【摘要】：近年來(lái),隨著高速列車的提速,對(duì)軌道入侵異物的監(jiān)測(cè)也成為了鐵路線路安全領(lǐng)域中越來(lái)越重要的課題。傳統(tǒng)圖像信息獲取方法有在高速列車前安裝攝像機(jī),還有就是在固定鐵路段的立式攝像機(jī),這兩種方式有一個(gè)共同點(diǎn)就是距離攝像機(jī)遠(yuǎn)的地方因?yàn)橐暯堑脑驎?huì)出現(xiàn)檢測(cè)不準(zhǔn)確的情況,而對(duì)于車載前攝像機(jī)檢測(cè)會(huì)出現(xiàn)即使識(shí)別出也不能及時(shí)避開(kāi)障礙物的狀況。對(duì)圖片中異物檢測(cè)的傳統(tǒng)方法是幀間差分法,但是此方法受場(chǎng)景和光線的影響較大,所以會(huì)導(dǎo)致檢測(cè)時(shí)間較長(zhǎng)不能夠滿足軌道異物實(shí)時(shí)檢測(cè)。目前,微型飛行器的技術(shù)也愈來(lái)愈成熟,將其應(yīng)用到圖像信息的采集,有著較大的優(yōu)勢(shì),既可以滿足檢測(cè)的實(shí)時(shí)性,又可以解決圖像采集時(shí)的視角問(wèn)題;而在軌道異物檢測(cè)算法方面,深度學(xué)習(xí)因其網(wǎng)絡(luò)訓(xùn)練模型以及特征表達(dá)方式在目標(biāo)檢測(cè)中有著很大的優(yōu)勢(shì),所以將其應(yīng)用到本文研究,并將其加以改進(jìn),使之適用于軌道圖像異物檢測(cè)。本文將采用微型飛行器采集軌道圖像信息,應(yīng)用Faster RCNN算法網(wǎng)絡(luò)模型對(duì)收集到的軌道圖片進(jìn)行數(shù)據(jù)集訓(xùn)練以及仿真實(shí)驗(yàn)檢測(cè),得到較好的檢測(cè)結(jié)果;同時(shí)也對(duì)改進(jìn)后的算法網(wǎng)絡(luò)模型進(jìn)行了實(shí)驗(yàn),經(jīng)過(guò)對(duì)實(shí)驗(yàn)結(jié)果的分析,發(fā)現(xiàn)其對(duì)軌道異物檢測(cè)的準(zhǔn)確度有較大提高。課題是基于深度學(xué)習(xí)的軌道圖片異物檢測(cè)研究,在所做的研究工作中主要有三大部分。首先,為建立完整的數(shù)據(jù)庫(kù),使用微型飛行器沿軌道進(jìn)行圖像采集,航拍時(shí)飛行器攝像頭調(diào)整至與地面合適角度,可以拍攝軌道沿途各段清晰的圖像信息,包括帶有入侵異物(人、狗、樹(shù)枝和落石等)的圖像拍攝,在數(shù)據(jù)集PASCAL-VOC2007的基礎(chǔ)上進(jìn)行網(wǎng)絡(luò)訓(xùn)練,使網(wǎng)絡(luò)系統(tǒng)學(xué)習(xí)到圖像中軌道背景以及一些入侵異物的特征向量,用于仿真實(shí)驗(yàn)時(shí)對(duì)輸入測(cè)試圖像中異物的準(zhǔn)確位置以及分類的判斷。然后是對(duì)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的Faster RCNN算法的分析研究,從算法的特征提取,RPN網(wǎng)絡(luò)Anchor的產(chǎn)生,對(duì)候選框的調(diào)整,入侵物的分類,以及實(shí)驗(yàn)參數(shù)的設(shè)定優(yōu)化,使之能夠適應(yīng)于軌道異物的檢測(cè)。也通過(guò)實(shí)驗(yàn)分析了通過(guò)航拍以及固定攝像機(jī)進(jìn)行數(shù)據(jù)采集兩種方式的檢測(cè)準(zhǔn)確精度。最后,為了在檢測(cè)中可以提高圖像中較小異物以及被遮擋異物的檢測(cè)率,對(duì)算法進(jìn)行了優(yōu)化改進(jìn),引入ION(Inside-Outside Net)網(wǎng)絡(luò)結(jié)構(gòu),其中InsideNet可以在ROI內(nèi)采用skip pooling的方式連接不同卷積輸出層輸出的Feature maps實(shí)現(xiàn)多尺度融合,對(duì)較小異物的檢測(cè)起到很好的作用;OutsideNet是在ROI外通過(guò)添加RNNs(special Recurrent Neural Net)網(wǎng)絡(luò)實(shí)現(xiàn)上下文信息的提取,對(duì)于被遮擋異物可以提高檢測(cè)精準(zhǔn)率。最后通過(guò)仿真實(shí)驗(yàn)得到,引入ION網(wǎng)絡(luò)結(jié)構(gòu)后的算法網(wǎng)絡(luò)檢測(cè)系統(tǒng),能夠?qū)Ξ愇锏臋z測(cè)準(zhǔn)確性達(dá)到較優(yōu)的效果。
【學(xué)位授予單位】：蘭州交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：U298;TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 郭保青;朱力強(qiáng);史紅梅;;基于快速DBSCAN聚類的鐵路異物侵限檢測(cè)算法[J];儀器儀表學(xué)報(bào);2012年02期

相關(guān)碩士學(xué)位論文 前10條

1 王根深;基于BP神經(jīng)網(wǎng)絡(luò)的太湖葉綠素濃度反演[D];南京郵電大學(xué);2018年

2 曾鈺廷;基于深度學(xué)習(xí)的物體檢測(cè)與跟蹤方法的研究[D];東華理工大學(xué);2018年

3 楊帆;基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)分類算法的研究[D];太原理工大學(xué);2018年

4 劉雄祥;基于卷積神經(jīng)網(wǎng)絡(luò)的鐵軌表面缺陷識(shí)別研究[D];西南科技大學(xué);2018年

5 黃森林;啤酒空瓶檢測(cè)機(jī)器人的瓶身缺陷檢測(cè)算法研究及應(yīng)用[D];湖南大學(xué);2018年

6 王群;基于雙目立體視覺(jué)的軌道入侵物識(shí)別技術(shù)研究[D];北京交通大學(xué);2018年

7 唐詩(shī);基于車載視頻的道路車輛及行人檢測(cè)[D];電子科技大學(xué);2018年

8 提浩;自然場(chǎng)景下的人臉檢測(cè)及表情識(shí)別算法研究[D];北京交通大學(xué);2018年

9 時(shí)磊;基于深度學(xué)習(xí)的醫(yī)學(xué)圖像標(biāo)注模型構(gòu)建研究[D];太原理工大學(xué);2017年

10 衛(wèi)露寧;基于全卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)算法研究[D];浙江大學(xué);2017年

，

本文編號(hào)：2614053