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;最后将取自某地铁线路的轨道图像数据制作成轨道扣件缺陷数据集,用改进前后的YOLO V3网络模型进行对比实验。结果表明,改进后YOLO V3模型的平均准确率均值提高了20.64%,达到95.62%,检测速度提高了82.5%,达到58.4fps,能够准确且快速地识别出轨道扣件中的缺陷。     

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...     

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-召回率曲线、F度量值和平均绝对误差作为评价扣件定位准确程度的指标。研究结果表明:本文方法对不同类型的轨道扣件图像均能进行精确的扣件定位,且与其它算法相比具有更好的定位效果、较高的效率和鲁棒性。     

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。     

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YOLOv3和ECO算法的电气化铁路接触网绝缘子的检测与跟踪

在接触网绝缘子带电水冲洗装置视觉伺服控制系统的研究中,针对系统需连续获得绝缘子图像坐标的问题,提出一种针对绝缘子的目标检测跟踪一体化算法.该算法由YOLOv3目标检测器与多线程ECO-HC单目标跟踪器结合组成,其中,检测器用于绝缘子目标的初始检测和跟踪器学习,多线程跟踪器进行后续帧绝缘子目标的跟踪定位.为准确评估各跟踪...     

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...     

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。     

基于垂向定位与灰度投影的地铁扣件定位方法

针对新型轨道巡检仪在地铁整体道床上的实际应用,结合整体道床的结构特点,提出一种新的扣件定位办法。首先对图片进行压缩处理,然后对压缩后图片进行Sobel边缘检测,再将处理后的图片灰度投影至y轴,确定钢轨位置;最后将钢轨作为垂直坐标轴,结合扣件安装间隔规律,对扣件进行垂向定位。试验表明,该方法能有效对新型巡检仪在地铁整体道床上拍摄的图片中的扣件进行定位,且具有较高效率及准确率。     

基于改进算法YOLOv5+的混凝土轨枕裂纹检测

基于既有研究成果在对混凝土轨枕裂纹检测效率不足的基础上,提出一种改进算法YOLOv5+,主要以YOLOv5网络模型为基础,对混凝土轨枕裂纹进行高效检测。首先,采用分治标签的策略来增大裂纹在标签中的实际占比,从而解决混凝土轨枕裂纹尺度变化大的问题,使网络更利于提取有效特征;其次,将YOLOv5网络结构中SPP模块的最大池化层改为平均池化层,减少裂纹漏检的现象;同时,在YOLOv5骨干网络中嵌入SE注意力模块(Squeeze and Excitation, SE)提高对细小裂纹的检测能力;最后,结合新的检测尺度与特征融合网络,降低微小裂纹的漏检现象。实验结果表明,以YOLOv5网络模型为基础的改进算法YOLOv5+,除了召回率Recall变化不大外,精确率Precision提高6.5%,平均精度均值mAP提升8%,帧率FPS也有所提升,能够满足实时性的检测需求。     

基于优化YOLOv3网络的在途列车障碍物检测方法

卷积神经网络检测算法自提出以来,日益受到人们的关注,广泛应用于各行各业。然而,在城市轨道交通障碍物检测方面,由于列车制动距离长、响应度不够、突发状况多等问题,卷积神经网络尚未有过多的应用。针对城市轨道交通行车的特点,提出一种基于 YOLOv3 网络的在途列车障碍物检测方法,通过对该网络结构及训练方式的优化,提高网络对于微小目标的识别准确率,留给列车更多的响应时间,以提升该方法的实用性。经实验验证,该方法对于远距离目标识别有较高的准确率,检测速率约为 31 帧/s,是一种有效的列车在途障碍物检测方法。     

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...     

基于分段曲线模型的铁路轨道检测算法

针对现有铁路轨道检测识别算法的准确性和鲁棒性不高的问题,提出一种基于直线和双曲线相结合的分段曲线模型实现轨道线的检测、跟踪与验证。本算法首先依据轨道图像的边缘信息,通过多约束条件下的Hough变换初步检测轨道位置,确定轨道线消隐边界并标定近远景区域。然后,在近景区域,采用直线模型实现前方直轨拟合;在远景区域,融合轨间距离、轨道方向和像素灰度等先验知识构造边界置信度函数,设定可漂移窗口搜索算法完成特征点提取,以最小二乘法进行双曲线模型拟合。最后,依据模型切换及窗口搜索策略完成轨道线的跟踪。测试结果表明:该算法不仅较好地解决了弯轨描述问题,而且提高了检测的准确性和鲁棒性。     

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...     

城轨交通新型轨道扣件研究与设计

研究目的:扣件是城轨交通工程轨道结构中的重要组成部件。目前国内应用于运营地铁地下线的一般减振扣件类型较多,近年来逐步发现存在着一些缺陷。为进一步优化适用于城轨交通60 kg/m钢轨地下线整体道床用的扣件,开展新型扣件的研制很有必要。研究结论:仿真计算分析、试制及室内试验结果表明,新型扣件具有较好的强度、耐久性、弹性及绝缘性能。优化弹条设计,加大了弹条尾部圆弧,增加与铁垫板的接触面积,提高弹条稳定性;减薄铁垫板、弹条插入孔改为长圆孔、优化锚固螺栓及轨距块等措施,使其结构、使用寿命、养护维修等方面较同类型扣件具有一定优越性。