSP的高速实时轨道巡检图像采集处理系统

基于FPGA和DSP的高速实时轨道巡检图像采集处理系统由光学系统、FPGA模块、DSP图像处理模块及上位机组成。为提升图像采集的质量,提出并设计线阵相机加激光光源的组合方案,用以有效滤除阳光干扰,避免图像过度曝光。针对高速实时采集需求,设计FPGA采集模块,实现巡检图像采集控制和传输。针对实时智能检测需求,开发基于DSP模块的JPEG压缩、钢轨区域识别和扣件定位算法以及基于工控机的扣件缺陷识别算法。设计上位机软件,实现用户交互及数据存储。试验测试结果表明:该系统对钢轨定位的准确率在99%以上,对扣件定位的准确率在90%以上,对异常扣件识别率在80%以上,系统检测的最高速度可达160 km·h-1。     

应用YOLO深度卷积网络的轨道图像定位算法

将摄影测量技术应用于铁路轨道检测是未来轨检技术的发展趋势。对轨道图像扣件的快速定位,是判断扣件是否缺损,匹配连续图像以及对轨道线形三维重建的基础。由于实际中轨道图像易受到拍摄角度、光照等因素影响,同时有砟轨道图像具有背景复杂、色彩单一、特征分布多变等特点,使得传统基于钢轨、轨枕布设关系的扣件定位算法具有局限性,对弯道和上下行道岔咽喉区域的扣件定位鲁棒性差。将近年在计算机视觉领域发展迅猛的深度学习算法引入铁路轨道检测,利用YOLO端对端输出的网络特点,根据图像全局信息直接对扣件的Bounding Box和类别进行迭代回归,输出扣件位置信息。试验检测50份测试数据,检测正确率达到94%,检测速度54 fps,可以达到实时检测的要求。     

铁路综合视频图像去雾算法研究与探讨

受雾霾等复杂介质环境影响,铁路视频监控系统获得的视频图像降质严重,使得雾霾天图像复原方法研究成为亟待解决的关键性问题。铁路雾霾视频监控图像具有分辨率低、灰度分布集中等主要特点,深入研究分析直方图均衡算法、Retinex图像增强算法和暗通道先验去雾算法的图像处理原理,分析图像处理效果。利用3种算法对铁路室外图像进行分析处理,结果表明3种算法均可以实现去雾,直方图均衡算法存在颜色失真和光晕现象; Retinex图像增强算法清晰度最好,但处理后的图像存在部分失真;暗通道先验去雾算法处理图像较为自然。     

基于光照自适应调节和模糊分类的人脸图像质量提升算法研究

针对铁路人脸识别闸机使用中影响人脸识别准确率的光照和模糊问题，文章提出一种人脸光照自适应调节算法，以提升非理想光照条件下的人脸识别准确率；设计了模糊识别模块，以挑选清晰的人脸图像，提升旅客移动场景的人脸识别准确率。在自建数据集中进行算法实验，实验结果表明，采用文章设计的算法，人脸识别准确率达到97.21%，能够满足实际应用的需求，具有推广价值。     

列车驾驶模拟器模糊自适应洗出算法研究

协调自适应洗出算法是目前被认为最有潜力模拟人体运动感觉的体感模拟算法,但由于计算过程复杂、耗时长、易不稳定等缺点而未得到广泛应用。针对算法中自适应参数实时求解的困难,结合人体运动感觉模糊特性,提出一种新的模糊自适应洗出算法。利用模糊控制理论,将实际列车运动特征和运动感觉误差与洗出算法中自适应参数之间的关系建立模糊推理知识库,采用形式简单、易于求解的模糊推导实时调整自适应参数,根据劳斯判据验证系统的稳定性。以牵引动力国家重点实验室正在研制的高速列车驾驶模拟器为研究对象,仿真结果表明,新算法形式简单、计算时间少,能保证系统稳定,而且可利用较小的运动空间得到更高的模拟逼真度。为体感模拟算法研究提供思路。     

一种新型轻量级语义分割网络的轨道及障碍物检测方法研究

针对当前常用的语义分割算法普遍存在无法同时兼顾分割精度与分割速度，以及因下采样带来分辨率损失所导致分割精度不佳的问题，提出一种可同时兼顾分割精度和分割速度的语义分割模型MBv2-DPPM。首先对MBv2网络的逆残差深度可分离卷积块进行修正，去除下采样以增强分割精度；其次在原始主干特征网络的最后4层加入级联空洞卷积，解决网络感受野不足的问题；然后提出一种融合双层金字塔池化多尺度复合结构，聚合图像浅层和深层上下文信息，解决由于交通场景复杂、干扰因素众多导致各物体边界混淆无法区分的问题；最后使用公共数据集和自建轨道数据集对算法进行验证。实验结果表明：与传统语义分割模型相比，在满足分割速度的条件下，本算法精度更高，且对于复杂交通场景效果更明显，MIoU指标可达87.09%,mAP指标达到90.42%,图片推理速度为66 ms/帧。     

