基于改进YOLOv5算法的接触网绝缘子定位方法

【目的】针对高速铁路接触网绝缘子在复杂背景下检测效率不高的问题提出一种检测算法。【方法】首先对样本数据集进行大规模扩充,在原有YOLOv5s算法的基础上,为有效的提升模型的表征力,增加ECA注意力机制,进行无降维的跨信道方式来聚焦绝缘子位置信息;使用BiFPN特征金字塔网络,进行多尺度的特征融合来丰富语义信息;选用Meta-ACON自适应控制激活函数,在函数允许的最大范围内,严格把控函数的上下限,防止模型出现失控现象;将原有GIOU损失函数更换为EIOU损失函数,从梯度的角度对锚框进行更深一步的划分,进而提升网络的收敛速度。【结果】实验结果表明,通过对YOLOv5s改进后的检测算法,可以对绝缘子进行更精确的定位与识别,准确率达到了99.4%。【结论】所提出的检测算法为绝缘子定位检测提供了更加准确快捷的方法。     

基于改进YOLOv5的小目标交通标志检测算法

针对小目标交通标志检测精度低的问题,提出基于改进YOLOv5的小目标交通标志检测算法。优化YOLOv5的主干网络结构,采用微小目标检测层替换原始大目标检测层,调整下采样倍数,将MobileViT Block融入颈部网络,采用离线增强与在线增强的方法对数据集进行处理。实验结果表明：与其他目标检测算法相比,改进算法的小目标交通标志检测均值平均精度为85.3%,参数量降低了39%,FPS为70,满足实时检测的要求。     

基于视频深度学习的铁路周界入侵检测算法研究

基于视频智能分析的铁路周界入侵检测算法相比于雷达、振动光纤,具有成本低、误报率低的优点. 针对视频中存在不同分辨率目标的问题,提出一种改进的Cascade Mask RCNN( CMR)模型,使用级联结构获得目标的准确定位. 为增强模型对小目标的检测能力,在原始模型的基础上,增加基于特征金字塔网络(FPN)的多尺度特征提取模块和基于空洞金字塔汇聚(ASPP)子网络的空间上下文增强模块. 在实际铁路周界入侵场景视频中验证了模型的有效性. 结果表明,该模型可实现不同场景下的铁路周界入侵检测,相较于原始模型,新模型对小目标检测的F-measure 提高了0.24. 模型既解决了不同场景下铁路周界入侵检测问题,又有效地提高了视频智能分析对小目标检测的准确率.     

SS4改型电力机车车顶绝缘子故障原因探讨

本文根据朔黄铁路SS4改型电力机车实际运用情况,对车顶绝缘子故障原因进行全面综合分析,最后提出防治措施,以达到最大程度减少车顶绝缘子故障的目的。     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.     

基于光反馈的信号灯故障检测系统研究

针对传统信号控制器的信号灯故障检测不准确的问题而设计的信号灯终端光反馈故障检测系统,主要采用信号灯终端光反馈、光纤传输和光电转换技术,将信号灯的输出状态直接反馈到信号控制器,实现对信号灯故障的可靠检测。通过信号控制器对故障信号进行处理,并利用数字化传送,具有纠错、容错的功能,实现了对信号灯运行状态的准确、可靠检测及控制。     

基于深度学习的车辆异常事件检测研究

基于全连接神经网络以及在高速公路场景下采集的真实车辆数据,设计一种车辆异常事件检测方法。所设计的方法利用激光雷达检测出目标与车道线信息,经过计算组成具备时空特征的输入数据,在将目标数据制作成数据集后,利用神经网络进行训练并提取输入数据的多维度特征,实现车辆异常事件检测。之后利用异常事件检测的时间信息与激光雷达和视频相机的目标融合数据,在视频数据中进行事件取图并加以验证。所述方法的总体检出率为 97.11%,准确率为 97.10%,相关值均高于传统事件检测算法,且算法耗时与传统事件检测算法相比更少。试验证明相应方法能更快速、更准确地识别车辆异常事件。     

基于PReNet和YOLOv4融合的雨天交通目标检测网络

为提高恶劣雨天交通环境下车辆目标检测精度,提出一种基于PReNet和YOLOv4融合的深度学习网络DTOD-PReYOLOv4,融合了改进的图像复原子网D-PReNet和改进的目标检测子网TOD-YOLOv4;将多尺度膨胀卷积融合模块和添加了挤压激励块的注意机制残差模块引入PReNet,获得的D-PReNet可更有效提取雨纹特征; 使用轻量化的CSPDarknet26代替YOLOv4骨干模块CSPDarknet53,为YOLOv4的颈部路径聚合网络模块添加复合残差块,同时采用k-means++算法取代原始网络聚类算法,获得的TOD-YOLOv4可在改善交通小目标检测精度的同时进一步提高检测效率; 基于构建的雨天交通场景车辆目标数据集VOD-RTE对DTOD-PReYOLOv4进行了验证。研究结果表明：与当前YOLO系列主流网络相比,提出的DTOD-PReYOLOv4对原浅层ResBlock_body1叠加残差块,可以更好地提取分辨率较小的特征; 对原深层ResBlock_body3、ResBlock_body4和ResBlock_body5进行裁剪,获得ResBlock_body3×2、ResBlock_body4×2和ResBlock_body5×2,可以有效降低卷积层冗余,提高内存利用率; 为PANet中的Concat+Conv×5添加跳跃连接形成CRB模块,可以有效缓解网络层数加深引起的小目标检测效果退化问题; 采用k-means++算法,在多尺度检测过程中为较大的特征图分配更加适合的较小先验框,为较小的特征图分配更加适合的较大先验框,进一步提高了目标检测的精度; 与MYOLOv4相比,精确率和召回率的调和平均值、平均精度、检测速度分别提升了5.02%、6.70%、15.63帧·s^-1,与TOD-YOLOv4相比,分别提升了3.51%、4.31%、2.17帧·s^-1,与YOLOv3相比,分别提升了46.07%、48.05%、18.97帧·s^-1,与YOLOv4相比,分别提升了31.06%、29.74%、16.26帧·s^-1。     

