基于卷积神经网络的列车实时客流检测算法

城市轨道交通作为城市公共交通系统的主体,在缓解交通出行压力、促进城市发展中具有十分重要的作用。科学精准的测算列车实时客流,对改善城市轨道交通客运服务水平,发展低碳、环保的绿色出行模式具有重大意义。为此,提出基于卷积神经网络的城市轨道交通列车实时客流检测算法,实现列车监控视频视野内乘客数量的实时检测。基于成都地铁1号线车载监控视频建立列车客流图像数据集,以剔除全连接层的VGG-16网络作为算法基础框架,提取输入图像的边缘、角点等浅层细节特征;将多尺度卷积层和膨胀卷积结构融合构建乘客多尺度特征感知模块,在保持图像分辨率的同时,通过不同的感受野增强尺度上下文信息的提取性能,提升网络对乘客尺度变化的鲁棒性;构建特征融合网络将网络浅层提取的细节特征与上采样后的深层语义特征嵌入融合,提升小尺度乘客目标的计数精度和特征图的信息丰富度。实验结果表明：所提算法在城市轨道交通列车场景下的检测精度得到显著提升,平均绝对误差、均方误差以及平均绝对百分比误差指标分别达到了1.1%,1.8%和5.4%,同时单张图像检测速率低于60 ms,能够满足列车客流检测的实时性需求;且算法在2个标准人群数据集Shanghai...     

基于深度学习的车站旅客密度检测研究

车站旅客密度是智能客运车站的重要基础信息。首先阐述模式识别、深度卷积神经网络、实时检测算法在图像检测领域的发展历程,并重点分析Faster-RCNN算法和SSD算法的原理;然后定义车站旅客密度检测评价指标,并对VOC数据集下训练的模型进行试验测试;最后构建车站行人数据集,用Faster-RCNN算法训练模型,模型在低密度场景和高密度场景的检测准确率分别为88%和85%。结果表明:公开数据集VOC下训练的模型无法直接用于车站旅客密度检测,基于车站行人数据集和Faster-RCNN算法训练的模型可满足现场需求。     

自然场景下基于四级级联全卷积神经网络的人脸检测算法

针对于自然场景下人脸检测存在的姿态复杂、遮挡和光照等问题,提出一种基于4级级联全卷积神经网络的人脸检测算法。构建4级级联网络,采用级联分级训练代替端到端训练,以避免只共享1个网络权值的局限,进而获得有区分性功能的深度网络,提高检测精度;每级深度网络结构均采用全卷积结构,可以接受任意尺寸图像的输入,提高检测效率;另外在训练过程采用自举法Bootstrap进行网络模型的优化训练,提高训练样本利用率;利用最终训练好的深度卷积网络模型实现人脸检测。人脸检测实验结果标明,本算法在自然场景下,对多姿态、遮挡、单图多种人脸类型等均具有良好的鲁棒性,同时在现有平台上每张图片的检测速度达到96ms,在国际权威的人脸检测公开测试集FDDB上的"真正率"达到82.98%。     

非限制场景下铁路机车车号定位检测方法

针对传统铁路机车车号定位检测模型泛化性较低，不适用于多种检测应用场景等问题，提出一种适用于非限制场景、基于YOLO(You Only Look Once)v4-tiny模型的铁路机车车号定位检测方法。文章采用空洞卷积代替标准卷积，增大机车车号特征提取感受野，提升传统YOLOv4-tiny模型的检测精度；建立铁路机车车号数据集（RLND,Railway Locomotive Number Dataset），用于模型训练，并对模型的检测效果进行验证。验证结果表明，该方法对铁路机车车号的定位检测精度为99.44%，检测速度为50帧/s，能够应对非限制场景下的机车车号定位检测需求。     

面向复杂环境的接触网关键设备缺陷检测方案

针对小样本及复杂环境下接触网关键设备缺陷检测难等问题，提出一种融合深度卷积神经网络和卡尔曼滤波的图像检测方案。采用MobileNet构建模型骨干网络，有效降低了计算成本；融合柔性非极大值抑制算法解决目标部件遮挡问题，并将上下文感知ROI池化层取代原始池化层，维护了小尺寸零部件的原始结构；最终通过卡尔曼滤波对检测结果进行修正，有效提高检测精度。实验结果表明：本文所述方法能够对复杂接触网设备实现零部件的精确检测，与相同条件下的其他检测算法相比综合性能最佳。     

