傳統(tǒng)的軌道檢測方法需要事先對圖像進行定位和分割等預處理操作,而定位和分割操作的誤差又會直接干擾到后續(xù)的分類識別,多環(huán)節(jié)誤差疊加,使得識別準確率低。同時,傳統(tǒng)檢測方法還需要理想的背景環(huán)境,當背景環(huán)境或結構類型發(fā)生改變時,其算法不再適用,不具備良好的魯棒性。因此,提出一種基于深度殘差網(wǎng)絡的軌道結構病害檢測方法,該方法不需要對原始圖像進行預處理,同時深度殘差網(wǎng)絡以其更深的層數(shù)和更復雜的網(wǎng)絡結構可以高效提取出各類軌道結構圖像的特征并進行分類識別。以某客貨共線線路隧道的鋼軌踏面、鋼軌扣件和支承塊圖像建立數(shù)據(jù)庫,通過遷移學習的方式在數(shù)據(jù)庫上訓練網(wǎng)絡模型,實現(xiàn)對鋼軌、扣件及支承塊三種軌道結構的病害識別,識別準確率高達98.51%。在此基礎上,從識別準確率、損失函數(shù)值等方面對深度殘差網(wǎng)絡在軌道結構病害識別中的應用效果進行對比、分析,驗證方法的有效性。 

【文章來源】：鐵道學報. 2020,42(08)北大核心EICSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

軌面圖像數(shù)據(jù)庫

扣件圖像數(shù)據(jù)庫

隧道內(nèi)

【參考文獻】：
期刊論文
[1]基于深度殘差網(wǎng)絡的皮膚鏡圖像黑色素瘤的識別[J]. 李航,余鎮(zhèn),倪東,雷柏英,汪天富.  中國生物醫(yī)學工程學報. 2018(03)
[2]深度卷積神經(jīng)網(wǎng)絡在計算機視覺中的應用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)
[3]基于卷積神經(jīng)網(wǎng)絡的手勢識別初探[J]. 蔡娟,蔡堅勇,廖曉東,黃海濤,丁僑俊.  計算機系統(tǒng)應用. 2015(04)
[4]基于卷積神經(jīng)網(wǎng)絡LeNet-5的車牌字符識別研究[J]. 趙志宏,楊紹普,馬增強.  系統(tǒng)仿真學報. 2010(03)

博士論文
[1]鐵路扣件圖像特征提取與識別方法研究[D]. 劉甲甲.西南交通大學 2016

碩士論文
[1]基于機器視覺的鋼軌表面缺陷檢測技術研究[D]. 丁政開.北京交通大學 2017
[2]基于卷積神經(jīng)網(wǎng)絡的鐵軌扣件異常狀態(tài)檢測研究[D]. 趙鑫欣.北京交通大學 2016
[3]卷積神經(jīng)網(wǎng)絡在圖像識別上的應用的研究[D]. 許可.浙江大學 2012



本文編號：3545917