基于深度学习的地铁列车走行部关键部件温度检测系统

地铁列车走行部的良好运行状态是列车安全运行的保障。针对其关键部件发热故障的检测问题,研发了基于深度学习的地铁列车走行部关键部件温度检测系统。该系统采用红外热像仪获取走行部热成像图,引入注意力机制模块和CIoU损失函数,改进YOLOv5目标检测模型,识别、定位出关键部件;对关键部件图像进行灰度化处理和自适应阈值分割等操作,提取温度。基于实验室的Pytorch深度学习平台,在南京地铁运营公司马群车辆段对所研发的系统进行实验。实验结果表明,该系统可以获取走行部热成像图,准确定位关键部件并提取其温度信息。     

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...     

基于迁移学习的铁路扣件缺陷形态检测算法研究

铁路扣件对保障铁路运输安全尤为重要,为了实现对铁路扣件缺陷形态快速准确地检测,提出一种基于DenseNet201的深度迁移学习扣件检测方法。该方法通过研制设计的数据采集平台多手段获取WJ-8型扣件包含扣件正常、扣件弹条偏移、扣件弹条丢失、扣件丢失在内的4种不同缺陷形态数据图像,构建铁路扣件缺陷形态专有数据集。采用Retinex算法对获取到的数据图片进行去雾降噪处理以提高其质量。结合迁移学习的思想,引入原网络在ImageNet公共数据集上习得的权重,并对其卷积神经网络结构进行重组改进。此外,嵌入Grad-CAM 技术对模型最后一层卷积输出的特征作映射处理,以探寻模型特征提取注意力分布。最后基于pytorch深度学习框架开展实验,在相同条件下与5种经典的深度学习网络模型VGG16,VGG19,ResNet50,AlexNet和GoogLeNet进行对比实验验证。研究结果表明：在真实铁路环境工况下,改进的DenseNet201深度迁移学习模型感受野主要集中在扣件区间内,有效检出率达98.1%,且对于不同工况下的各类型扣件,模型表现出较强的鲁棒性和泛化性能,相比于其他5种经典的深度学习网络模型检测精度和准确率更高。该方法能适用于实际铁路扣件不同缺陷形态的快速检测,具有一定的实用价值,可为后续相关研究提供技术参考和理论支撑。     

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FasterR-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。     

基于深度学习的铁路异物侵限快速检测方法

针对列车运行环境内因意外突发事件所造成的异物侵限而影响列车安全运行的问题,在被广泛应用于工业领域的YOLOv3目标检测模型的基础之上,提出一种融合轨道限界和侵限异物识别的快速检测方法.首先,以ResNet-18网络作为铁路限界检测的主干网络,利用辅助检测模块提升限界检测精度,达到特征提取速度快,语义信息丰富充足等目标.同时采用基于行锚框的分割算法检测轨道线坐标位置,结合标准轨距下的限界定义确定铁路异物入侵限界的范围,以减少侵限异物检测的区域.其次,设计基于Octave卷积的层内多尺度残差模块,将单通道卷积变为基于图像频率的双通道卷积,以降低卷积计算量,进一步提升异物侵限算法的检测速度.最后,引入空间金字塔模块和特征自适应融合模块,实现高、低级语义信息交换,从而增加网络对不同尺度目标的感知能力,并减少语义冲突问题.通过对比实验验证异物侵限检测算法的精度、速度和有效性.实验结果表明,所述方法能以172帧/s的速度对轨道位置和限界区域进行检测,精确度达98.12％.与其他算法相比,在大中小3种目标尺度上都超越了其他对比算法.所提出的融合轨道限界和侵限异物检测的方法,在保证精度的前提下,速度达到YOLOv3算法的2倍,能够满足列车对侵限异物的实时检测需求.     

基于深度学习的铁路列车关键零部件图像故障检测

提出一种基于深度学习中卷积神经网络的列车关键零部件图像故障视觉检测算法。首先,引入故障区域复合提议网络和一组先验包围盒来生成高质量的故障区域;然后,采用线性非极大值抑制算法来保留最合适的故障区域并去除冗余;最后,结合故障区域复合提议网络,提出一种多尺度故障检测网络来进行故障区域分类和精确检测。本文将提出的算法在多个典型列车故障的数据库中进行实验,结果表明,本算法检测精度高,检测速度为每张图像0.246 s,检测性能明显优于现有的最先进的方法,能更好地应用于实际工程中。     

