基于级联网络的钢轨顶面缺陷检测方法研究

长期的高速行驶会引起车辆振动，使钢轨顶面形成孔洞、擦伤和疤痕等各种缺陷，这些缺陷不仅会影响钢轨顶面的外观，还会对钢轨的性能和安全性产生长期不利影响。针对钢轨顶面缺陷类型多变、背景杂乱、对比度低、噪声干扰等因素影响，提出一种基于级联网络的钢轨顶面缺陷检测方法。利用图像垂直微分投影法分割出钢轨顶面区域，在此基础上使用级联网络对钢轨顶面上的疤痕缺陷进行检测。其中，为更好地优化缺陷特征细节，在特征提取阶段引入轻量级的卷积注意力机制模块；采用信道加权模块与残差解码器模块相结合的方式进行缺陷特征恢复；为得到边缘清晰的缺陷对象，在特征恢复之后设计了一个边界精细化网络结构。实验结果表明，该方法的平均绝对误差仅为0.001 2,AUC值达到0.993 5,单张图片平均检测速度仅为0.041 s,对于Ⅰ型和Ⅱ型钢轨顶面疤痕缺陷的检测精度分别达到98.6%和96.4%。利用该深度学习网络模型能较好地检测出钢轨顶面的疤痕缺陷，具有较高的工程实用价值。     

计及少样本的YOLOv5s轨枕掉块小目标缺陷检测方法研究

轨枕作为固定钢轨和扣件的重要轨道零部件之一,由于长期承受钢轨传来的各种作用力,其端部易出现掉块,造成轨道机械结构稳定性下降,故轨枕掉块缺陷检测对保证列车正常运行起到重要作用。针对轨枕掉块缺陷检测方法存在精度较低和缺陷样本少的问题,提出一种计及少样本的YOLOv5s轨枕掉块小目标缺陷检测方法。首先,采用Copy-Pasting数据增强方法增加轨枕图像中掉块小目标数量,解决缺陷样本少的问题;其次,通过降低网络下采样倍数和删除大尺度检测层的方式改进YOLOv5s模型的多尺度检测层,提高轨枕掉块缺陷检测精度和速度;然后,将锚框之间的平均交并比作为距离量度改进K-means聚类算法,并使用遗传算法优化,重新匹配适合轨枕掉块缺陷检测的锚框;最后,使用跨尺度连接结构和双向特征加权融合模块改进YOLOv5s的特征融合结构,增强特征融合能力。实验结果表明,与原模型相比较,改进后的YOLOv5s模型平均精度达到94.1%,提高2.3%,检测速度达到93.3 fps,提高26.6 fps,能够准确且快速地识别轨枕掉块小目标缺陷。     

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HALCON的钢轨表面缺陷检测技术研究

针对当前检测钢轨表面缺陷存在的效率低、易漏检误检问题,提出一种基于HALCON图像处理软件开发的钢轨表面缺陷检测方法,实现测量过程中对缺陷图像的识别和处理。通过钢轨模拟检测平台采集钢轨表面图像,利用HALCON软件对获取的原始图像进行预处理、边缘检测、目标特征提取,计算相关几何特征信息并定位钢轨表面缺陷。实验表明,该方法具有较高的测量精度和测量效率,能够满足实际应用,为钢轨表面缺陷在线检测提供了新的途径。     

改进Faster R-CNN的轨面缺陷检测视频分析方法研究

针对钢轨表面灰度差异小,缺陷区域边界难提取,传统图像处理方法耗时长,缺陷识别准确率低等问题,设计一种改进的Faster R-CNN的钢轨表面缺陷检测方法.通过对采集到的钢轨表面图像进行预处理以减小后续运算量,采用基于灰度垂直投影法完成轨面区域的提取;为了提高Faster R-CNN网络对钢轨表面缺陷检测的准确率,对Fa...     