基于改进Faster R-CNN的CRTSⅡ型轨道板裂缝检测方法

高速铁路无砟轨道伤损检测维修的准确率和时效性关乎高速铁路的运营安全，采用机器视觉技术进行高速铁路无砟轨道板裂缝伤损检测可极大提升检测工作的准确率和效率，为此根据CRTSⅡ型轨道板裂缝伤损样本数据特点，提出一种基于改进Faster R-CNN的方法对轨道板裂缝进行检测。该改进方法将检测问题转化为定位问题，精简网络模型，其主干网络选用残差网络，避免网络深度过深而导致学习速度下降；引入引导锚框，以减少冗余锚框，提高检测针对性；采用Soft-NMS算法，改善轨道板裂缝检测的重叠状况，提高裂缝检测效果。为评估该改进方法的可靠性，建立CRTSⅡ型轨道板裂缝检测评价标准，并依据该评价标准将改进方法与R-FCN,YOLO-v5,Faster R-CNN及YOLOx网络算法进行对比测试。结果表明：提出的改进方法综合表现优于其他算法，具有更高的准确率以及最小的漏检率，最佳模型查准率为95.9%，查全率为89.6%，相较于其他几种经典算法分别提高了约2%～4%和2%～6%，能够较好地应用于CRTSⅡ型轨道板裂缝检测场景。     

基于级联网络的钢轨顶面缺陷检测方法研究

长期的高速行驶会引起车辆振动，使钢轨顶面形成孔洞、擦伤和疤痕等各种缺陷，这些缺陷不仅会影响钢轨顶面的外观，还会对钢轨的性能和安全性产生长期不利影响。针对钢轨顶面缺陷类型多变、背景杂乱、对比度低、噪声干扰等因素影响，提出一种基于级联网络的钢轨顶面缺陷检测方法。利用图像垂直微分投影法分割出钢轨顶面区域，在此基础上使用级联网络对钢轨顶面上的疤痕缺陷进行检测。其中，为更好地优化缺陷特征细节，在特征提取阶段引入轻量级的卷积注意力机制模块；采用信道加权模块与残差解码器模块相结合的方式进行缺陷特征恢复；为得到边缘清晰的缺陷对象，在特征恢复之后设计了一个边界精细化网络结构。实验结果表明，该方法的平均绝对误差仅为0.001 2,AUC值达到0.993 5,单张图片平均检测速度仅为0.041 s,对于Ⅰ型和Ⅱ型钢轨顶面疤痕缺陷的检测精度分别达到98.6%和96.4%。利用该深度学习网络模型能较好地检测出钢轨顶面的疤痕缺陷，具有较高的工程实用价值。     

基于深度学习的铁路限界快速检测算法

列车行驶环境快速、可靠、精准感知是列车安全、高效运行的前提和关键支撑技术。列车若无法提前感知非法侵入铁路限界范围内的异物,并在短时间内有效制动,将会导致严重的安全事故。为解决列车运行环境内影响运行安全的异物侵限问题,基于深度学习算法,提出一种铁路轨道限界快速检测算法。该方法首先采用预设行锚框的方式对图像进行划分,将传统分割算法的逐像素预测,转变为对每个行锚框进行逐网格预测,以达到显著降低算法计算量,并提高检测速度的目的。同时,通过快速识别图像中属于轨道部分的像素,结合轨道线的连续特征进行追踪,达到铁路轨道坐标的智能快速识别。最后根据标准轨距下限界的定义,对识别出的轨道线坐标和侵限区域进行扩充,以确定铁路异物入侵限界的范围。通过在真实轨道数据集上的对比实验,验证所提算法能以172FPS的速度快速检测铁路限界,且轨道线和限界区域的识别精度分别达到98.96%和98.12%,F1值分别达到99.68%和98.95%,限界区域检测的平均交并比MIoU达到96.88%,各类指标均取得当前最好的准确率和性能,满足高速列车对环境感知精度和速度要求,可以为异物侵限检测、目标跟踪和列车控制等环境感知及运...     

基于计算机视觉的车载轨道巡检系统研制

基于计算机视觉的车载轨道巡检系统由图像数据采集、数据分析和信息管理3个子系统组成;采用线阵相机进行1.6mm等间距运动扫描,并运用多线程交互和虚拟内存映射技术实现运动状态下轨道图像数据的采集和存储;在分析轨道图像病害特征的基础上,运用主成分分析、线性判别分析和Adaboost等方法建立机器学习模型,实现对钢轨、扣件和道床3个区域病害的模式识别。应用验证表明:系统能够有效检出钢轨表面擦伤、扣件缺失和移位以及轨道板裂纹等病害,其中钢轨表面擦伤、扣件缺失的检出率达95%;能够代替传统的人工步行巡道,而且最高巡检速度可达160km.h-1。     

