高速列車接觸網(wǎng)的定位器夾持導(dǎo)線,在保證受電弓具有良好的受流質(zhì)量方面上發(fā)揮著關(guān)鍵作用。定位器容易受到弓網(wǎng)耦合系統(tǒng)所引起的激勵(lì)作用而出現(xiàn)坡度值異常的情況,進(jìn)而威脅列車的安全行駛。傳統(tǒng)的定位器檢測(cè)方法包括人工巡檢和采用傳統(tǒng)的圖像處理技術(shù)。人工巡檢方式高度依賴檢測(cè)人員的經(jīng)驗(yàn),工作強(qiáng)度比較大。利用傳統(tǒng)的圖像處理技術(shù)檢測(cè)定位器,檢測(cè)的精確率和實(shí)時(shí)性都比較差。近年來,定位器檢測(cè)領(lǐng)域逐漸開始應(yīng)用基于卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺技術(shù),希望借此突破傳統(tǒng)圖像處理技術(shù)的檢測(cè)性能的瓶頸,提高定位器檢測(cè)的精度和速度。本文在前人定位器檢測(cè)算法的研究基礎(chǔ)上,設(shè)計(jì)了基于初定位和精定位級(jí)聯(lián)的高速列車接觸網(wǎng)定位器視覺檢測(cè)系統(tǒng),提出了特征金字塔網(wǎng)絡(luò)（Feature Pyramid Networks,FPN）和基于更快速候選區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（Faster Regions with Convolutional Neural Network,Faster R-CNN）相融合的目標(biāo)檢測(cè)模型,利用FPN融合Faster R-CNN的檢測(cè)模型對(duì)定位器關(guān)鍵區(qū)域進(jìn)行初定位,然后在獲得的關(guān)鍵區(qū)域內(nèi)采用圖像處理技術(shù)精確檢測(cè)定位器。整體定位器檢測(cè)系... 

【文章來源】：西南交通大學(xué)四川省 211工程院校 教育部直屬院校

【文章頁數(shù)】：84 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

全連接網(wǎng)絡(luò)和局部連接網(wǎng)絡(luò)示意圖

輸入的圖像（或者特征圖像）經(jīng)過卷積核卷積處理之后，一般要加上（Bias），隨后輸入到非線性激活函數(shù)（ActivationFunction），最終得的輸出。主流的激活函數(shù)有以下幾種，分別為 Sigmoid 函數(shù)：( ) 1/(1h z = 函數(shù)：h ( z ) = tanh( z)；ReLU（RectifiedLinearUnit）函數(shù)：h ( z ) = max(三種激活函數(shù)如圖 3-4 所示。輸入6×6×33×3×34×44×4×2濾波器輸出＝＝*0 13 11 22 1 14 0 10 2 1圖 3-3 三通道圖像與兩個(gè)卷積核的卷積過程

3.2.2AlexNet 模型LeNet模型本身存在的最大弊端就是網(wǎng)絡(luò)訓(xùn)練容易出現(xiàn)過擬合（Overfitting）現(xiàn)象。過擬合現(xiàn)象指的是模型在訓(xùn)練樣本集表現(xiàn)過于優(yōu)越，能夠完美預(yù)測(cè)訓(xùn)練樣本，但是在測(cè)試集上的預(yù)測(cè)效果比較差，模型的泛化性較弱，如圖 3-7 所示。特征維度過多、模型比較復(fù)雜和訓(xùn)練樣本數(shù)據(jù)比較少等原因容易增加模型受到過擬合的風(fēng)險(xiǎn)。Hinton 提出在網(wǎng)絡(luò)訓(xùn)練過程中可以忽略一些節(jié)點(diǎn)（Dropout）[53]，將網(wǎng)絡(luò)變得“稀疏”一些，能夠有效地提高模型的泛化能力，如圖 3-8 所示。圖 3-6 LeNet 網(wǎng)絡(luò)結(jié)構(gòu)示意圖[34]


本文編號(hào)：2925143