城轨交通接触网悬挂状态智能检测算法及应用

通过高清成像对接触网悬挂状态进行检测,及时发现零部件松脱卡磨断等缺陷问题并维修,是保障城轨交通接触网系统安全运行的重要手段。采用YOLOV4的最小版本YOLOV4-tiny作为检测算法的基础模型,将原有Dropout层去掉,将上层特征直接经过卷积层后输入到下层卷积层,并加入Mosaic数据增强方式提高算法的泛化性,同时将原有Leaky-Relu函数替换为更加平滑的Mish函数。接触网缺陷定位的流程为：根据改进后的YOLOv4-tiny算法训练得到零部件区域定位模型,用于定位零部件的位置;再根据改进后的YOLOv4-tiny算法训练得到缺陷识别模型,用于判断该零部件是否有缺陷,并给出缺陷的具体位置和缺陷类别。实际应用表明：该算法能准确、快速定位零部件缺陷位置,并给出缺陷类型,总精度达90%以上,大大地降低了检测耗时与成本,并保障了作业人员安全。     

钢轨缺陷在线高速检测

由圣地牙哥加利福尼亚大学研发的钢轨缺陷检测样机在最近进行的现场试验中取得了令人鼓舞的结果。该研究项目是由美国联邦铁路局研究与开发办公室提供资助。在2008年3月进行的现场试验中,最高检测速度达到10mph。试验轨道包括三节轨头有不同程度内部缺陷的钢轨(占轨头面积的比例分别为3.5%、35%和12%)。其中,二节为表面横向轨头断裂(2%和5%),一节为表面斜向轨头断裂(3.5%)。试验结果表明,对所有缺陷的检测成功率非常高。在不同环境条件下进行的24次试验中,包括大风天气和雨天,成功率达到75～100%。此项研究的目的是开发一种新的钢轨缺陷检测系统,与目前使用的检测系统相比,效果更好、可靠性更高、速度更快。其主要目的是对轨头横向缺陷进行检测。系统采用超声导波,能在钢轨表面断裂处下传播,减少了因钢轨表面剥落引起的横向裂缝所带来的掩蔽作用。同时,由于超声导波在衰减之前可传播较长的距离,因此可大大提高检测的速度。该项研究目前从两方面进行。首先,采用半分析有限元素法(SAFE),预测钢轨中非强制导波及强制导波的传播;其次,在2008年3月安装了基于非接触式激励和超声导波检测的样机,并进行了现场试验。最新的样机利用了SA...     

基于多特征融合与AdaBoost算法的轨面缺陷识别方法

针对钢轨表面缺陷检测精度易受采集装置振动与异物干扰的影响等问题,通过分析缺陷的位置,设计钢轨图像采集装置。在此基础上,首先根据钢轨的形状特征,结合Hough变换与最小二乘法提取钢轨表面区域,再结合超熵理论与模糊理论对钢轨表面缺陷进行分割,然后建立正样本及负样本数据库,并通过提取样本的Harr-like特征与低层特征建立样本特征数据库,最后结合C4.5与AdaBoost算法设计缺陷分类器,对非缺陷进行排除并对缺陷进行分类。通过在500~1 000 lx,1 000~10 000 lx,10000~100 000 lx 3种不同的光照强度区间内对木枕及混凝土枕轨道的钢轨表面缺陷进行识别,识别时间平均为698ms,识别正确率平均为97.02%,与传统的识别方法对比具有明显的优势。     