基于CB-CNN与分割残差优化的列控系统网络攻击流量检测

复杂环境中的列控系统容易遭到各类网络流量攻击，现有的攻击流量检测方法往往特征选择差、稳定性较弱，导致检测精度较低。为此，提出一种通道增强卷积神经网络与分割残差优化的攻击流量检测方法。首先通过降噪式自动编码器对正常流量进行建模，同时使用无监督训练将原始特征空间转换为重构特征空间；然后利用通道增强使相关误差向量转化为分类器的多通道输入变量；最后为增加神经网络的特征表示多样性，设计一种多路径的分割残差网络来优化CB-CNN,通过学习不同维度级别的流量特征来优化分类。实验结果表明：所提方法具有较好的训练性能，NSL-KDD数据集与真实铁路安全网络中获得的平均精确率分别为94.573%与96.78%。在误报率较低的同时均具有较好的分类可视化效果。综合对比其他检测方法，提出方法检测实时性较好，能够适用于复杂场景的列控系统网络攻击检测，在噪声存在时具有较好的鲁棒性。     

融合自注意力机制与深度学习的混凝土表面裂隙智能识别

混凝土裂隙几何信息识别的精确度,影响后期工程的安全.而传统的检测方法存在对裂隙识别不准、不全、不即时的缺陷,无法满足精度和实效性的现实需求.本文提出一种融合自注意力机制与全卷积神经网络的图像分割算法,以混凝土裂隙图像建立数据集,搭建深度学习网络;以全卷积神经网络训练模型,使用空间自注意力模块调整特征编码,输出基于自注意...     

基于改进YOLOv5s算法的列车驾驶员手势识别

随着智能铁路的发展，人工智能技术得到广泛应用。通过深度学习对列车驾驶员手势实时检测，可提高检查驾驶员手势执行情况的效率，保证列车运行安全。针对现有手势识别算法识别精度低、检测速度慢、难以部署等问题，提出一种改进的YOLOv5s列车驾驶员手势识别算法。首先在原始主干网络的卷积操作之后添加CBAM模块，加强重要特征信息，抑制次要特征信息；其次在颈部网络中引入BiFPN模块，在不过多增加计算量的情况下，更好地实现多尺度特征融合；最后通过改进的K-means聚类算法生成适合本文数据集的先验框，更好地提升预测框精准度，加强模型的识别性能。实验结果表明，本算法在测试集上平均精确率均值为0.955,检测速度为71 FPS,网络模型所占内存为15.9 MB,验证了该算法具有识别精度高、检测速度快、模型内存占比小等优势，对于实现工程部署有重要意义。     

基于特征增强学习的路面裂缝病害视觉检测方法

受路面复杂背景的干扰,既有的路面裂缝病害视觉检测算法易产生虚警和漏检问题。基于此,提出一种基于语义特征增强学习的路面裂缝病害检测方法。为了强化网络模型对图像浅层特征的利用,该算法以Unet++网络为裂缝检测的主框架,其通过融合更多的底层特征信息来提升裂缝病害检测的精度。在Unet++网络层间特征融合的基础上,根据不同卷积层的特征图属性,进一步差异性地引入视觉注意力计算模块,有效抑制背景杂波的干扰,减少虚警率。为了降低裂缝病害检测的漏检率,利用空洞卷积操作分别从2方面改进网络模型的训练过程：其一,应用空洞卷积代替传统的池化操作,通过网络的自动学习剔除无关紧要的特征信息,加强网络对细微裂缝特征的学习能力;其二,在网络上采样前,建立空洞卷积金字塔池化层,通过增加对裂缝特征的尺度多样性计算,保证网络模型在不同拍摄距离下裂缝病害检测的适用性。收集大量的路面裂缝图像数据并与不同算法进行对比分析,实验结果表明本算法取得了比全卷积网络、原始Unet++网络更优的裂缝检测效果。     