基于深度学习的高铁接触网顶紧螺栓的缺陷检测

针对高铁接触网顶紧螺栓目标小、缺陷检测困难的问题,提出一种基于深度学习的顶紧螺栓缺陷检测方法。根据4C检测车拍摄的高铁接触网图片(大小为6 600*4 400 pixels),首先对特征信息更多的斜撑套筒进行定位,采用TDM模块与SSD相结合的算法提升算法对小目标的检测精度,并通过改变默认框的尺寸以得到更好的检测精度和速度;然后利用DeepLabv3plus算法对顶紧螺栓部分进行语义分割;最后提出一种阈值法对顶紧螺栓的缺陷情况进行判别。为满足实际工程的速度需求,对训练好的模型进行优化。实验结果表明:相较于经典的SSD,本文改进的SSD方法对斜撑套筒的定位精度和速度都有提升;对于6600*4400pixels的原始样本,本文提出的顶紧螺栓缺陷检测方法精度上达到95.9%,速度达到17.9 fps。     

基于深度学习法的地铁隧道衬砌缺陷智能检测系统

[目的]地铁隧道内壁缺陷主要以裂纹和渗漏水为主,目前以人工和半自动化设备为主的检测方式存在强度大、效率低、可靠度不高等问题.应研究基于智能的检测识别算法及检测系统,以实现地铁隧道衬砌缺陷检测的信息化及智能化.[方法]分析了地铁隧道缺陷巡检技术现状,提出了 一套适用于地铁隧道衬砌缺陷的识别算法,主要包括图像处理算法、缺陷分类检测算法及缺陷分级检测算法等,并选用了 4个指标,用以评估该识别算法的检测效果.进一步从软件和硬件2个方面,建立了基于深度学习法的地铁隧道衬砌缺陷智能检测系统.最后将该系统应用于北京地铁3条线路上,分析其现场应用的可靠性.[结果及结论]应用该智能检测系统后,地铁隧道衬砌裂纹缺陷的检测率为91.95％,误检率为0.89％;渗漏水缺陷的检测率为93.83％,误检率为0.65％.该系统可作为地铁隧道智能化检测的核心平台,对地铁隧道各种缺陷进行有效检测.     

基于深度学习的铁路辅助巡检系统

针对人工巡检方式错漏多、强度大、成本高的问题,设计基于深度学习和虚拟现实（VR）远程控制技术的铁路辅助巡检系统。该巡检系统结合开源数据集和定制数据集,采用深度学习算法,能可靠地识别异物位置与类别;采用服务器推流技术与终端进行数据交互,实现对远程设备的控制;客户段端采用VR+手机App技术,达到沉浸式视觉效果。多次实际测试结果表明:该系统实用性强,经济性好,准确率高,为铁路部门巡检体系提供良好的借鉴方案。     

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。     

基于深度学习的车站旅客密度检测研究

车站旅客密度是智能客运车站的重要基础信息。首先阐述模式识别、深度卷积神经网络、实时检测算法在图像检测领域的发展历程,并重点分析Faster-RCNN算法和SSD算法的原理;然后定义车站旅客密度检测评价指标,并对VOC数据集下训练的模型进行试验测试;最后构建车站行人数据集,用Faster-RCNN算法训练模型,模型在低密度场景和高密度场景的检测准确率分别为88%和85%。结果表明:公开数据集VOC下训练的模型无法直接用于车站旅客密度检测,基于车站行人数据集和Faster-RCNN算法训练的模型可满足现场需求。     

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FasterR-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、FastR-CNN网络训练以及对RPN和FastR-CNN的联合训练,建立了适合鸟窝检测的FasterR-CNN模型,实现对鸟窝的检测。经试验,FasterR-CNN的准确率为88.5%,每张图片的识别速度为79ms,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。     

基于深度学习的司机疲劳驾驶检测方法研究

针对传统基于机器视觉的司机疲劳检测模型对硬件系统要求较高、检测准确率和效率较低等问题,提出一种基于MTCNN-PFLD-LSTM深度学习模型的疲劳驾驶检测算法.通过多任务卷积神经网络MTCNN进行人脸区域检测;利用PFLD模型检测人脸眼部、嘴部和头部的关键点及空间姿态角;计算出基于时间序列的人脸疲劳特征参数矩阵并输入长...     

基于级联滤波器深度学习的铁路安检人脸识别与验证研究

使用传统的全联通卷积神经网络（CNN）进行人脸识别和验证存在测试时间长、识别率低的问题。通过在铁路安检中使用多层（非线性）级联滤波器进行全向的抗噪声人脸识别与验证,提出一种基于级联滤波器深度学习的人脸识别和验证方法。与使用优化的全联通CNN相比,级联滤波器应用非线性阈值函数能有效提高滤波识别准确率和缩短识别时间。实验结果表明,这种结构可以级联以形成多层级联滤波器,平均识别率优于全联通CNN 8%以上,并在识别效率上提高3倍以上。最后,给出两层级联滤波器在人脸识别和验证中的性能,为铁路安检中的身份验证提供了理论支持。     

