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。     

基于光照不变正则约束的稳健性桥梁病害识别

桥梁表观病害识别是桥梁运营养护的关键技术之一。近年来,卷积神经网络(Convolutional Neural Networks,CNN)被广泛应用于桥梁表观病害识别。然而在光照不足条件下,卷积神经网络对于桥梁表观病害识别的稳健性通常不足。针对上述问题,提出一种基于光照不变正则约束的稳健性桥梁病害识别方法。该方法利用不变正则约束,同时约束CNN的特征提取模块和分类器模块,实现光照不足条件下的不变特征学习和分类器学习,进而增强CNN模型对于桥梁病害识别的光照稳健性。运用该方法基于桥梁表观病害数据集进行实验验证。实验结果表明：所提方法在光照不足条件下的桥梁病害的平均识别准确率高于对比方法;该方法在正常光照图像和光照变化图像上提取的特征矢量的欧氏距离为7.57,较对比方法提取的特征矢量具有更高的相似度。基于光照不变正则约束的稳健性桥梁病害识别方法在光照不足条件下提取的特征具有较强的不变特性,使得模型具有较强的病害识别稳健性,具有良好的工程应用价值,能够为桥梁的运营养护提供更准确的决策支持。     

铁路桥梁裂缝位置识别与目标检测方法探讨

裂缝是铁路混凝土桥梁累积性破损的早期表现形式。由于裂缝形态的非线性和桥梁结构所处环境的多样性,依靠人工作业的桥梁裂缝检测存在耗时长、主观性大、检测精度不高等问题,已无法满足桥梁状态诊断的需求。传统的裂缝图像处理方法过于依赖算法设计者的经验,易导致检测精度不高。针对上述问题,提出一种基于Detectron平台的目标检测模型,利用模型中卷积神经网络(CNN)对输入图像的光线、扭曲旋转、大小变化等高度适应的优点,从大量裂缝图像中学习裂缝特征,实现对桥梁裂缝位置的识别。采用图像分割法建立图像训练集、验证集及测试集,用特征标定工具为数据集作裂缝位置标签,创建由4个卷积层(Conv),4个池化层(Max-pooling)和1个全连接层(FC)共922,368个参数组成的卷积神经网络(CNN),并将学习率调整为0. 001。验证及测试表明,所提出的基于Detectron平台的目标检测模型在数据多次迭代后具有良好的裂缝位置识别精度。用于模型学习的训练集与验证集上,识别精度最优值分别为92. 64%和88. 98%,未被模型学习的测试集上,识别精度最优值为90. 43%。最后,通过与传统图像处理识别技术的对比分析,阐明模型在特征识别上的优劣性。     

隧道围岩分级特征智能识别及可视化研究

准确、快速获取隧道围岩级别对工程设计、施工及运营意义重大。结合多个四川高速公路隧道项目,共采集7 000余张隧道掌子面图像,并利用数据增广方法将数据集扩充至20 000余张。按节理裂隙特征、风化卸荷情况、地下水发育情况3种像特征对数据集进行分类标注,并按8:2的比例划分为训练集与验证集。结合深度学习方法,实现掌子面围岩分级特征参数提取识别。搭建了VGG系列、ResNet系列、DenseNet系列、GoogleNet、InceptionV3等卷积神经网络分类模型,并引入准确率、查准率、召回率及F1值等多种评价指标对比分析多种卷积神经网络分类模型的围岩特征(掌子面图像的节理裂隙特征、风化卸荷特征以及地下水发育特征)识别效果。研究结果显示基于DenseNet模型分类识别效果最好,分类准确率分别为：围岩节理裂隙特征87.5%,风化程度特征90%,地下水发育程度特征91.5%,且各特征的F1值均在0.789以上,最高为0.944,平均值为0.852。此外,对DenseNet系列分类模型进行可靠性验证,基于CAM以及Grad-CAM对模型进行分类决策可视化研究分析,分类决策热力图结果显示分类结果与...     

