基于轻量卷积神经网络的高速铁路隧道表面病害筛选算法

随着急剧增加的高速铁路隧道检测需求,基于计算机视觉的高速铁路隧道病害识别和健康检测是国内外的新趋势.然而,高速铁路隧道结构表面图像大多数是无病害图像(占比90％以上),剔除大量无病害图像而只保存有病害图像,可以大幅减少图像存贮量和降低高速海量存贮对硬件要求.为此,提出一种基于深度卷积神经网络的隧道表面病害筛选算法,以推...     

基于深度卷积神经网络的钢材微观组织分类识别

通过引入多种深度卷积神经网络及分类器构建机器学习模型,对钢材金相图数据集进行学习,研究了一种能够准确、高效识别钢材微观组织的方法。研究结果表明,文章中所涉及的3种深度卷积神经网络在钢材微观组织的分类识别上均表现出优异性能,其中Inception-V3表现尤为突出,其与人工神经网络分类器组合而成的机器学习模型的分类精度可达99.60%。     

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。     

基于卷积神经网络的列控车载设备故障分类研究

列控车载设备故障复杂且车载记录数据为海量非结构化文本,针对车载记录数据特点,提出基于卷积神经网络的车载设备故障智能分类模型.使用CBOW模型实现车载记录数据的文本分布式表示;为提高网络的泛化性,加快网络收敛,利用加入批归一化处理的卷积神经网络实现故障分类;考虑到不平衡、难分样本对分类效果的影响,通过SMOTE算法随机生...     

基于改进卷积神经网络的无绝缘轨道电路调谐区故障诊断

针对现有故障诊断中忽略调谐区故障对列车安全影响的问题,建立分路状态下机车信号电压模型,获取调谐区正常状态及不同故障状态的机车信号电压;并考虑补偿电容故障、不同道砟电阻等对机车信号电压的影响,对现有数据库进行扩充,得到调谐区故障数据集。在此基础上,采用卷积神经网络(CNN,Convolutional Neural Networks)实现调谐区的故障诊断,特征提取通过CNN中卷积层实现,并对比不同卷积层参数下诊断准确率及训练时间,选择当前条件下相对最优的卷积层参数;采用dropout函数避免训练中出现过拟合现象,并通过CNN中第2全连接层实现故障分类。针对人为构建数据集时数据标签错误的问题,通过构建标签错误数据集的方式,减小错误标签数据对训练过程的影响。测试结果表明:当信噪比为40 dB时,测试集的准确率为97.92%,即在噪声环境下,该诊断方式仍然有效。     

基于3D卷积神经网络的高铁轨道质量指数预测方法

轨道质量指数（TQI,Track Quality Index）是反映高铁整体线路质量状态的重要指标,分析TQI数据的变化规律能够对高铁线路养护维修提供重要指导和参考依据。为提高TQI数据预测的准确性,提出了一种多项特征数据的3D卷积神经网络模型,分析了TQI数据特征,抽取时间、空间、检测项数据并形成三维特征数据集,基于3D卷积神经网络算法,构建8层TQI预测模型,并从初始化参数、学习速率、激活函数、损失函数、Dropout方法等角度对模型进行优化,并利用某高铁线检测数据进行试验验证。结果表明,3D卷积神经网络模型可较好的预测高铁线路状态变化趋势,且对比于BP神经网络和2D卷积神经网络方法,平均绝对误差分别降低了41.48%、26.32%,均方差分别降低了65.42%、39.93%,证明了该方法的准确性与有效性,对于预测TQI与制定高铁线路养护维修计划具有实用价值。     

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。     

基于机器视觉和卷积神经网络的轨道表面缺陷检测方法

为提高轨道表面缺陷查准率、召回率和检测效率,采用形态学滤波与概率霍夫变换算法剔除原始图像噪声,实现对轨道表面缺陷的快速准确识别;顺次应用阈值法和离散法得到轨道的真正边缘定位,解决Canny算子在提取轨道边缘时产生大量伪边缘的问题;构建能兼顾召回率和查准率的改进交叉熵损失函数,基于卷积神经网络进行特征提取,建立高效的轨道...     

基于卷积神经网络的列车位置指纹定位算法研究

针对高速铁路隧道环境下采用位置指纹定位时定位精度低的问题,提出将深度卷积神经网络应用于列车位置指纹的定位中。首先采用2σ准则、模糊C均值聚类FCM及类数据加权,对采集到的下一代铁路通信系统LTE-R中的信号强度值进行预处理,降低异常值的影响,提高指纹数据的有效性;然后引入定时提前量,增强指纹特征值;接着将处理后的指纹数据量转换为灰度图片指纹条,基于图像样本建立FCM-CNN指纹定位模型;最后以现场实测数据为基础对定位模型进行测试验证。结果表明,相较于采用未经处理的数据作为样本的CNN模型及传统的位置指纹定位方法,基于FCM-CNN的列车位置指纹定位方法,提高了数据质量,在离线阶段具有较大的指纹采集间距,大幅减少了指纹采集工作量,模型训练时间较短,定位精度小于10 m的概率可达100%,满足列车在中密度线路对定位精度的要求。     

