一种基于改进YOLOv3－tiny的轻量级轨道紧固件检测算法

为解决传统铁路轨道养护中人工巡检等工作的低效率和准确率不足等问题,提出一种改进的YOLOv3－tiny轻量级轨道紧固件检测算法。首先,其网络结构通过在深度和点方向的卷积来降低网络的计算复杂度;其次,采用具有反向残差的线性瓶颈结构设计主干网络,并在检测层采用深度可分离卷积提取紧固件的深度特征;然后,增加1个尺度在3个尺度上预测,从而有效提取紧固件的特征;最后,对目标框坐标定位过程的损失函数进行优化。实验结果表明：改进后的YOLOv3-tiny算法检测精度达98.81%,检测速度25.1 frame/s,满足其实时性的要求。     

基于改进YOLO V3算法的轨道扣件缺陷检测

目前轨道线路养护主要采用人工巡检方式,针对其存在的准确率不足、效率低下等问题,提出一种基于改进YOLO V3的轨道扣件缺陷检测方法.首先通过K-means算法对缺陷目标候选框的尺寸进行聚类分析;其次根据检测目标普遍较小的情况改进YOLO V3的层级结构,即选取两组尺度特征对扣件缺陷的位置和类别进行预测;最后将取自某地铁...     

基于3D相机的轨道扣件部件丢失与松动智能检测

轨道扣件在运营过程中会出现松动甚至掉落、断裂等异常情况,不利于列车行驶稳定和安全,需要进行定期、及时的检查与维修.传统的人工巡检效率低,难以匹配我国轨道交通的快速发展,且对于部件松动等不易察觉的问题检测效果差.利用计算机视觉形成自动化的检测设备逐渐成为发展趋势,其中基于三角测量原理的线结构光技术因其成本低、精度高、速度快等优点得到广泛应用,且适合轨道检测场景.该技术核心设备为可以采集并分析线结构光进行三维重建的3D相机,基于成像原理设计可搭载于轨道检测车的扣件检测系统并进行现场试验,经过数据分析和处理可以分别得到高质量的图像数据和三维模型.针对图像数据利用目标检测的方法,构建数据集,搭载YOLO(You Only Look Once)v5深度学习模型,实现挡肩及扣件部件的快速识别,进行部件丢失检测;针对三维模型利用轨道扣件相对位置固定的特点,根据阈值筛选扣件数据并进一步得到弹条及螺栓等部件的坐标信息,通过边缘提取、平面拟合等方法计算位移量,进行部件松动检测.研究结果表明,检测系统可以采集高质量的扣件数据,扣件部件识别平均精准度达到99.0%,速度满足现场实时检测的要求,同时对于弹条和螺栓的松动量检测精度分别达到了1 mm和0.1 mm.该方法具有实际工程价值,可以大幅提升轨道巡检效率,对于扣件部件丢失、松动等严重问题可以及时预警指导修复,保障轨道安全服役性能.     

基于改进YOLOv3的站口行人检测方法

针对YOLOv3算法在行人检测上准确率低和漏检率高的问题,提出一种改进型YOLOv3的行人检测方法,并将其定义为GA-Wide-YOLOv3.该方法首先以行人头肩小目标为检测对象,进行重构数据集,利用遗传算法重新对目标先验框进行聚类,优化anchor参数,提高先验框与数据集的重合程度;其次改进YOLOv3,通过加宽网络...     

基于深度边缘特征的轨道扣件状态检测方法

针对现有轨道扣件状态检测方法无法检测快速弹条扣件的问题,提出了一种基于深度边缘特征的轨道扣件状态检测算法.利用基于深度学习方法搭建的HED网络提取轨道扣件的深度边缘特征,得到扣件深度边缘特征图;提取扣件深度边缘图的方向梯度直方图特征,将得到的融合特征作为扣件特征描述算子输入支持向量机训练,用训练好的分类器实现扣件扣紧和...     

