【摘要】：鐵路運(yùn)輸是目前世界上最主要的運(yùn)輸方式之一,如何提高其安全性是相關(guān)行業(yè)長(zhǎng)久以來(lái)研究的問(wèn)題。在列車(chē)安全運(yùn)營(yíng)過(guò)程中,車(chē)輛狀態(tài)監(jiān)測(cè)是一項(xiàng)重要卻繁雜的工作,其中列車(chē)門(mén)窗的識(shí)別與檢測(cè)研究是其他相關(guān)研究展開(kāi)的基礎(chǔ)。目前,除了通過(guò)列車(chē)門(mén)窗中安裝感應(yīng)設(shè)備進(jìn)行檢測(cè)之外,只能通過(guò)人工核查。然而,人工核查環(huán)節(jié)中存在著諸多主觀因素的影響,易對(duì)列車(chē)運(yùn)營(yíng)安全產(chǎn)生嚴(yán)重隱患,如:人的疲勞、注意力分散、各種誤檢等。為消除主觀、疲勞等不穩(wěn)定因素的影響,以人工智能的自動(dòng)化檢測(cè)方式取代人工,是未來(lái)列車(chē)狀態(tài)實(shí)時(shí)監(jiān)測(cè)的大勢(shì)所趨�；诖搜芯磕繕�(biāo),本文提出了一種基于可變窗卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的檢測(cè)方法,該方法中設(shè)計(jì)了一種基于滑動(dòng)窗式的興趣區(qū)域(Region of Interest,RoI)選擇方法,通過(guò)漸變式窗口采集同中心點(diǎn)且具有多尺寸感受野的圖像組,所有圖像組中元素分別經(jīng)不同全連接層,映射至同一維度空間,最后通過(guò)基礎(chǔ)CNN進(jìn)行特征提取與分類器訓(xùn)練,以用于目標(biāo)檢測(cè)。同時(shí),本文在此基礎(chǔ)之上進(jìn)行了性能優(yōu)化與改進(jìn),進(jìn)一步提出了基于組合式多層分類器的CNN模型,該方法利用組合式分類器,使不同組合的分類器針對(duì)不同深淺層次的網(wǎng)絡(luò)進(jìn)行分類操作,并通過(guò)綜合利用基于滑動(dòng)式窗口的多尺度感受野特征提取和組合式多層分類器識(shí)別判斷,對(duì)CNN中不同深淺的特征提取進(jìn)行控制與提煉,最終取得了更高的檢測(cè)精度。最終,通過(guò)與其他方法的實(shí)驗(yàn)分析與對(duì)比,本文提出的基于滑動(dòng)窗和基于組合式多分類器的檢測(cè)方法能夠有效地完成在線運(yùn)行列車(chē)門(mén)窗的檢測(cè)和識(shí)別任務(wù)。與此同時(shí),各項(xiàng)試驗(yàn)結(jié)果表明,基于本文所提供的訓(xùn)練集、驗(yàn)證集與測(cè)試集,在列車(chē)門(mén)窗安全檢測(cè)和識(shí)別任務(wù)上,本文所提出方法的檢測(cè)精度和性能已經(jīng)優(yōu)于其他相關(guān)先進(jìn)方法。
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：U298;TP181
【圖文】：

2.1 不含上下文的列車(chē)窗（左圖）及含有上下文的列車(chē)窗（右圖當(dāng)?shù)倪x取圖像的上下文語(yǔ)境，對(duì)列車(chē)門(mén)窗的檢測(cè)有著事的上下文信息，相對(duì)于大尺寸的目標(biāo)來(lái)說(shuō)，可以忽略不息，相對(duì)于小尺寸的目標(biāo)來(lái)說(shuō)，會(huì)起到反作用。因此，應(yīng)從所需要處理的任務(wù)特性出發(fā)，根據(jù)任務(wù)特點(diǎn)，以合上下文信息。借鑒于自然語(yǔ)言處理中 n-gram[28]的上下文選取策略，圖是以目標(biāo)為中心，圍繞目標(biāo)，在目標(biāo)周?chē)詳U(kuò)散或滑動(dòng)題在針對(duì)列車(chē)門(mén)窗的檢測(cè)中，使用了兩種形式的上下文之分別命名為漸變式語(yǔ)境與滑動(dòng)式語(yǔ)境。變式語(yǔ)境，顧名思義，是以一個(gè)不動(dòng)點(diǎn)為中心，通過(guò)一逐漸縮小的矩形框，對(duì)中心點(diǎn)周邊的信息進(jìn)行范圍性截個(gè)漸變窗口示意圖，由圖易知，最小的窗口中，僅包含框中內(nèi)容，無(wú)法準(zhǔn)確判斷其為列車(chē)窗；中間的窗口中，

圖 2.2 漸變式語(yǔ)境示意圖語(yǔ)境，是以一個(gè)點(diǎn)為中心，在一定范圍內(nèi)進(jìn)行滑動(dòng)采樣的滑示，黃色為中心點(diǎn)，黑色為邊界（滑動(dòng)范圍），滑動(dòng)窗口則定步長(zhǎng)進(jìn)行滑動(dòng)的窗口。滑動(dòng)式語(yǔ)境有區(qū)別于漸變式語(yǔ)境尺寸的窗口，由于它通過(guò)滑動(dòng)的形式對(duì)圖像進(jìn)行采樣，在較為廣泛的應(yīng)用。

圖 2.2 漸變式語(yǔ)境示意圖語(yǔ)境，是以一個(gè)點(diǎn)為中心，在一定范圍內(nèi)進(jìn)行滑動(dòng)采樣的滑動(dòng)示，黃色為中心點(diǎn)，黑色為邊界（滑動(dòng)范圍），滑動(dòng)窗口則是定步長(zhǎng)進(jìn)行滑動(dòng)的窗口�；瑒�(dòng)式語(yǔ)境有區(qū)別于漸變式語(yǔ)境的尺寸的窗口，由于它通過(guò)滑動(dòng)的形式對(duì)圖像進(jìn)行采樣，在邊較為廣泛的應(yīng)用。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[J];電工技術(shù);2019年11期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

8 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車(chē)的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

9 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

10 蘇秀婷;;耦合神經(jīng)網(wǎng)絡(luò)的同步[J];紹興文理學(xué)院學(xué)報(bào)(自然科學(xué));2016年03期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U

本文編號(hào)：2776781