列车司机手势识别方法研究

按照司乘标准执行规定的手势是列车司机驾驶操作的重要环节,通过对司机手势进行检测,能够有效评估列车司机的驾驶状态和操作质量,保证列车行车安全。传统人工检查方式效率低,难以满足实际需求,现有的手势识别算法存在模型参数量大、检测精度较低、检测速度慢等问题。随着智能铁路的发展,利用深度学习方法构建轻量化、高效、高精度的列车司机手势识别模型逐渐成为行业发展需求。针对上述需求,提出一种基于改进YOLOv5的列车司机手势识别模型。首先,引入轻量化卷积PConv改进YOLOv5中的C3模块,降低检测网络的参数量和计算量,提升模型检测效率,并在其后添加CBAM模块,加强重要特征信息,抑制无关信息的干扰,强化检测网络特征提取能力;其次,在颈部层引入BiFPN网络结构替换PANet网络结构,增强不同尺度特征的融合能力,同时通过新增小目标检测层,提高模型对小目标的检测能力;最后,选择Focal-EIoU作为边界框损失优化模型损失函数,加快模型的收敛速度,提高手势定位精度。实验结果表明,改进模型在测试集下mAP@0.5可达97.7%,平均检测时间为23.2 ms,相较于YOLOv5计算量降低了23.1%,mAP...     

基于Faster R-CNN网络模型的铁路异物侵限检测算法研究

行人和车辆等异物侵入铁路周边限界内的情况严重威胁了行人自身安全及铁路行车安全。针对传统铁路异物检测算法识别精度不高、分类不明确和结果易受外界环境影响等缺点,提出了一种基于Faster R-CNN网络模型的铁路异物侵限检测算法,并对该模型做适应性改进以满足铁路异物检测的现实需要。提出将全连接层用全局平均池化层替代来减少参数量;通过增加锚点个数来提高对目标区域建议的精确性;引入迁移学习思想训练网络以解决铁路异物侵限数据匮乏问题。在铁路异物侵限视频数据集上进行测试表明,本算法对于人、车及部分动物的综合检测精确度达到了97.81%。     

融合注意力机制的轨道入侵异物检测轻量级模型研究

基于智能视频分析的轨道线路环境入侵物自主识别是保障轨道交通运营安全的关键技术之一。然而基于神经网络的高精度目标检测模型严重依赖算力，部署成本高，很难普及运用。为此，提出一种改进yolov4-tiny的轻量级网络模型。在网络主干，通过融合跨阶段结构和通道混洗策略，提出CSPShuffleNet结构，加快网络推理；在网络颈部，引入多头注意力机制，增强网络目标定位能力；在网络头部，使用深度可分离卷积替换传统卷积，进一步压缩网络参数量。基于铁路异物数据集的实验结果表明：相比于原始yolov4-tiny,本模型的均值平均精度最大提高1.4%,参数量减少49.9%,模型容量减少55.4%。验证了本模型对于固定平台和移动平台检测系统的普适性，从而为铁路安全保障提供决策支持。     

基于钢轨电位时空关联的钢轨对地绝缘缺陷诊断方法

[目的]以钢轨电位为监测对象的各监测点数据间在时空上存在关联,钢轨对钢筋结构电阻变化后的直接表现形式为钢轨电位的变化。应基于钢轨电位时空关联的特点,对钢轨对地绝缘状态监测及缺陷诊断的方法进行深入研究。[方法]阐述了以钢轨电位为监测对象的杂散电流监测系统。对绝缘缺陷下的钢轨电位数据特征进行了分析,建立了数据的特征矩阵。基于闵可夫斯基距离的异常检测原理,阐述了钢轨对地绝缘异常区段的检测步骤,以及绝缘缺陷定位的检测步骤,提出了基于钢轨电位时空关联的钢轨绝缘缺陷诊断方法。以青岛某城市轨道交通工程为案例进行建模仿真,用以评估所提方法的有效性及准确性。[结果及结论]该方法能对钢轨绝缘状态进行有效监测,可准确定位绝缘缺陷位置。     

