為實(shí)現(xiàn)無(wú)線調(diào)車機(jī)車信號(hào)監(jiān)控系統(tǒng)對(duì)調(diào)車車列前方停留車的全部自動(dòng)識(shí)別,提出1種基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)車機(jī)車前方車列圖像識(shí)別算法。首先,基于視覺(jué)幾何群網(wǎng)絡(luò)（Visual Geometry Group Network, VGGNet）架構(gòu)和目標(biāo)分類網(wǎng)絡(luò)GoogLeNet里的Inception層建立調(diào)車機(jī)車前方車列圖像識(shí)別模型;其次,利用高清相機(jī)采集調(diào)車機(jī)車前方圖像,對(duì)有效圖像進(jìn)行預(yù)處理并存入數(shù)據(jù)庫(kù),根據(jù)數(shù)據(jù)庫(kù)已有的新圖像數(shù)量判斷是否需要更新模型,將圖像輸入模型,判斷前方進(jìn)路是否有停留車列;最后,通過(guò)紅外線測(cè)距儀測(cè)出調(diào)車機(jī)車車列到前方車列的距離,在顯示屏顯示距離,并據(jù)此判斷是否報(bào)警。研究結(jié)果表明:模型驗(yàn)證精度為98.5%,訓(xùn)練精度為99.9%;每張圖的平均測(cè)試時(shí)間為0.4 ms,相較于主流分類網(wǎng)絡(luò)VGGNet-16和GoogLeNet分別減小了43%和38%,同時(shí)測(cè)試精度達(dá)到98%。圖像識(shí)別的準(zhǔn)確率與實(shí)時(shí)性均滿足工程實(shí)際應(yīng)用。 

【文章來(lái)源】：中國(guó)鐵道科學(xué). 2020,41(06)北大核心EICSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【文章目錄】：
1 STP系統(tǒng)的結(jié)構(gòu)及功能
2 卷積神經(jīng)網(wǎng)絡(luò)
3 STP系統(tǒng)中前方車列圖像識(shí)別功能拓展
4 基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)車機(jī)車前方車列圖像識(shí)別算法
    4.1 算法流程
    4.2 前方車列圖像識(shí)別模型的建立
    4.3 防止模型過(guò)擬合
5 實(shí)驗(yàn)系統(tǒng)與結(jié)果
    5.1 實(shí)驗(yàn)環(huán)境
    5.2 模型訓(xùn)練
    5.3 實(shí)驗(yàn)結(jié)果對(duì)比分析
6 結(jié)語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]基于計(jì)算機(jī)視覺(jué)的車載軌道巡檢系統(tǒng)研制[J]. 許貴陽(yáng),史天運(yùn),任盛偉,韓強(qiáng),王登陽(yáng).  中國(guó)鐵道科學(xué). 2013(01)
[2]動(dòng)車運(yùn)用所存車線運(yùn)用方案優(yōu)化模型與算法[J]. 張惟皎,史天運(yùn),陳彥.  中國(guó)鐵道科學(xué). 2013(01)
[3]適用于正線機(jī)車的無(wú)線調(diào)車機(jī)車信號(hào)和監(jiān)控系統(tǒng)的研究與試驗(yàn)[J]. 曹桂均,程君.  中國(guó)鐵道科學(xué). 2012(04)
[4]調(diào)車機(jī)車監(jiān)控記錄系統(tǒng)的研究與試驗(yàn)[J]. 曹桂均,林通源.  鐵道學(xué)報(bào). 2004(03)



本文編號(hào)：3196871