基于改进宽残差结构的接触网吊弦状态辨识分类网络

铁路接触网系统中吊弦的工作状态对机车运行至关重要。视频图像的接触网吊弦状态快速准确识别备受关注,因吊弦图像数据的特殊性导致现有网络模型识别精度较低。本文针对吊弦数据特征设计分类网络结构,提出适应接触网吊弦状态识别的VRNet分类网络。VRNet的核心为嵌入了注意力机制的宽残差结构,将此结构作为特征提取模块取代VGG-16中的一般卷积,改变其单一的平原结构。并使用Ghost机制替换宽残差结构中的普通卷积,大幅降低了模型的参数量和运算量。VRNet分类网络在吊弦故障分类实验中精度达到97%,优于其他分类网络,并在相关应用研究中表现出优良性能。     

基于卷积神经网络的铁路桥梁高强螺栓缺失图像识别方法

为及时发现铁路桥梁高强螺栓偶发的延迟断裂并补充新螺栓,降低铁路桥梁连接失效风险,开展基于卷积神经网络的桥梁高强螺栓缺失图像识别方法研究。该识别方法的主网络由5个卷积层、5个最大值池化层和2个全连接层的卷积神经网络组成。提出在主网络上附加通道和空间混合注意力子网络,分别对不同输入图像的高层不同通道语义特征和不同区域赋予不同权重,提高图像的特征和区域敏感性,进而提高网络的识别准确率。通过随机裁剪、翻转、颜色变化、仿射变换增强和数据均衡操作,增加训练数据的多样性和改善数据的不平衡性。基于真实场景螺栓缺失场景识别结果表明,识别方法的准确率达到94.9%,比常见识别方法提高了4.9%。     

基于卷积神经网络的接触网支柱号识别方法研究

接触网支柱号是铁路供电部门现场运营维护的重要定位参数。基于卷积神经网络的接触网支柱号自动识别方法结合接触网图像的实际特点,对视频图像进行了归一化图像预处理,并对实际的支柱图片进行了卷积神经网络的训练,在支柱号识别确定的过程中考虑了接触网支柱号的分布特点,提高了支柱号识别的准确性。利用实际线路数据进行测试,取得了较好的识别精度和较快的识别速度。通过实验验证,该方法能够辅助铁路基础设施检测系统中缺陷的定位,指导现场运营维修。     

基于改进卷积神经网络的驾驶员眼睛状态识别

为准确、高效识别驾驶员眼睛状态，提出一种基于改进卷积神经网络(Improved Convolutional Neural Networks, ICNN)的驾驶员眼睛状态识别方法。在LeNet-5网络的基础上采用多个小卷积层堆叠替换一个大卷积层的策略，减少参数量和浮点运算数的同时增强网络对眼睛图像的特征提取能力；在卷积层和池化层之间嵌入高效通道注意力(Efficient Channel Attention, ECA)模块，使网络突出眼睛图像中重要通道特征并弱化非重要通道特征，完成ICNN的构建；利用ICNN准确、高效自学习图像中有效眼睛状态特征信息的特点，实现端到端的驾驶员眼睛状态识别。通过在两个公开和一个实测的眼睛数据集上进行对比实验，验证卷积层堆叠替换和嵌入ECA模块的有效性，所提方法具有更高的训练效率和眼睛状态识别准确率。     

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...     

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。     

高铁接触网异物自动化智能检测方法

基于接触网安全巡检装置(2C)采集的海量图像数据,提出高铁接触网异物自动化智能检测方法,以实现稳健、可靠、精准的高铁接触网安全异常检测。该方法面向2C图像的特点以及接触网安全运行需求,首先对图像进行预处理,然后设计基于深度神经网络的异物检测方法,利用已标定样本训练异物检测模型,并通过预训练和重训练步骤进行深度学习模型的优化,最后将训练好的模型应用于真实场景中对特定异物进行自动检测。对采集的2C图像进行相关试验,结果表明,该方法可以快速有效地检测出接触网异物,准确率达到96.5%以上,具有较高的应用价值。     

基于深度自编码网络的接触网开口销缺失识别

在对接触网悬挂装置状态进行检测时,因为缺少开口销缺失的样本,智能识别难以保证较高的准确率。本文提出了一种基于YOLO v2检测算法与深度降噪自编码网络的接触网开口销缺失识别方法,实现对开口销的定位及定位后开口销图像重构,通过分析重构误差判断接触网开口销是否缺失。试验证明该方法能有效识别开口销缺失情况。     

