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...     

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。     

基于机器视觉的地铁主动式障碍物检测系统

针对现有异物入侵检测模型参数多、实时性差等问题,文章提出一种新型地铁主动式障碍物检测系统。首先通过使用稀疏化和通道剪枝的方法,得到轻量级YOLOv3异物检测模型,然后使用HSV、Lab颜色空间中的亮度通道辅助边缘检测,并进行透视变换处理,提取轨道可通行区域,最后基于PyQt5开发了主动式轨道障碍物检测系统。该系统已在地铁电客车上进行了验证,可实现障碍物检测及异物入侵报警等功能。     

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。     

基于机器视觉的钢轨表面检测光学模型的研究

在机器视觉的检测中,图像是整个系统中最重要的原始数据,其质量决定了后期图像处理的效果和速度。为探讨高质量图像的采集,提出一种基于线阵CCD相机和线阵光源的钢轨表面缺陷检测的光学理论模型,分析线阵CCD采集系统中振动模糊的原因,推导出图像灰度值与系统振动幅度和缺陷深度的关系,研究光源照射角度和相机拍摄角度对图像灰度和缺陷区域对比度的影响,并通过实验验证模型的合理性。结果表明:缺陷区域图像灰度值随着钢轨表面缺陷深度增大而降低,采用较低的光源照射角度可增大缺陷与背景的对比度,突出缺陷特征便于后期图像处理的缺陷识别。     

基于区域特征的缺陷扣件视觉检测

高速铁路线路中的扣件故障会影响高速铁路列车的平顺性,甚至威胁到行车安全.针对扣件视觉检测在复杂背景和光照多变的条件下检测精度低的问题,提出一种基于局部区域特征的缺陷扣件检测算法.从原始图像中截取包括扣件和钢轨的感兴趣区域并对该区域图像进行预处理,接着对预处理后的图像提取极小值区域(二值化),然后基于二值图和模板匹配算法...     

基于背景建模的钢轨表面缺陷像素级检测方法

钢轨表面缺陷具有独特性和稀疏性,利用机器视觉技术自动地检测钢轨表面缺陷仍存在很大挑战.提出一种基于背景建模的钢轨表面缺陷像素级检测方法,利用钢轨图像固有特性构建图像背景分布模型,找到背景分布簇中心,以定位到可疑像素点;提出一种钢轨表面缺陷像素级识别方法,根据可疑像素点的上下文特征和空间位置先验概率识别该像素点是否属于真...     

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。     

基于机器视觉的钢轨对接焊高精度检测方法

为提高闪光对接焊设备焊接过程的焊接精度,提出一种基于机器视觉和图像处理技术结合的钢轨对接焊高精度定位检测方法。该方法采用黑白面阵CMOS工业相机、线激光器作为主要检测硬件,其中线激光器发射的激光分别垂直投射在与轨道轴线平行的轨顶面和轨侧面上,通过对工业相机所采集的图像进行特征提取,针对多种不同特征进行模式识别,从而获得钢轨顶部和侧面高度差。通过重复性与可靠性试验,表明该方法满足工程实际检测要求。与传统的手工检测方法相比,本方法具有更高的精度,且受外部环境的影响较小,满足工况环境条件下的焊接精度要求,在复杂环境下同样可获得较好的检测效果。     

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...     

基于机器视觉的轨距检测系统设计

一种基于机器视觉的轨距检测系统是通过硬件触发和软件多线程并行处理流程实现4台摄像机的同步图像采集处理、视觉计算、结果记录和通信。设计和推导了检测系统定标方法和轨距点获取的定标方法。试验测量结果表明:该检测系统适用于轨距参数的精确测量,精度可到达0.2 mm,重复性好,可有效地实现轨距参数的高精度动态测量。     

