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。     

基于深度学习的接触网鸟巢异物识别研究

随着中国高速铁路里程的迅速增长,接触网安全稳定运营面临巨大压力,对其进行视频监控具有重要意义.针对影响电气化铁路接触网正常工作的鸟巢异物进行研究,提出一种基于深度学习的鸟巢异物检测方法,首先利用最邻近插值法进行图像缩放,然后采用双边滤波算法对图像进行去噪,进而用直方图均衡化算法进行图像增强.通过将YOLO v3与Fas...     

基于集成策略的接触网区域鸟窝智能识别方法

针对接触网区域鸟窝智能检测问题,本文提出基于检测模型融合及粗检测与精确识别相结合的智能识别方法.针对实际场景中接触网成像状况复杂的情况,分别利用YOLO-v5s和YOLO-v5l模型对接触网区域鸟窝进行检测,然后融合两个模型的检测结果,并使用Inception v4模型对融合后的结果进行精确识别.实验表明,检测模型融合后,在测试集上获得了较高的准确率和的召回率,通过Inception v4模型进行精确识别,识别性能得到进一步提升.本文所述方法有效实现了接触网区域鸟窝的智能检测,对于研发具有实用意义的接触网区域鸟窝智能识别系统具有重要意义.     

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Faster R-CNN的人脸识别算法研究

人脸识别技术是身份认证的重要方式。旨在设计算法识别身份证人像与待检人像是否为同一旅客。使用卷积神经网络进行人脸识别算法的研究。使用检测人脸后计算人脸特征间欧式距离的方式进行算法设计,最终达到95%的正确率。结果表明, Faster R-CNN算法能较精准地检测人脸, VGG-Net可以较好地提取人脸特征值。     

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...     

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。     

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YOLOv5的铁路接触网异物检测模型初步研究

接触网上附着的异物是影响铁路列车运行安全的一大隐患,在开行列车前需要检查接触网上是否有异物附着。目前,接触网异物检测主要依靠人工巡检,工作效率低,人力物力消耗大。文章通过建模实验,初步探讨利用基于深度学习的目标检测技术实现铁路接触网异物检测的可行性;构建了3种接触网异物检测模型：YOLO(YouOnlyLookOnce) v5模型、 YOLOv5+坐标注意力（CA,Coordinate Attention）改进模型和YOLOv5+ConvNext Block改进模型,利用包含鸟窝和轻质异物两种常见异物的接触网图像数据集,对这3种模型进行实验分析。实验结果表明,相比YOLOv5算法,对于检测鸟窝和轻质异物两种常见的接触网异物,YOLOv5+CA改进模型和YOLOv5+ConvNext Block改进模型具有更好的效果,且YOLOv5+ConvNext Block改进模型检测小尺寸目标的能力更强。     

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。     

基于深度残差神经网络的地铁站台门与列车门间异物自动检测方法研究

针对地铁站台门与列车门间现有异物检测方法的精度差、误报率高的问题,提出基于深度残差神经网络图像识别原理,利用地铁站台发车指示器图像数据实现站台门与列车门间异物实时检测.首先,搭建基于深度残差神经网络ResNet50模型的自动异物检测系统;然后,采集站台发车指示器视频帧信息建立数据集并完成系统训练;最后,分析自动异物检测...     

不同列车运行速度下架空刚性接触网跨距的选择

架空刚性接触网是城市轨道交通常用的接触网方案,其跨距选择对弓网系统受流质量影响较大,因而选择与列车运行速度相匹配的接触网跨距相当重要.考虑弓网系统受流质量影响因素,从刚性接触网波动传播速度及接触网系统整体不平顺度等方面,分析了接触网跨距与列车运行速度的匹配关系,从而得出与列车运行速度匹配的刚性接触网跨距布置原则的建议方...     

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。     

基于改进NARX神经网络的接触线表面不平顺与弓网接触力关联分析方法

建立弓网耦合动力学模型,采用软件MATLAB的Simulink模块对该模型进行动态仿真,获取接触线表面不平顺和弓网接触力数据;对接触线表面不平顺和弓网接触力数据进行归—化处理后,分别作为非线性自回归(NARX)神经网络的输入和输出;对传统的贝叶斯正则化算法进行改进,并采用改进的贝叶斯正则化算法进行NARX神经网络权值修正,得到改进的NARX(NARX-IR)神经网络方法;利用NARX-IR神经网络方法进行接触线表面不平顺与弓网接触力的关联分析.采用根均方误差和相关系数,对基于LM算法的BP(BP-LM)神经网络方法、基于传统贝叶斯正则化算法的NARX(NARX-BR)神经网络方法和NARX-IR神经网络方法进行性能评价.结果表明:BP-LM神经网络方法难以描述接触线表面不平顺与弓网接触力的复杂关联关系;不论在训练还是预测中,NARXIR神经网络方法的根均方误差均小于NARX-BR神经网络方法,而相关系数则大于NARX-BR神经网络方法.由此可推断:NARX-IR神经网络方法更适合于分析接触线表面不平顺与弓网接触力的关联关系.     

牵引供电刚性悬挂接触网系统的研究和实践

对近年国内研制并试运行的隧道内刚性悬挂接触网的构成和施工技术进行了详细的介绍,分析总结了该系统的优缺点和应用前景。     

接触网承力索磨损的措施研究

研究目的:研究电气化铁道接触网承力索特别是铝包钢、铜或铜合金承力索在运行中引起磨损,甚至发生断股、断线事故的原因及预防措施。研究方法:通过对接触网承力索的现状和主要防磨损措施的研究来进行分析。研究结果:提出了防止承力索磨损的主要技术措施:采用单根铁线连续绑扎、匹配悬吊滑轮与承力索表面硬度、采用辅助绳悬挂承力索及采用承力索预型保护条。研究结论:道岔柱应采用双腕臂结构、特殊设计来避免承力索间相互碰磨、改善承力索悬挂结构及使用承力索预型保护条。采用承力索预型保护条是解决承力索磨损的有效技术措施。     

基于神经网络RBF的接触网可靠性分析

将人工神经网络理论和JC算法与有限元分析相结合应用于铁路接触网系统可靠性研究(简称为FE-RBF-JC法),建立了腕臂系统可靠度计算的数学模型,利用有限元计算方法得到一组结构的基本输入变量及输出的响应数据,采用径向基神经网络RBF进行训练的基础上建立结构的输入-输出函数关系,在该模型上,用JC方法进行腕臂系统可靠度仿真计算。研究表明,该方法精度高、简便易行,为复杂的铁路系统可靠性研究提供了一条新的途径。     

交叉线岔弓网故障分析

交叉线岔是弓网故障易发处所,从线岔安装及调整、始触区异常、受电弓运用等方面阐述交叉线岔发生弓网故障的原因,分析其后果,提出防止交叉线岔发生弓网故障的预防措施,为日常检修、运行及施工提供有益的参考。     

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%。