基于深度学习的钢轨伤损智能识别方法

基于钢轨探伤车检测数据通道设计、B显数据生成原理和钢轨伤损分类,对比钢轨探伤车检测数据伤损识别与普通图像识别特点的不同,将检测数据视为由16个通道二进制矩阵叠加成的图像;设计包含1个输入层、3个卷积层、3个池化层、2个全连接层、1个输出层的深度学习架构,并通过噪声和通道预处理,将钢轨伤损的"物体检测"问题转换为"分类"问题。以某地人造钢轨伤损检测数据扩充后作为训练集,得到基于深度学习的钢轨伤损智能识别模型,以另一地的人造钢轨伤损检测数据作为测试数据分析该模型的识别效果,并与钢轨探伤车既有系统识别结果和人工分析结果进行对比。结果表明:基于深度学习的钢轨伤损智能识别模型在准确率、误报率指标上均优于钢轨探伤车既有系统,达到人工分析的指标要求,提高了准确率。     

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。     

基于卷积神经网络的铁路桥梁高强螺栓缺失图像识别方法

为及时发现铁路桥梁高强螺栓偶发的延迟断裂并补充新螺栓,降低铁路桥梁连接失效风险,开展基于卷积神经网络的桥梁高强螺栓缺失图像识别方法研究。该识别方法的主网络由5个卷积层、5个最大值池化层和2个全连接层的卷积神经网络组成。提出在主网络上附加通道和空间混合注意力子网络,分别对不同输入图像的高层不同通道语义特征和不同区域赋予不同权重,提高图像的特征和区域敏感性,进而提高网络的识别准确率。通过随机裁剪、翻转、颜色变化、仿射变换增强和数据均衡操作,增加训练数据的多样性和改善数据的不平衡性。基于真实场景螺栓缺失场景识别结果表明,识别方法的准确率达到94.9%,比常见识别方法提高了4.9%。     

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...     

朔黄铁路隧道衬砌表观病害检测技术

为实现朔黄铁路隧道衬砌表观病害远距离非接触快速检测,提出一种基于多源数据深度融合的隧道病害检测方法。首先利用高清线阵相机、激光扫描传感器等检测设备获取隧道衬砌表观高清图像和激光点云数据,然后利用特征提取网络提取图像和点云特征图,并采用空间变换方法将图像特征图投影到点云特征俯视图上得到融合特征图,最后利用候选区域网络和金字塔场景分析网络对融合特征图进行检测识别,输出病害的类型与位置信息。在朔黄铁路重点隧道开展的现场试验表明,该方法能检测隧道裂缝、掉块、渗水等表观病害状态,有效提升重载铁路隧道运维的智能化程度及综合检测水平。     

基于改进Yolov5的地铁隧道附属设施与衬砌表观病害检测方法

随着地铁隧道服役时间增长,隧道衬砌在多因素影响下病害频发,对隧道结构及临近附属设施造成不良影响,严重危及到行车安全。因此,亟需精确高效的地铁隧道病害及设施检测技术。然而,地铁隧道存在内部环境复杂,附属设施与衬砌病害纹理及灰度相似、目标尺度不一等检测难点,传统的人工巡检及数字图像处理方法均存在局限。针对上述问题,提出一种基于改进Yolov5的地铁隧道附属设施及衬砌表观病害检测模型。针对设施及病害的位置特征引入坐标注意力(Coordinate attention)引导模型对目标区域赋予更高权重,抑制背景噪声;采用Bi FPN(Bi-directional Feature Pyramid Network)特征融合网络提升小目标病害检测效果;并利用Ghost Bottleneck替代部分卷积减少模型参数,提高检测效率。为验证改进后模型检测性能,进行现场实验,构建样本数量为843的地铁隧道衬砌图像数据集。并采用随机裁剪、镜像翻转等数据增强方法,将样本量扩充至4 072。数据集上的实验结果表明,改进模型的平均精度均值(m AP)可达89.2%,较原模型提高了3.7%,有效提升了隧道环境中小目标病害...     