基于并行多任务深度学习的铁路主要技术标准优选

铁路主要技术标准是铁路全生命周期最重要的先决技术决策之一。传统的基于经验驱动的决策方法工作量大、周期长、严重依赖设计者的经验水平、可能遗漏有价值的方案。而主要技术标准优选的关键在于揭示多维环境因素与主要技术标准值之间的潜在映射关系。受深度学习在规律特征识别方面成功应用的启发,提出基于并行多任务深度学习的铁路主要技术标准优选方法：将影响技术标准决策的多维环境因素为输入,主要技术标准值为输出,构建深度学习模型发掘规律;提出将地形转换为图像,再卷积提取特征,并与运量、路网中的作用等数据融合的方法,解决多模态混合输入学习样本的生成难题;针对各标准之间相互关联问题,建立了适于主要技术标准优选的多任务神经网络结构,并通过大量实验,确定了卷积层、卷积核、全连接层等主要结构参数。经5 736 km既有线路实例验证,主要技术标准决策的平均准确率可达88%以上。     

基于深度学习的弓网异常状态在线检测研究

弓网系统作为电力机车的关键供能系统,其运行状态直接决定了电力机车的受流质量,影响列车运行的安全和效率。为了解决传统弓网检测方法效率低、实时性差等问题,文章设计了一种基于深度学习的弓网状态在线检测系统方案,采用英伟达（NVIDIA）的XavierSoC模块进行图像处理,通过YOLOv4实现弓网检测并添加自适应图像增强模块,优化前后目标检测的mAP分别为0.950和0.961（IOU阈值为0.5）;实现基于ViT轻量级注意力模型的吊弦状态分类,平均准确率为97.69%;使用NVIDIA的推理加速器TensorRT加速后,检测模型和分类模型的推理时间分别为31.0ms和2.2ms。系统具有较高的鲁棒性与实用性,可为后续弓网异常在线检测功能拓展提供理论依据和设计参考。     

基于线阵相机扫描的地铁车顶关键部件检测研究

文章提出了基于线阵相机扫描的状态监测方法,采用3台线阵相机对车顶图像进行扫描,根据实时采集的车速信息对图像矫正后拼接成全局图,利用HOUGH不规则形状检测实现对关键部件进行定位,再针对不同部件使用不同算法分析当前状态与历史状态的差异,重点对受电弓滑板和绝缘瓷瓶进行了算法分析,结果表明,可以较好地实现异常状态的判定。     

基于铁路5C装置的受电弓滑板缺陷智能检测技术

受电弓的异常状态是对高速铁路运营安全影响较大且备受关注的问题.基于计算机视觉的受电弓滑板缺陷智能检测技术,结合改进的YOLOv4模型与边缘提取等传统图像处理算法,研究适用于受电弓滑板监测装置(5C)的缺陷智能识别模型.铁路现场试验证明该智能识别模型在受电弓滑板缺陷检测中的有效性和实时性.     

基于深度学习的钢轨伤损超声检测与分类

钢轨内部伤损的实时检测与治理将有效地降低事故发生的风险.人工物探方法费时费力;超声检测技术能够实时地探查钢轨的内部状态,但伤损的辨识仍依赖于人工或图像处理技术逐个手动处理,易漏检或错检.提出一种新的基于深度学习的钢轨内部伤损超声检测数据后处理方法以实现伤损识别和分类的自动化,并从数据,方法和干扰因素三个方面对分类效果进...     

基于深度学习的智轨信号灯检测和识别方法

智轨电车作为中车株洲电力机车研究所有限公司自主研发的智能轨道快运系统(简称\"智轨\"),其交通信号灯的检测与识别是提升智轨自动驾驶系统安全性的关键技术.智轨交通信号灯除了少部分通用信号灯,绝大多数为定制信号灯,而目前已有的信号灯检测与识别方法无法满足智轨自动驾驶环境下的检测要求.因此,文章利用深度学习算法对智轨信号灯检测与识别开展了相关研究工作,首先,通过高精度地图信息确定信号灯的RoI(Region of Interest)区域,缩小对智轨信号灯检测的范围,提升检测速度;其次,采用改进的YOLOV5s网络对RoI区域进行特征提取,检测出智轨交通信号灯;最后,对提取的交通信号灯图片采用MobileNetV2轻量级网络进行识别分类,确定信号灯的具体类别.为进一步增强模型的泛化性能,在信号灯检测之前增加了图像诊断算法,针对曝光、逆光等复杂环境及时提示预警,同时保存这些非正常数据,用于信号灯的检测与分类模型训练,进一步优化模型.试验结果表明,文章提出的方法对于智轨信号灯的检测与识别取得较好效果,白天在指定道路上平均精度均值达到84.76%,且实时性能良好.