基于自编码器的接触网定位器底座开口销缺失识别算法研究

随着接触网故障检测技术的发展,接触网悬挂状态检测系统可得到接触网定位器的海量高清图像用于线下故障排查。为提高接触网定位器底座开口销缺失检测的准确性和效率,基于自编码器无监督网络模型,根据定位装置开口销区域的图像特征设计开口销缺失识别算法,并通过实际现场图像数据验证算法的有效性和通用性。试验分析表明,该算法对于背景复杂、光照不均等现场实际图像均具有良好的适应性,算法检测准确率达90%以上,可提高接触悬挂零部件缺陷检测效率,具有重要的实际工程意义。     

基于卷积块注意力模块和双向特征金字塔网络的接触网支持装置检测方法研究

接触网支持装置是接触网悬挂状态检测监测图像分析的关键对象，对支持装置零部件的检测定位是实现缺陷自动分析的基础。针对接触网支持装置零部件种类多、尺寸差异大、存在遮挡、部分零部件相似度高等问题，提出一种融合卷积块注意力模块（convolutional block attention module,CBAM）和双向特征金字塔网络（bidirectional feature pyramid network,BiFPN）的接触网支持装置检测方法。在YOLO v5s网络模型基础上，该方法通过CBAM增强接触网支持装置的特征提取，结合BiFPN，实现不同零部件分辨率特征图的融合。利用4C装置获得的图像数据集，开展验证试验。试验结果表明，相对YOLO v5s网络模型，融合CBAM和BiFPN的接触网支持装置检测方法，网络平均精度mAP@0.5提高2.12%；能显著提升小目标检测效果，提高定位的准确性和稳定性，对接触网状态的智能分析有重要意义。     

基于深度卷积神经网络的铁路接触网鸟窝检测方法研究

鸟类在铁路接触网筑巢一直是造成接触网故障的一个重要原因,目前主要依靠人工巡检的方式确定是否存在鸟窝,不仅工作量大、漏检率高,而且效率低。因此提升接触网鸟窝的检测效率,及时排除隐患,对保障铁路安全运营具有重要的意义。针对此问题,提出了一种基于深度卷积神经网络的Faster R-CNN模型用于接触网鸟窝的自动识别。通过自定义合适的网络结构和参数,经过预训练、 RPN网络训练、Fast R-CNN网络训练以及对RPN和Fast R-CNN的联合训练,建立了适合鸟窝检测的Faster R-CNN模型,实现对鸟窝的检测。经试验,Faster R-CNN的准确率为88.5%,每张图片的识别速度为79 ms,通过与传统的HOG方法、DPM方法和卷积神经网络方法进行比较,验证了深度卷积神经网络对铁路接触网鸟窝检测高效性。     

基于3D卷积神经网络的高铁轨道质量指数预测方法

轨道质量指数（TQI，Track Quality Index）是反映高铁整体线路质量状态的重要指标，分析TQI数据的变化规律能够对高铁线路养护维修提供重要指导和参考依据。为提高TQI数据预测的准确性，提出了一种多项特征数据的3D卷积神经网络模型，分析了TQI数据特征，抽取时间、空间、检测项数据并形成三维特征数据集，基于3D卷积神经网络算法，构建8层TQI预测模型，并从初始化参数、学习速率、激活函数、损失函数、Dropout方法等角度对模型进行优化，并利用某高铁线检测数据进行试验验证。结果表明，3D卷积神经网络模型可较好的预测高铁线路状态变化趋势，且对比于BP神经网络和2D卷积神经网络方法，平均绝对误差分别降低了41.48%、26.32%，均方差分别降低了65.42%、39.93%，证明了该方法的准确性与有效性，对于预测TQI与制定高铁线路养护维修计划具有实用价值。     

基于加速区域卷积神经网络的高铁接触网承力索底座裂纹检测研究

针对高速铁路接触网支撑结构中承力索底座裂纹的问题,提出一种利用加速区域卷积神经网络与Beamlet变换相结合的图像检测方法。该方法使用加速区域卷积神经网络实现对承力索底座在待检测图像中的识别定位,然后根据定位的承力索底座图像特点,通过Radon变换等预处理操作对承力索底座疑似裂纹区域精确定位,最后使用基于Beamlet变换的局部链搜索算法快速得到裂纹信息,实现承力索底座裂纹故障的可靠诊断。实验表明:该方法能在复杂的接触网支撑与悬挂装置图像中准确定位识别承力索底座裂纹故障,对拍摄距离、拍摄角度以及曝光度等因素具有很好的适应性,且具有较高的检测效率。     

