發(fā)布時間：2021-09-03 01:53

　　鐵路扣件是將軌枕與鐵路進(jìn)行連接的重要部件,在保證列車運(yùn)營安全方面有著極為重要的作用。隨著我國鐵路里程的日益增長,人工維護(hù)扣件這一工作情況急需改善,對此,研發(fā)一種能夠代替鐵路工人進(jìn)行扣件維護(hù)的鐵路裝備顯得尤為重要,而研發(fā)此類裝備的關(guān)鍵之一便是對扣件的識別,其中包括扣件螺母定位以及扣件狀態(tài)分類。目前,基于深度學(xué)習(xí)的圖像識別技術(shù)發(fā)展迅速,相比于傳統(tǒng)圖像識別方式具有諸多優(yōu)勢,在未來也更具有應(yīng)用前景,而在如何將扣件螺母進(jìn)行定位以及如何對扣件完整性進(jìn)行檢測判斷這個問題上,深度學(xué)習(xí)技術(shù)具有極大的優(yōu)勢,因此研究基于深度學(xué)習(xí)的扣件的檢測技術(shù)對研制全自動扣件維護(hù)裝備具有極其重要意義和價值。本文以深度學(xué)習(xí)技術(shù)為基礎(chǔ),首先介紹了卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識,對目前常用的激活函數(shù)進(jìn)行了詳細(xì)的比較分析,闡明了局部連接和權(quán)值共享這兩個卷積神經(jīng)網(wǎng)絡(luò)最必不可少的特性,之后通過三種經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)說明了近幾年神經(jīng)網(wǎng)絡(luò)模型的發(fā)展趨勢。針對未見公開扣件數(shù)據(jù)集的問題,通過采集、數(shù)據(jù)增強(qiáng)、標(biāo)注的方法建立了扣件數(shù)據(jù)集RF8000,然后分別基于Faster-RCNN、YOLOv3、MobileNetv1-SSD三種算法,構(gòu)建了三種扣件檢測模型... 

【文章來源】：蘭州交通大學(xué)甘肅省

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

扣件常見狀態(tài)

蘭州交通大學(xué)工程碩士學(xué)位論文-5-入實(shí)際項(xiàng)目進(jìn)行研發(fā)，如：Microsoft基于深度學(xué)習(xí)的視覺系統(tǒng)[23]。Google在2016年３月基于深度學(xué)習(xí)技術(shù)的Alphago通過人機(jī)對弈訓(xùn)練擊敗圍棋世界冠軍李世石[24]。由此可以看出，不管是工程應(yīng)用還是學(xué)術(shù)研究，深度學(xué)習(xí)都表現(xiàn)出來巨大的潛力和優(yōu)勢。圖1.22010-2016年ImageNet競賽識別錯誤率變化1.3研究目標(biāo)與研究內(nèi)容1.3.1研究目標(biāo)傳統(tǒng)的扣件識別方法需要依靠專家經(jīng)驗(yàn)進(jìn)行手工特征設(shè)計(jì)，這種經(jīng)驗(yàn)需要多年積累，相比之下，深度學(xué)習(xí)算法自動地學(xué)習(xí)能夠反應(yīng)數(shù)據(jù)差別的特征，識別算法更容易實(shí)現(xiàn)。軌道螺栓作業(yè)機(jī)作業(yè)目標(biāo)為對扣件螺母進(jìn)行擰緊擰松作業(yè)以及對整個扣件的進(jìn)行完整性判斷，所以其視覺任務(wù)需要完成對扣件螺母的精準(zhǔn)定位以及對扣件是否損壞或丟失進(jìn)行判斷，而應(yīng)用于軌道螺栓作業(yè)機(jī)的扣件識別與定位算法容易受到環(huán)境因素變化的影響，傳統(tǒng)的識別算法多應(yīng)用于光照條件良好且穩(wěn)定的軌道扣件圖像中，當(dāng)外部環(huán)境光線亮度變化較大時，檢測效果會受到巨大影響。因此，本文將研究基于深度學(xué)習(xí)的方法完成對扣件進(jìn)行識別定位，達(dá)到使用場景的要求，主要包括：(1)構(gòu)建多環(huán)境下的扣件圖像數(shù)據(jù)集，并通過數(shù)據(jù)增強(qiáng)技術(shù)完成缺陷樣本進(jìn)行數(shù)據(jù)增強(qiáng)，對所有數(shù)據(jù)進(jìn)行標(biāo)注，完成扣件數(shù)據(jù)集的建立。(2)對當(dāng)前目標(biāo)檢測領(lǐng)域的方法進(jìn)行研究，采用當(dāng)前主流的目標(biāo)檢測算法完成扣件的識別工作，其中包括對識別模型的訓(xùn)練，測試和評價。(3)根據(jù)測試的結(jié)果，提出適合部署于軌道螺栓作業(yè)機(jī)硬件系統(tǒng)的算法，并完成所

軌道螺栓作業(yè)機(jī)扣件識別與定位算法研究-8-雖然網(wǎng)絡(luò)結(jié)構(gòu)較為簡單，但現(xiàn)在多數(shù)用于圖像處理方面的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)都稱為它的衍生網(wǎng)絡(luò)。圖2.1LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)(1)卷積層從卷積神經(jīng)網(wǎng)絡(luò)的命名上可以看到卷積層是其中不可或缺的組成部分，卷積層主要對數(shù)據(jù)作卷積運(yùn)算，卷積運(yùn)算最初是數(shù)學(xué)學(xué)科中的一種運(yùn)算方式，在卷積神經(jīng)網(wǎng)絡(luò)中通常只涉及到離散卷積，如圖2.2所示為卷積計(jì)算過程。011100010123452468102356712467541231×02×13×1452×14×06×08102×03×15×067124675412310101612×03×14×1524×16×08×01023×05×16×071246754123123×04×15×1246×18×010×0235×06×17×01246754123101621圖像數(shù)據(jù)卷積核第一次卷積操作卷積結(jié)果第二次卷積操作卷積結(jié)果第三次卷積操作圖2.2卷積運(yùn)算過程示意圖上圖卷積運(yùn)算即為對每次落入圖像窗口的元素與卷積核進(jìn)行相乘求和的運(yùn)算，計(jì)算過程為從左向右，從上到下滑動，通過此過程可以計(jì)算出新的特征圖。


本文編號：3380164