基于视觉注意力和PLSA模型的钢轨表面缺陷检测

针对目前钢轨表面缺陷检测的速度,精度较低,分类较难的现状,提出一种基于视觉注意力和PLSA模型的钢轨表面缺陷检测方法;结合亮度和纹理特征的视觉注意力模型检测钢轨表面缺陷,提取原图像的缺陷区域,并采用PLSA模型对提取的缺陷进行分类。实验结果表明:所提出的方法提高了检测及分类的速度与精度,能满足钢轨表面缺陷检测的要求。     

基于改进二维卷积滤波技术的轨道伤损检测方法

基于改进卷积滤波技术和自适应阈值分割法,提出边缘检测轨道结构识别与伤损检测方法。使用改进二维卷积进行图像滤波,对原图像矩阵通过行列式变换处理,增强图像边界元素;根据边缘检测所得到的线形特征进行扣件弹条及钢轨识别,以线形急剧变化判别钢轨伤损及位置。通过既有线路轨道进行图像识别试验验证。试验验证结果表明,采用该方法可提高轨道部件识别速率,具有一定的自适应性,还可确定伤损相应位置,有利于轨道伤损的判别,可应用在日常轨道的养护及维修中。     

基于机器视觉的钢轨光带检测方法

为了从轨道图像中准确地提取轨面区域并检测光带位置,根据钢轨光带的结构特征,提出了基于机器视觉的钢轨光带检测方法。首先根据轨道图像的频域特征,设计了基于占优的频率域采样值的轨面区域定位算法,从轨道图像中准确提取出轨面区域;然后利用图像灰度变换突出光带与非光带区域的边界,通过逐行计算梯度识别光带的位置。结合实际线路的轨道图像,采用该方法对钢轨光带进行检测,并与现有方法进行对比。结果表明：该方法能有效地检测钢轨光带,计算的光带区域与人工标注的光带区域的交并比平均值达到了88.81%,比现有方法提升了11.58%。     

基于机器视觉的激光焊缝余高检测技术

激光焊技术的应用促进了轨道车辆产品的档次提升,而在搭接接头焊接过程中,由于间隙影响会出现焊缝表面余高不足,直接影响焊缝质量。传统的表面余高测量方法无法满足检测精度及交检节拍要求。针对这一检测需求,研究开发了基于机器视觉的激光焊缝余高检测技术。该技术通过重建焊缝表面点云,进行图像校正与分析,获取特征点并计算余高。通过试验验证了该方法的可靠性及检测精度。所测余高值与破坏性金相检测方法测量余高值之间的差异对比结果表明,其检测精度优于0.05 mm,能够满足激光焊质量评估要求。     

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...     

基于轻量级卷积神经网络的地铁轨道线路状态检测系统

轨道作为承载车辆运行的重要部件,其工作状态对地铁运营的安全性有重要影响。传统人工巡检或者采用轨检车的检测模式只能在正线停运后进行作业,工作效率低。针对该问题,提出一种基于地铁运营列车的轨道线路状态检测系统,该系统采用高速线扫相机对轨道线路进行实时图像采集,并将采集数据送入轻量级RegNet骨干神经网络提取图像深层特征。在此基础上,加入双向特征金字塔网络进行多层次特征融合。最后将融合特征输入目标检测头实现轨道线路状态的实时检测。结合基于云边协同的困难样本挖掘以及模型部署加速技术,算法可实现高准确率、高实时性的检测性能。试验表明,该系统针对11类钢轨伤损及扣件状态的检测平均准确率（mAP）达到0.951,推理速度大于20 f/s,满足地铁在载客运营同时对轨道线路状态进行实时检测的需求。     

基于卷积神经网络的防松铁丝断裂分类算法研究

防松铁丝用于防止螺栓松动,若其发生断裂可能导致螺栓松动或丢失,影响关键部件的正常运行,威胁动车组运行安全.由于防松铁丝发生断裂时,断裂部位特征信息少,特征区域较小,使基于传统卷积神经网络的分类方法难以有效提取到断裂特征信息,导致分类精度不高,容易漏判误判.基于以上原因,利用深度学习方法,建立基于卷积神经网络的孪生网络模...     

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。