基于代价敏感卷积神经网络的扣件缺陷检测算法

为解决扣件数据集不平衡问题,引入代价敏感策略对卷积神经网络算法进行改进,并以此检测断裂、丢失的缺陷扣件。该算法借鉴AdaBoost算法的思路,在训练过程中对整体误差函数中每个样本分配不同的权重,并依据先前模型的错误率不断地加以调整,使算法关注各个类别中的难学习样本,并对调整后的权重按类别进行归一化处理,以增大小类样本的关注度。分别在高速铁路无砟轨道和普速铁路有砟轨道2个扣件数据集上进行对照试验验证算法的有效性。引入G-mean作为评价指标平衡不同类别的召回率。结果表明:将改进后算法应用于高速铁路无砟和普速铁路有砟轨道的扣件数据集,改进后算法的G-mean值比原算法分别提高10%和25%以上;比传统的扣件识别方法分别提高13%和39%以上。     

基于卷积神经网络的接触网支柱号识别方法研究

接触网支柱号是铁路供电部门现场运营维护的重要定位参数。基于卷积神经网络的接触网支柱号自动识别方法结合接触网图像的实际特点,对视频图像进行了归一化图像预处理,并对实际的支柱图片进行了卷积神经网络的训练,在支柱号识别确定的过程中考虑了接触网支柱号的分布特点,提高了支柱号识别的准确性。利用实际线路数据进行测试,取得了较好的识别精度和较快的识别速度。通过实验验证,该方法能够辅助铁路基础设施检测系统中缺陷的定位,指导现场运营维修。     

基于卷积神经网络的列车实时客流检测算法

城市轨道交通作为城市公共交通系统的主体,在缓解交通出行压力、促进城市发展中具有十分重要的作用。科学精准的测算列车实时客流,对改善城市轨道交通客运服务水平,发展低碳、环保的绿色出行模式具有重大意义。为此,提出基于卷积神经网络的城市轨道交通列车实时客流检测算法,实现列车监控视频视野内乘客数量的实时检测。基于成都地铁1号线车载监控视频建立列车客流图像数据集,以剔除全连接层的VGG-16网络作为算法基础框架,提取输入图像的边缘、角点等浅层细节特征;将多尺度卷积层和膨胀卷积结构融合构建乘客多尺度特征感知模块,在保持图像分辨率的同时,通过不同的感受野增强尺度上下文信息的提取性能,提升网络对乘客尺度变化的鲁棒性;构建特征融合网络将网络浅层提取的细节特征与上采样后的深层语义特征嵌入融合,提升小尺度乘客目标的计数精度和特征图的信息丰富度。实验结果表明：所提算法在城市轨道交通列车场景下的检测精度得到显著提升,平均绝对误差、均方误差以及平均绝对百分比误差指标分别达到了1.1%,1.8%和5.4%,同时单张图像检测速率低于60 ms,能够满足列车客流检测的实时性需求;且算法在2个标准人群数据集Shanghai...     

基于RBF神经网络的在线分类挖掘系统

模式分类是RBF神经网络应用的一个重要方面.在线环境中数据集是经常变动的,采用批量式学习算法(如OLS算法)训练RBF网络会产生大量的重复训练,从而导致学习效率不高.为弥补这种不足,从梯度下降方法推导出一种增量式学习算法,用于在线环境中的RBF神经网络训练.最后将基此算法构建的在线分类系统用于IRIS分类问题.结果表明,该算法有较快的收敛速度,网络的在线分类性能良好.     

基于卷积神经网络的铁路曲线特征点检测算法

针对现役轨道检测系统中曲线特征点检测算法参数难以适应实际线路中曲线半径范围较大,以及由于参数设置不当导致检测的曲线特征点位置与实际位置偏差较大的问题,结合机器学习算法,提出了一种基于卷积神经网络的曲线特征点检测算法.该卷积神经网络模型可以同时对曲线的特征点进行分类和定位,将一段连续的超高数据归一化处理后作为输入数据,计...     

ST型防松螺母的研究与应用

本文从分析螺蚊连接件螺母动的机理入手，认为松动的主要原因是横向动载荷作用和由此引起螺纹副的横向振动，分析了常用防松方法的原理，着重介绍了ＳＴ２型防松螺母采用的减小以及消除螺纹副径向间隙的防松方法，指出影响ＳＴ２螺母防松性能的几个因素，对螺纹连接件的紧固方式也提出了建议。     

一种基于神经网络的分类系统

本文研究一种基于神经网络的分类系统，该系统采用传统模式识别与神经网络结合的方法，即在特征提取选择的基础上，用神经网络分类器进行分类识别。本文还针对ＢＰ算法易陷于局部极小的缺陷，提出了模拟退火法和ＢＰ的组合算法。将此分类系统用于脑干听觉诱发电位识别，其分类性能大大优于最近邻分类器。     

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。     

基于卷积神经网络的航拍视频轨道异物检测方法

针对无人机航拍视频轨道异物检测存在动态背景及异物类型多样等问题,提出了一种基于CNN(卷积神经网络)的航拍视频轨道异物检测方法：对航拍单帧图像采用Canny边缘检测、概率Hough变换、线段筛选等确定轨道区域;采用改进的MobileNet CNN模型对轨道区域图像进行单帧图像异物检测分类;利用视频的帧间相关性优化单帧检测结果,得到最终的视频轨道异物检测结果;并采用自建的实拍轨道区域图像数据集进行试验。结果表明,该方法适用于航拍视频中存在多种类型异物的情况,并能实现有效检测。     

紧固件防松性能的对比分析

通过紧固件横向振动试验对轨道车辆行业常用的几种防松紧固件防松性能进行对比分析,对防松紧固件的选型提供了参考意见。