基于改进Radon变换的直线钢轨识别算法

针对传统Radon变换在直线轨道检测方面速度慢且不能从众多边缘直线中识别出钢轨,提出基于改进Radon变换的直线轨道识别算法。首先,通过阈值筛选的边缘点;其次,利用先验知识,建立极角约束域;然后通过Radon变换提取所有直线,再利用直线角度差和直线平均距离筛选出钢轨边缘直线;最后将本文算法与传统Hough变换算法和传统Radon变换算法的比较,实验结果显示本文算法能精准识别出钢轨,且速度更快。     

基于L1范式优化透射率和饱和度补偿的去雾方法

雾霾天气下捕获的图像存在低饱和度与色调偏移等现象,传统的暗通道先验去雾算法在处理有雾图像时各有不足。为此,提出一种基于L1范式优化透射率和饱和度补偿的图像去雾方法。首先,利用交叉双边滤波器对大气光值进行区间估计,并通过引导滤波方法获得介质传输率的粗略估计;然后,利用Kirsch与Laplacian算子构成的一组高阶滤波器对透射率进行处理,同时通过L1范式对目标函数进行优化,从而得到优化后的透射率;最后,根据饱和度补偿与色调调整对图像进行细节处理,获得无雾的清晰图像。根据提出的模型对单幅图像进行去雾处理,并分析该方法的效率与误差。实验表明,该方法处理的图像具有最佳的视觉效果,相比于其他方法,图像边缘细节信息明显,且具有较快的运算速度;采用饱和度补偿与色调调整可以在避免颜色畸变的同时获得高饱和度与高对比度的复原图像,鲁棒性较好。     

基于图像分割的金字塔Lucas-Kanade光流法提取深度信息

在2D到3D视频的转换过程中,深度信息的提取是最关键的问题。本文利用图像分割的金字塔LucasKanade光流法提取2D视频中的深度信息,主要做了如下工作:1是通过计算当前帧的最大运动矢量来决定所需构建的金字塔层数,通过自适应的方式决定金字塔层数可以弥补因金字塔层数过多造成的信息丢失或者因金字塔层数过少而无法满足Lucas-Kanade光流算法的不足;2是在每层金字塔中,利用Mean Shift图像分割后的信息,去除本次迭代计算得到的运动矢量中的坏点,使得深度提取更加准确;3是自适应地调整每层金字塔的迭代次数,使得在实验结果的质量几乎不变的情况下,达到降低时间复杂度的目的;最后通过统计图像分割每类中的深度值对所得到的深度图进行优化,使得最终得到的深度图中物体边缘信息更加清晰。实验结果表明,利用本文算法所得到的场景深度的边缘信息更加清晰,深度图中的坏点明显减少,在降低时间复杂度的同时,得到了较高质量的深度图。     

TSK模糊模型的GA—BP混合学习方法

针对TSK模糊模型的学习是多约束和多目标优化问题,提出一种基于GA—BP的TSK模糊模型学习方法。论述了所涉及的相关问题,包括模型结构的种群编码、进化策略及其适应值评估策略,推导了在进化过程中模糊模型前件和后件参数的BP算法。仿真结果表明：该方法具有先验知识要求少、获取的模型具有较好的精确性和简洁性等特点。     

TSK模糊模型的GA-BP混合学习方法

针对TSK模糊模型的学习是多约束和多目标优化问题,提出一种基于GA-BP的TSK模糊模型学习方法。论述了所涉及的相关问题,包括模型结构的种群编码、进化策略及其适应值评估策略,推导了在进化过程中模糊模型前件和后件参数的BP算法。仿真结果表明:该方法具有先验知识要求少、获取的模型具有较好的精确性和简洁性等特点。     

基于残差增强门控循环神经网络的交通流量预测技术研究

随着近年来智慧城市轨道交通的快速发展和普遍应用,交通流量预测成为智慧城市轨道交通的关键性问题,对及时掌握交通状况、进行合理的资源配置和人力部署起着重要作用。文章以实现大规模交通网络的交通流量准确预测为目标,研究并设计一种基于残差增强门控循环单元的深度学习网络模型。在基本门控循环单元的基础上,引入残差连接思想,通过在门控循环单元的迭代回路之间增加线性连接,捕获数据中的长期时间依赖关系,同时克服循环神经网络在进行长期时间序列预测中的梯度消失或梯度爆炸问题。使用4个在真实交通网络中采集的大规模交通数据集对所提算法进行测试,分别从定量和定性的角度比较并验证所提算法的有效性。实验结果表明该算法能够使用前1h的历史数据、对大规模交通网络中各交通枢纽节点未来1h的交通状况进行较准确的交通流量预测,证明使用残差增强门控循环网络进行交通流量智能预测的可行性和准确性,为城市轨道交通智能运营管理的实现提供有力支撑。