鐵路貨運列車的自動摘鉤是實現(xiàn)駝峰作業(yè)自動化的重要環(huán)節(jié),為了完成貨運列車自動摘鉤工作,需要實現(xiàn)車鉤的快速準(zhǔn)確識別。通過當(dāng)前廣泛應(yīng)用的YOLO_v2網(wǎng)絡(luò)模型,研究針對貨運列車在正常工作條件下車鉤的識別問題,通過K-means聚類算法對YOLO_v2網(wǎng)絡(luò)模型中anchor的個數(shù)進(jìn)行調(diào)整優(yōu)化,找出適用于本次車鉤識別的最優(yōu)anchor個數(shù)以及寬高維度,并通過訓(xùn)練自制具有明顯目標(biāo)特征數(shù)據(jù)集來獲取更加準(zhǔn)確的權(quán)重。結(jié)果表明改進(jìn)YOLO_v2模型在精確度上達(dá)到92.6%;在召回率上達(dá)到了91.8%;在FPS上達(dá)到45幀/s,改進(jìn)的YOLO_v2模型達(dá)到了預(yù)期設(shè)計目標(biāo)。 

【文章來源】：鐵道科學(xué)與工程學(xué)報. 2020,17(10)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

下提鉤式車鉤識別結(jié)果對比

當(dāng)前國內(nèi)貨運列車的車鉤主要分為上提鉤式車鉤和下提鉤式車鉤，如圖1所示的白框處是視覺上直觀區(qū)分兩者的重要標(biāo)志，對于上提鉤式車鉤，提鉤人員只需轉(zhuǎn)動車鉤，即可完成提鉤作業(yè)。對于下提鉤式車鉤，提鉤人員需先向上提起車鉤，然后再轉(zhuǎn)動車鉤[8]，因為其工作原理的不同，為了保證圖像目標(biāo)識別的精確度和實時性，本文以當(dāng)前具有最佳識別效果的YOLO＿v2為基礎(chǔ)網(wǎng)絡(luò)進(jìn)行改進(jìn)，以解決車鉤的識別以及分類問題。盡管YOLO＿v2在VOC以及COCO測試集上都有很優(yōu)秀的表現(xiàn)，但是針對本次貨車車鉤檢測其得到的訓(xùn)練權(quán)重存在識別精確率低，識別效果不理想的情況，在實際測試中發(fā)現(xiàn)anchor的維度[9]對精確率以及檢測速度影響較大，盡管在訓(xùn)練過程中對anchor的寬高值進(jìn)行調(diào)整，若能夠預(yù)先直接設(shè)定anchor的維度值，在訓(xùn)練過程中能得到更好的權(quán)重。

本文實驗平臺配置如表1所示。本文通過運用改進(jìn)YOLO-v2算法來實現(xiàn)對于貨運列車車鉤的實時識別，從而使自動摘鉤機器人能夠進(jìn)行準(zhǔn)確的摘鉤作業(yè)。目標(biāo)數(shù)據(jù)集包括4 000張圖片，訓(xùn)練集圖片包含3 500張自制的貨運列車車鉤的圖片及其標(biāo)注的特定場景圖片；測試集圖片包含500張自制的貨運列車車鉤的圖片，其中訓(xùn)練集中的車鉤用Label Img進(jìn)行標(biāo)定，標(biāo)定的標(biāo)簽包含4種輸出情況，即A手柄(A-handle)、A基座(A-pedestal)、B手柄(B-handle)及B基座(B-pedestal)，正確的輸出為A手柄及A基座或B手柄及B基座被同時正確的選的標(biāo)定，其他的輸出均視為錯誤。

【參考文獻(xiàn)】：
期刊論文
[1]基于YOLO的無人機電力線路桿塔巡檢圖像實時檢測[J]. 郭敬東,陳彬,王仁書,王佳宇,仲林林.  中國電力. 2019(07)
[2]基于YOLO v2模型的交通標(biāo)識檢測算法[J]. 王超,付子昂.  計算機應(yīng)用. 2018(S2)
[3]改進(jìn)YOLO v2的裝甲車輛目標(biāo)識別[J]. 王曙光,呂攀飛.  計算機與現(xiàn)代化. 2018(09)
[4]最優(yōu)聚類個數(shù)和初始聚類中心點選取算法研究[J]. 張素潔,趙懷慈.  計算機應(yīng)用研究. 2017(06)
[5]鐵路貨車摘鉤機器人的動力學(xué)分析與仿真[J]. 劉超穎,臧麗超,王戰(zhàn)中,熊蒙,楊長健.  機床與液壓. 2013(17)

碩士論文
[1]鐵路貨車摘鉤機器人設(shè)計與仿真研究[D]. 臧麗超.石家莊鐵道大學(xué) 2013



本文編號：3536799