地铁应用场景中半监督群体异常行为检测模型

为了解决拥挤、奔跑及踩踏等地铁群体异常行为带来的公共安全风险问题，针对地铁车站监控视频样本的种类繁多、均衡性差、背景环境复杂多样等问题，提出一种可迁移性强、训练及运行效率高、样本量标注较少的半监督群体异常行为检测模型。结合卷积自编码器和卷积长短期记忆网络，分别对图像样本进行空间维度特征压缩重构和时间维度运动特征叠加，并通过自动检测实时监控视频图像，及时发现不同场景下人群状态的异常行为，以降低危害乘客财产生命安全的可能性。基于现有的视频监控系统，所提模型可以完成对车站内高发区域和场景的全覆盖，将监控图像每个像素的重构误差以热图或散点图的形式叠加到原始图像中，有助于监管人员迅速发现异常区域，并及时响应处置。在Subway、CHUK Avenue及自建的无锡地铁数据集上验证了所提模型的准确性。研究结果表明，与同类经典模型相比，所提模型在提升检测精度的同时也能基本满足地铁车站场景下的实时性应用需求。     

无砟道床表观伤损智能识别算法研究北大核心

为提高无砟道床表观伤损检测系统的检测精度和准确率,提出了一种多尺度多任务的伤损智能识别算法。采用特征图L1范数准则对ResNet网络的冗余卷积核进行压缩剪枝,以降低模型计算量和存储空间。通过采集的图像构建样本库,利用像素级语义分割算法,以优化后的ResNet网络为编码网络,以PPM网络为解码网络,搭建编码-解码深度学习架构模型,并通过测试集试验和现场试验对模型进行验证。结果表明,该模型对2000张测试图像的识别准确率为95.6%,无砟道床表观伤损现场检出率为96.4%,检测效果良好。该模型可以实现对无砟道床表观伤损的自动化检测、伤损趋势分析和状态评定。     

基于卷积LSTM的混凝土裂缝图像识别技术

为有效解决混凝土裂缝图像识别出现的断裂和内部空腔问题,提高裂缝整体区域定位识别精度,本文提出了基于卷积长短期记忆网络（Long Short Term Memory networks,LSTM）的裂缝识别方法。通过滑动窗口切分裂缝图像使邻近裂缝间呈现时空延续性;基于编解码的图像分割思想,构建基于VGG(Visual Geometry Group)骨干网络的特征提取编码器,结合卷积LSTM模块学习裂缝的上下文关联特征,通过解码器和分类模型实现裂缝分割,建立编解码特征独立的EDConvLSTM(Encoder-Decoder Convolutional Long Short Term Memory networks)裂缝分割模型,并进一步构建编码器与解码器特征融合的FEDConvLSTM(Fused Encoder-Decoder Convolutional Long Short Term Memory networks)模型,将高层特征与底层特征相结合,在保证裂缝完整性的同时充分挖掘裂缝的边缘信息,实现混凝土裂缝的精准分割。利用Github平台Yhlleo提供的开放基准数据集DeepCra...     

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。     

铁路桥梁裂缝位置识别与目标检测方法探讨

裂缝是铁路混凝土桥梁累积性破损的早期表现形式。由于裂缝形态的非线性和桥梁结构所处环境的多样性,依靠人工作业的桥梁裂缝检测存在耗时长、主观性大、检测精度不高等问题,已无法满足桥梁状态诊断的需求。传统的裂缝图像处理方法过于依赖算法设计者的经验,易导致检测精度不高。针对上述问题,提出一种基于Detectron平台的目标检测模型,利用模型中卷积神经网络(CNN)对输入图像的光线、扭曲旋转、大小变化等高度适应的优点,从大量裂缝图像中学习裂缝特征,实现对桥梁裂缝位置的识别。采用图像分割法建立图像训练集、验证集及测试集,用特征标定工具为数据集作裂缝位置标签,创建由4个卷积层(Conv),4个池化层(Max-pooling)和1个全连接层(FC)共922,368个参数组成的卷积神经网络(CNN),并将学习率调整为0. 001。验证及测试表明,所提出的基于Detectron平台的目标检测模型在数据多次迭代后具有良好的裂缝位置识别精度。用于模型学习的训练集与验证集上,识别精度最优值分别为92. 64%和88. 98%,未被模型学习的测试集上,识别精度最优值为90. 43%。最后,通过与传统图像处理识别技术的对比分析,阐明模型在特征识别上的优劣性。     