深度学习在接触网定位器缺陷检测中的应用

高速动车接触网运营安全的需求使得接触网关键零部件的缺陷自动检测成为一份有意义的工作。针对接触网巡检图像的定位器缺陷检测问题,本文提出了一种基于图像深度表示和直线检测的目标检测一体化算法。该算法采用选择搜索算法获得定位器在图像中可能存在的备选区域,利用深度卷积神经网络计算图像的深度特征,通过多任务学习的算法求得定位器的局部区域。随后,利用Canny边缘提取和Hough直线检测的方法在局部区域内精确检测定位器直线。针对接触网巡检图像的实际应用场景,对该算法在不同场景下进行验证,试验结果表明,该算法可以有效解决实际场景下的定位器缺陷检测问题。     

基于深度学习的高铁接触网旋转双耳开口销钉缺失故障检测

针对高速铁路接触网支撑装置中旋转双耳开口销钉缺失故障检测的问题,提出一种基于深度卷积神经网络和集成学习的故障检测方法。通过Faster R-CNN网络对旋转双耳整体进行精确定位;在整体定位结果的基础上,进一步完成对开口销钉的精确定位,最大程度上降低背景对故障检测的干扰;通过多个深度卷积神经网络提取开口销钉图像的多种特征,最终由多个线性SVM构成的集成分类器实现开口销钉缺失故障检测。实验结果表明:本方法能在复杂的接触网支撑装置图像中实现旋转双耳开口销钉的精确定位,并且在销钉的缺失故障检测中表现出较高的可靠性。     

关于3C检测燃弧缺陷的分析方法与处置对策

科学分析车载接触网运行状态检测装置（3C）检测出的燃弧超限缺陷，针对接触悬挂不同位置发生的燃弧报警进行分类，利用接触网检测监测系统、静态测量数据以及现场复核等手段进行综合分析，提出不同类别的3C检测燃弧缺陷相应的分析方法和处置对策。     

基于无监督知识蒸馏的高铁绝缘子缺陷检测算法

绝缘子作为高铁接触网的重要组成部分，是隔离接触网和地面的关键零部件。但绝缘子缺陷样本稀缺，缺陷类型多样，基于有监督深度学习的绝缘子缺陷检测难以满足现场需求。针对该问题，本文提出一种基于知识蒸馏的绝缘子缺陷检测算法。该方法主要分为两个阶段：第一阶段使用一个基于YOLO-v5的绝缘子旋转定位网络快速准确地将绝缘子从接触网图像中提取出来，并使用滑动窗口将其下采样为绝缘子小块；第二阶段使用由一个教师网络和一个学生网络组成的绝缘子缺陷检测网络检测缺陷。实验表明该方法具有良好的可行性。     

基于图像处理的接触网定位线夹目标检测

随着接触网故障检测技术的发展,接触网悬挂状态检测监测装置可得到接触网定位装置的海量高清图像用于线下故障排查。为提高故障检测的效率和准确性,基于图像处理技术,根据定位线夹区域的结构特征设计定位线夹目标区域的检测算法,并通过实际图像数据验证算法的有效性和通用性。该算法对于背景复杂、光照不均、含噪声等现场实际图像均具有良好的适应性,算法检测准确率达90%以上,极大提高了检测效率并为进一步的缺陷检测奠定了基础,具有重要的实际工程意义。     

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...     

钢轨扣件检测技术研究

轨道交通的飞速发展对轨道线路各组成部分的可靠性检测提出了更高要求,依靠人工手持设备检测存在某些弊端,因此迫切需要依靠计算机图像处理和深度学习等技术实现轨道线路的自动化检测。介绍一种基于图像处理的钢轨扣件状态分类方法,该方法通过对扣件图像的二值化处理,根据其水平方向和垂直方向上的投影特点对扣件部分进行分割,随后提取其局部二值模式(LBP)特征并用支持向量机(SVM)进行分类。同时,探讨一种基于深度学习的扣件图像分类识别方法,采用卷积神经网络VGG16架构,该方法中扣件区域的特征提取可由网络自动完成,不仅节省了时间,而且识别精度和适用性也得到明显提升。