基于YOLO算法的动车组裙板故障检测

针对目前动车组运行故障图像检测中人工分析方式误报警数量多、实际故障检出率低等问题,提出一种基于YOLO算法的动车组裙板故障检测方法。首先通过k-means聚类算法对检测目标进行聚类分析,其次选择合适的YOLO算法模型并分析网络结构,最后使用人工标注的多组尺度特征的裙板故障缺陷位置和类别数据集训练网络。在取自多条线路的动车组裙板故障图像数据制作成的测试集上,对YOLO模型进行试验。结果表明,模型能够快速、准确地识别故障,为高速铁路运行安全提供保障。     

基于AVL BOOST柴油机故障仿真研究

本文建立了柴油机工作过程的数学模型,利用AVL BOOST软件对L16/24柴油机的进排气故障进行了仿真,分析发现,柴油机排气温度的增加与流经柴油机的空气质量流量的减小有着直接的关系,而限制气缸压力和燃烧速率的因素都会使得爆压达不到额定值,同时上述各种故障都会限制柴油机有效功率的输出,并使得油耗增加。     

沙尘环境下复合绝缘子表面积污特性的仿真

文中着眼于沙尘环境下复合绝缘子的积污特性的研究,基于Fluent仿真平台的仿真计算和依托沙尘暴模拟系统的模拟试验,将研究结果进行对比,可为沙尘暴环境下复合绝缘子的选型使用、优化设计、运行维护等提供前期预研和开拓经验,且在研究方法上也首次采用仿真的方式,有重大的借鉴意义及实用价值。     

基于YOLOv3的变速箱油封座缺陷检测

针对小型汽车变速箱后油封座缺陷检测精度低、检测速度慢、目标不敏感等问题,提出改进YOLOv3检测算法.在YOLOv3算法基础上,将第11层浅层特征与网络深层特征融合,生成尺度为104×104的新特征图层,提取更多小缺陷目标特征;再将BN层参数合并到卷积层,共用连通数据减少占用显存等空间.结果表明:文中算法能有效识别有缺...     

基于数据微观精分的沥青路面裂缝自动化检测

为提高沥青路面裂缝的自动化检测精度,以深度学习模型数据集为对象,结合传统图像处理,提出一种基于裂缝数据进行微观精分的深度学习裂缝数据集处理方法,使深度学习模型能更有针对性地学习沥青路面裂缝的数据特征。在构造数据集时,通过传统的图像处理方法将裂缝宏观精分为龟裂和线性裂缝。在宏观精分基础上,对线性裂缝和龟裂的像素级特征进行微观精分。YOLOv5模型的实验表明：微观精分的裂缝病害模型mAP@.5相较于宏观精分和未精分数据库分别提高8.9%和14.7%,在随机路段上有较好的检测性能。     

基于5G和AI技术的高速公路智慧养护应用研究

结合辽宁省高速公路养护工作实际,提出了基于5G和AI技术的无人机的高速公路养护应用、智能穿戴装备的高速公路养护应用和智能巡检车辆的高速公路养护应用,实现了高速公路运营和养护的智能化。     

基于振动诊断技术的机车辅机轴承故障检测探讨与实践

铁路现代化高速重载的发展对机车质量的要求也不断提高。运用振动检测技术对机车辅机轴承故障进行检测,对掌控机车质量是一种行之有效的检测方法。论文介绍了JL-601A机车走行部检测系统和JL-201A机车轴承便携式检测仪的检测原理,并选用振动加速度有效值及峭度系数作为评判轴承故障的简易诊断依据,对机车辅机轴承故障检测进行探讨与实践,并取得良好效果,提高了检修效率,保障行车安全。     

基于Faster R-CNN的接触网吊弦故障检测方法

针对接触网吊弦故障图像样本较少,现有方法检测准确率较低的问题,提出了一种高效率、高准确率的接触网吊弦故障检测方法.以Faster R-CNN模型为基础,通过引入能够提取深层次图像特征并实现特征重用的密集连接卷积神经网络(dense convolutional network model, DenseNet)替代原始的特征提取模块提取吊弦图像特征,并在实验中利用图像旋转、增强等数据变换操作扩充样本集提升检测效果.通过对接触网吊弦图像的测试,以DenseNet为主干网络的Faster R-CNN模型能够检测接触网吊弦故障,检测准确率比原始检测模型提高4%以上,且加入数据变换对吊弦故障检测的准确率和鲁棒性均有显著提升,均值平均精度(mAP)可达98%以上.