智轨列车基于稀疏点云和图像的车辆识别技术

针对识别智轨列车的前方车辆三维信息来保证其行车安全的问题,提出一种面向智轨列车基于稀疏点云和图像的车辆识别技术.首先采用基于角度阈值的算法分割地面并提取障碍物点云,然后提出距离角度约束算法遍历障碍物点云求解聚类点集,通过二次求解优化聚类结果获取预融合聚类点集,最后采用YOLOv3网络模型进行车辆检测,构建基于几何模型的图像点云映射关系,将车辆图像识别信息与预融合聚类点集进行匹配,实现了车辆三维信息识别.研究结果表明:在16线激光雷达稀疏点云条件下,所提方法在多障碍物共存的开放式场景中具有较高的识别率和实时性,满足智轨列车动态检测需求.     

基于门控循环残差网络的滚动轴承故障诊断研究

滚动轴承的运行状态对整体机构的工作状态影响很大，防止因滚动轴承失效而产生的安全事故极为重要。而一维信号只利用卷积神经网络CNN(Convolutional Neural Networks)输出结果时无法充分利用数据间的时序信息的问题，因此，文中结合门控循环单元GRU(Gated Recurrent Unit)在处理时序数据所具有的优势,提出了一种门控循环残差网络结构，将CNN在强大的特征提取的优点与GRU处理时序数据的优点有机结合起来。为了验证算法的有效性，采用凯斯西储大学轴承数据集与齿轮箱轴承台架试验进行轴承故障诊断分析，同时引入常见神经网络作为对比，检验不同模型的分类性能。结果表明，在相同试验条件下相较于卷积神经网络等深度学习网络，文中算法具有更高的故障识别准确度和稳定性。     

基于模糊形变模型的3D表面自适应重建

结合模糊技术、形变模型和ＡＣＤ方法提出了基于模糊形变模型的３Ｄ表面自适应重建方法。在模糊分割的基础上，引入了模型的模糊外力，在该模糊外力作用下模型能逼近任意复杂的物体表面；利用ＡＣＤ方法使模型自适应地改变其拓扑结构；为了提高表面重建的速度和鲁棒性，提出多尺度重建算法。实验结果表明该方法的有效性。     

结合图像全局和局部信息的符号压力函数分割模型

仅采用局部或全局图像信息很难处理弱边界和噪声图像的分割问题，据此提出一种结合图像全局和局部信息的符号压力函数分割模型。首先，利用图像的全局和局部区域信息，分别构造全局和局部灰度拟合项；其次，将定义的全局拟合项与局部拟合项进行线性组合，构造一个混合符号压力函数；再次，重新定义气球力函数，以期达到自适应改变水平集演化速率的目的。数值仿真实验结果表明，该算法不仅能准确分割弱边界和多目标图像，而且分割速度很快且对噪声具有一定的鲁棒性。     

基于视觉的地铁列车前向目标识别系统研究

为解决地铁列车前向运行环境中障碍物判断问题,提出基于视觉的地铁列车前向目标识别系统。该系统利用语义分割算法提取行驶轨道区域,结合轨道区域识别,基于SSD算法提取前向运行环境中轨道限界范围内的列车、行人等目标。针对上述场景,建立列车前向运行环境样本库,并基于该样本库完成模型训练。实验结果证明所得模型可有效识别列车前向行驶多目标。     

基于卷积神经网络优化算法的列车智能测试系统技术研究

设计基于卷积神经网络优化算法的列车智能测试系统,解决城市轨道交通领域列车系统测试自动化模拟问题。提出的列车智能测试系统,采用卷积神经网络的结构模型和基于分层压缩的卷积神经网络算法,详尽介绍构建分层压缩卷积神经网络的具体过程和卷积核优化结构设计。对站场测试用例的自动化模拟实验和测试数据分析的结果表明,基于卷积神经网络优化算法的列车智能测试系统可以优化测试过程、降低人工错误操作、合理分配测试资源、提高测试质量,加快整体系统测试进度的要求,为城市轨道交通领域未来实现全面自动化测试提供技术保障。