基于改进Mask R-CNN的轨道扣件状态检测方法

为提高轨道扣件状态检测的准确率,基于K均值聚类算法改进掩膜区域卷积神经网络(Mask R-CNN)实例分割算法中的区域建议网络。进行基于改进Mask R-CNN的轨道扣件状态检测方法研究,并将该方法分别应用于普速铁路有砟轨道2个扣件数据集和高速铁路无砟轨道1个扣件数据集上进行轨道扣件状态检测。结果表明:该方法能对普速铁路有砟轨道和高速铁路无砟轨道图像中的扣件状态进行准确检测,扣件的定位准确率和分类准确率平均分别达到97.05%和98.36%,均优于YOLO V3,Faster R-CNN和Mask R-CNN算法;相较于前2种算法,本方法对普速铁路有砟轨道扣件状态检测的优势更为明显。     

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。     

基于边缘AI计算的轨道扣件状态定量化检测方法

针对轨道扣件车载实时定量检测中检测的速度与精度难以平衡以及设备空间有限的问题,提出一种基于边缘AI计算的改进YOLOv8（You Only Look Once version 8）轨道扣件定量检测方法,并进行了部署和测试。首先,为实现轻量化部署,优化YOLOv8网络结构,嵌入移动神经网络V3（MobileNetV3）轻量化网络,引入压缩激励（SE）注意力机制,并重构颈部网络,加入可变形卷积;其次,结合推理引擎加速方法优化重构的网络模型,并将其部署在Jetson AGX Xavier边缘AI计算设备上;最后,对分割结果进行像素级提取,引入最小外接矩阵,定量分析扣件的断裂程度和偏转角度,并优化检测结果。结果表明：改进后的轻量化网络参数数量减少了22%;在边缘AI计算设备上的帧率相对原YOLOv8模型提升了80%,达到58帧·s^-1;通过定量分析结果对模型进行修正,平均精度达到了97.0%,满足检测车辆所需的最低45帧·s^-1检测要求,实现了轨道扣件的定量化实时检测。     

基于IR-DETR的轨道图像增强及扣件损伤检测方法

为解决在轨道扣件检测中常见的光线不足导致的图像模糊昏暗、扣件特征提取不足等问题,提出一种基于InstructIR(Instruct Image Restoration)与RT-DETR(Real Time Detection Transformer)的综合方法IR-DETR。在图像预处理方面,针对轨道检测图像的特点,提出基于InstructIR的图像增强方法,根据智能检测的需求增强图像特征。在扣件损伤检测方面,优化RT-DETR模型,引入可学习位置编码（Learned Positional Encoding,LPE）,用于对序列中的位置信息进行编码,并在主干部分融合可变形卷积DCNv2(Deformable ConvNets v2),进一步提升模型的感知能力与特征表达能力。用优化前后的数据集作为输入,对IR-DETR及主流模型进行了对比试验。结果表明：改进后的模型平均检测精度提高了2.1%,在参数量基本不变的情况下检测速度提高了18.6%。     

应用YOLO深度卷积网络的轨道图像定位算法

将摄影测量技术应用于铁路轨道检测是未来轨检技术的发展趋势。对轨道图像扣件的快速定位,是判断扣件是否缺损,匹配连续图像以及对轨道线形三维重建的基础。由于实际中轨道图像易受到拍摄角度、光照等因素影响,同时有砟轨道图像具有背景复杂、色彩单一、特征分布多变等特点,使得传统基于钢轨、轨枕布设关系的扣件定位算法具有局限性,对弯道和上下行道岔咽喉区域的扣件定位鲁棒性差。将近年在计算机视觉领域发展迅猛的深度学习算法引入铁路轨道检测,利用YOLO端对端输出的网络特点,根据图像全局信息直接对扣件的Bounding Box和类别进行迭代回归,输出扣件位置信息。试验检测50份测试数据,检测正确率达到94%,检测速度54 fps,可以达到实时检测的要求。     

基于流行排序的轨道扣件定位方法研究

针对利用图像处理技术在进行轨道扣件定位的过程中易受到拍摄条件及复杂背景干扰的难题,提出一种基于流行排序的轨道扣件定位方法.对轨道扣件图像进行超像素分割和基于图论的特征图构建;根据特征图节点基于背景尺度和前景尺度的相关性进行排序,得到前景突出且背景抑制的轨道扣件显著图,完成轨道扣件区域在图像中的的准确定位.引入准确率-召...     