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5736 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。     

隧道表面图像多目标智能识别算法研究

隧道表面病害已经成为轨道交通基础设施巡检的重要任务之一,人工巡检方法耗时长、强度高,需要智能化、自动化的目标检测与病害识别算法研究。提出一种隧道多目标分类方法和智能识别理论模型,对采集的隧道表面图像进行精细化标注并建立数据集,采用基于语义分割的理论模型对隧道图像目标进行智能分类识别。考虑隧道纹理的特殊性,本研究对算法中模型结构进行改进优化,实现隧道多种目标的智能化检测。试验中,通过测试集和隧道正线图像进行对比试验,其中隧道典型病害裂缝的检测率为94.2%,渗漏水的检测率为96.9%,验证了模型和算法的有效性。     

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2阶级联轻量级卷积神经网络的高铁接触网悬挂紧固件缺陷识别方法

基于高铁接触网悬挂运行状态监测图像,分析监测图像与普通图像的区别;将紧固件缺陷检测问题转换为紧固件检测和运行状态精细识别2个过程,提出基于2阶级联卷积神经网络的紧固件缺陷识别方法。首先,设计紧固件检测网络,由轻量级特征提取网络、全局注意力模块及相互增强的分类器和检测器组成,实现目标紧固件实例的高效检测;然后,搭建1个包含4个卷积层、2个池化层、1个全连接层和1个输出层的多标签分类网络,完成紧固件运行状态的精细分类,实现缺陷识别。运用紧固体缺陷识别方法,对某高铁线路接触网状态监测图像数据进行试验分析,结果表明:2阶级联卷积神经网络的方法可以快速准确地检测紧固件的缺陷,紧固件定位平均检出率达98.2%,紧固件缺陷平均识别精度达95.8%,较单一检测网络提高约21.5%。     

基于改进SSD模型的高铁扣件定位算法

高铁扣件的检测对于保障铁路的正常运行起着十分重要的作用。针对高铁扣件定位精度不足以及传统定位算法无法定位道岔处扣件的问题,设计一种改进的SSD(single shot detector)深度学习扣件定位算法,即Improved_SSD。首先采用ResNet101更换经典SSD深度学习模型中的VGG16,增加网络深度的同时提高特征的抓取能力;然后利用膨胀卷积扩大网络的感受野,以不增加模型额外结构的方式提高模型的鲁棒性;最后提出一种非极大加权抑制方法,进一步提高扣件的定位精度。实验结果表明:与经典SSD算法相比,本文算法对扣件定位的召回率和精度分别提高了3.4%和4.7%;与其他几种扣件定位算法相比,本文算法不仅提高了对普通轨道扣件的定位精度,而且解决了传统定位算法无法定位道岔处扣件的问题。     

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...     

基于特征增强学习的路面裂缝病害视觉检测方法

受路面复杂背景的干扰,既有的路面裂缝病害视觉检测算法易产生虚警和漏检问题。基于此,提出一种基于语义特征增强学习的路面裂缝病害检测方法。为了强化网络模型对图像浅层特征的利用,该算法以Unet++网络为裂缝检测的主框架,其通过融合更多的底层特征信息来提升裂缝病害检测的精度。在Unet++网络层间特征融合的基础上,根据不同卷积层的特征图属性,进一步差异性地引入视觉注意力计算模块,有效抑制背景杂波的干扰,减少虚警率。为了降低裂缝病害检测的漏检率,利用空洞卷积操作分别从2方面改进网络模型的训练过程：其一,应用空洞卷积代替传统的池化操作,通过网络的自动学习剔除无关紧要的特征信息,加强网络对细微裂缝特征的学习能力;其二,在网络上采样前,建立空洞卷积金字塔池化层,通过增加对裂缝特征的尺度多样性计算,保证网络模型在不同拍摄距离下裂缝病害检测的适用性。收集大量的路面裂缝图像数据并与不同算法进行对比分析,实验结果表明本算法取得了比全卷积网络、原始Unet++网络更优的裂缝检测效果。     

基于特征图裁剪的高铁周界入侵实时检测算法

为解决高速铁路周界入侵高可靠度检测的难题,研究基于深度学习的异物入侵实时检测算法。针对深度卷积神经网络存在内存占用量大和检测耗时长的问题,提出以特征图L1范数为准则的递归裁剪算法,逐步降低模型计算量及储存空间,同时将检测准确率保持在较高水平。在基于ImageNet数据库和铁路场景数据库的测试中,该算法可以将VGG16模型压缩约660倍并加速计算4.4倍,而损失的检测准确率分别只有1.2%和0.25%。研究结果表明,基于特征图L1范数的裁剪准则普遍适用于任何具有卷积运算的神经网络结构中,性能优于现有基于卷积核L1范数的裁剪准则。