基于EfficientDet与Vision Transformer的接触网吊弦故障检测

针对传统检测方法在铁路接触网吊弦故障状态检测中存在识别率低,识别速度慢的问题,提出一种基于轻量型网络EfficientDet与Vision Transformer网络相结合的接触网吊弦状态检测算法。该算法包括目标定位和分类检测2个部分,利用改进EfficientDet进行吊弦定位,将定位出的吊弦送入改进Vision Transformer网络进行故障类别检测。首先,使用空洞卷积替代EfficientDet网络中第2层和第3层的普通卷积,以扩大感受野,并用CBAM代替原网络中的SE注意力机制,汇聚吊弦的高层语义信息,使得改进后的EfficientDet能有效定位出接触网中尺寸占比较小的吊弦;其次,为减少参数量并保留较大范围的特征相关性,应用4个3×3的小卷积替代Vision Transformer中Embedding的16×16的卷积层,以深度提取浅层与深层特征之间的联系,同时对比当Num-head取值不同时,分析注意力机制对空间信息的影响,以确定吊弦故障分类检测的最优模型;最后分别与定位网络YOLOv3,Faster R-CNN和分类网络AlexNet,VGG16进行对比分析,吊弦定位...     

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。     

基于深度学习的液位仪表读数识别方法研究

变电站对高铁安全运行至关重要,为准确获取高铁变电站液位仪表的准确读数,基于YOLOX-S提出KN-YOLOX-S深度学习网络模型。在骨干网络中,引入Ghost卷积代替传统卷积层,降低网络的参数量和计算量,实现模型的轻量化;在SPPBotteneck模块中增加KNSE注意力模块,提高网络对空间信息的敏感度,增强有效特征信息的提取能力。实验表明,KN-YOLOX-S比YOLOX-S模型在mAP@0.50上提高0.4%,mAP@0.5:0.95提高0.54%,同时推理速度提高近2倍,满足高铁变电站液位表实时检测要求。     

基于卷积神经网络的动车组行车安全图像缺陷检测与分割

动车组运行故障动态图像检测系统TEDS在客运专线安装部署,为动车组安全运行提供保障。针对TEDS缺陷自动检测精度低的问题,提出基于卷积神经网络的TEDS缺陷检测与分割模型,采用特征金字塔网络提取缺陷的多尺度融合特征,采用可改变感受野的可变形卷积DCN适应缺陷形态的多样性。TEDS缺陷检测任务中缺陷数量远小于背景数量,采用在线困难样本挖掘OHEM筛选出困难样本,重新输入预测网络以平衡正负样本的比例。通过对几个动车段的TEDS图像数据进行试验分析,结果表明该模型的准确率、召回率优于传统方法。另外,迁移学习试验结果验证了模型的泛化能力,且该模型可以实现缺陷的精准分割。     

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。     

基于多层级特征融合的钢轨表面伤损检测方法

现有的钢轨表面伤损检测方法存在鲁棒性差、误检率高和容易漏检小面积伤损区域的问题.为此,提出一种基于多层级特征融合的钢轨表面伤损检测方法.首先,利用高速综合检测车搭载轨道图像采集系统,在实际的铁路线路采集轨道图像,并对表面伤损进行人工标注;然后,在钢轨图像数量有限的情况下,利用钢轨表面伤损数据集构建策略,提升训练样本图像...     

基于改进YOLOv5算法的块状磨屑识别方法

针对钢轨打磨车作业产生的块状磨屑的处理方式效率低、智能化程度低、安全隐患大等问题，提出一种基于改进YOLOv5算法的块状磨屑智能识别方法。在原有YOLOv5算法基础上，增加更大尺度的检测层，提升小尺寸块状磨屑的检测效果；在骨干网络嵌入卷积注意力模块（Convolutional Block Attention Module,CBAM），增强块状磨屑的特征表达；选择EIoU(Efficient Intersection over Union)替代CIoU(Complete Intersection over Union)作为目标框回归的损失函数，加快模型的收敛速度，提高块状磨屑预测框的精度。利用某轨道巡检小车采集的数据进行测试试验，结果表明：改进后的YOLOv5算法对于块状磨屑的检测能力有所提高，召回率提升了4.55%，均值平均精度提升了8.6%，对小尺寸块状磨屑有更好的检测效果。