一种改进的十字交叉轨道扣件定位方法

针对传统的十字交叉定位法对轨道扣件区域定位不准确,对图像要求较高,需要特定角度的光照采集才能实现扣件定位,定位过程较慢等问题,提出一种改进的十字交叉定位法对其进行定位。通过对其图像中扣件的初步位置判断定位,然后用中值滤波的图像增强,Canny算子的边缘提取,灰度投影的判断来提高定位准确性,加快定位速率,通过实验表明,改进的定位方法能够很好解决光照采集角度、快速有效的定位和判断出扣件,实现对扣件区域的初定位。     

基于改进YOLOv3的铁路落石检测方法研究与实现

我国山区铁路沿线边坡崩塌落石侵入铁路限界将严重危及列车运行安全,当前铁路危岩落石的自动化监测系统存在误报、漏报及时效性低等缺点,各类监测系统对侵限落石的检测方法成为了制约系统性能指标的关键因素。本文收集了大量铁路真实场景下的崩塌落石样本,并选取Faster RCNN和YOLOv3算法进行了落石检测对比实验,实验表明YOLOv3算法与Faster RCNN算法检测精度相近,但检测速度更快,因此本文选取YOLOv3算法构建铁路边坡落石检测模型。由于YOLOv3算法对铁路落石群的检测准确度较低,本文采用多尺度检测以及调整网络超参数等方式对YOLOv3框架进行了改进,结果显示对落石群检测准确度提升效果较为明显,更能满足铁路沿线危岩落石检测的实际应用要求。     

基于YOLOv3算法的中低速列车在途障碍物检测方法

针对中低速列车在途障碍物检测,提出一种基于YOLOv3算法的障碍物检测手段,首先通过深度学习算法,有效识别场景中的障碍物;再利用基于freeman链码的边缘检测算法,提取列车轨道边缘,从而判定障碍物是否影响行车,并对司机做出警示.同时,通过迁移学习的方式,扩充YOLOv3网络数据集,以达到提升特定场景下本方法对目标障碍...     

轨道扣件几何特征提取算法研究

通过研究轨道组成及部件,分析能提取出稳定目标特征的轨道部件。首先,在CCD获取图像后,对图像进行滤波处理。同时,针对Canny算子提取边缘具有伪像素、像素宽等缺点,采用改进的Canny算子对图像进行边缘检测。其次,对于RHT在直线提取上具有无效采样、无效累积等缺点,将检测后的图像边缘采用改进的RHT进行直线特征检测。最后,根据实验进一步证明改进后的RHT在直线特征提取上面具有速度快,降低内存等优点,DSP开发节约Flash空间,为整个课题做理论支撑。     

施工场景下基于YOLOv3的安全帽佩戴状态检测

针对现有安全帽检测研究中采用的两阶段检测法存在检测效率偏低,累积误差对精度影响较大的问题,提出一种对安全帽的单阶段检测法。将安全帽和工人头部视为一个整体,将检测目标分为2类,即佩戴安全帽的头部和未佩戴安全帽的头部,同时对2类目标进行检测,避免了冗余的计算步骤及累积误差的影响。同时,针对施工场景安全帽佩戴状态检测特点,对YOLOv3的网络结构、损失函数及先验框尺寸进行改进,提出YOLOv3-C模型。研究结果表明:改进后的YOLOv3-C模型的检测性能大幅提升,在本文建立的样本集中模型的mAP达到93.84%,对安全帽检测平均精度达到97.01%,对工人头部检测平均精度达到90.67%,同时YOLOv3-C对本文的检测场景表现出良好的鲁棒性。     

基于接触网成像技术的定位管斜拉线故障检测方法

定位管斜拉线是电气化铁路接触网支持定位装置重要组成部分之一,其故障可能影响行车秩序,造成严重后果.提出一种基于目标检测定位和像素点统计的定位管斜拉线不受力故障检测方法,首先采用深度学习YOLOv2算法对斜拉线两端进行目标检测定位以确定斜拉线潜在区域,利用Canny算子提取潜在区域内斜拉线轮廓,然后通过霍夫变换对所提取轮...     

钢轨扣件横向偏移特征检测算法研究

针对无砟轨道中钢轨扣件发生横向松动、脱离正常工作位置产生偏移的问题,提出一种钢轨扣件横向偏移检测法.首先,该算法为解决传统的扣件图像定位不够精准问题,采用k-means聚类和类二值算法强化分割前景、背景与轮廓矩特征,实现对采集图像中扣件位置的精准定位;其次,不同于传统扣件特征提取采用复杂语义,提出一种基于机器视觉的轮廓...     

城轨车辆车载自动轨道检测装置

随着国内轨道交通运营里程的增加,工务部门检测的任务也日益繁重。文章提出借鉴国外先进经验,在运营的城轨车辆上安装车载轨道检测装置。利用运营时间完成轨道线路的检测,给人工检测和大型专业设备检测提供参考数据,保证轨道交通的安全、准点、平稳运行。