發(fā)布時間：2024-02-27 22:55

　　動車組是我國重要的交通工具。近年來,隨著動車組的普及和提速,安全問題得到人們的關(guān)注。對動車組的異常識別是動車組運營過程中的重要環(huán)節(jié)。目前,異常識別仍以人工為主,人力成本高且需要停車作業(yè),無法實現(xiàn)即時檢測。本文采用機器視覺技術(shù),對動車組車體圖像進行采集、處理,實現(xiàn)了對動車組自動智能的異常識別。整個檢測過程無需停車,因此效率高實時性強。通過本系統(tǒng)輔助人工作業(yè),可大大降低工作量。本文首先針對動車組車身長等特點設(shè)計了動車組圖像異常識別系統(tǒng),并基于MFC框架完成了軟件設(shè)計。本系統(tǒng)可以完成車體拼接和車體對齊等一系列操作,通過與標準動車組圖像(無缺陷的歷史過車圖像)進行結(jié)構(gòu)相似度的比對完成當前過車的差異檢測,這些差異即為當前過車存在的潛在危險。然而檢測出的差異中,大部分是由車體上的水漬、油漬、泥漬和亮度差異等造成的誤報警。由于誤報警并不會對列車行駛造成危險,因此需要將它們從異常目標中去除。由于上述差異沒有穩(wěn)定的特征并且車體圖像特征提取困難,傳統(tǒng)圖像處理及模式識別方法在對誤報警進行識別時無法兼顧到算法的魯棒性和普適性,因此本文將深度學(xué)習(xí)引入到動車組圖像異常識別系統(tǒng)中。與傳統(tǒng)分類任務(wù)不同,差異分類網(wǎng)絡(luò)的...

【文章頁數(shù)】：94 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
符號對照表
縮略語對照表
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外發(fā)展現(xiàn)狀
        1.2.1 動車組安全檢測研究現(xiàn)狀
        1.2.2 卷積神經(jīng)網(wǎng)絡(luò)模型的發(fā)展
        1.2.3 網(wǎng)絡(luò)模型優(yōu)化方法的發(fā)展
        1.2.4 梯度下降算法的發(fā)展
    1.3 本文主要研究內(nèi)容
    1.4 本文章節(jié)安排
第2章 卷積神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)
    2.1 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識
        2.1.1 神經(jīng)元模型
        2.1.2 BP神經(jīng)網(wǎng)絡(luò)
        2.1.3 激活函數(shù)
        2.1.4 誤差反向傳播算法
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)的誤差反向傳播
    2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的目標檢測
        2.3.1 區(qū)域卷積網(wǎng)絡(luò)R-CNN
        2.3.2 YOLO檢測網(wǎng)絡(luò)
        2.3.3 單次檢測器SSD
    2.4 本章小結(jié)
第3章 動車組圖像異常識別系統(tǒng)設(shè)計
    3.1 圖像采集系統(tǒng)介紹
    3.2 車體對齊
        3.2.1 車體粗略對齊
        3.2.2 車體精確對齊
    3.3 車體比對
    3.4 軟件設(shè)計
    3.5 本章小結(jié)
第4章 基于卷積神經(jīng)網(wǎng)絡(luò)的差異分類
    4.1 差異分類簡介
    4.2 差異分類網(wǎng)絡(luò)
        4.2.1 差異分類網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.2 網(wǎng)絡(luò)細節(jié)設(shè)計
        4.2.3 多形狀訓(xùn)練與預(yù)處理
    4.3 實驗結(jié)果與分析
        4.3.1 數(shù)據(jù)集介紹
        4.3.2 差異分類網(wǎng)絡(luò)性能對比
        4.3.3 串行網(wǎng)絡(luò)優(yōu)化實驗
        4.3.4 數(shù)據(jù)預(yù)處理實驗
        4.3.5 多形狀訓(xùn)練實驗
        4.3.6 實驗分析
    4.4 本章小結(jié)
第5章 車底關(guān)鍵部件的異常識別
    5.1 基于圖像處理的關(guān)鍵部件異常識別
        5.1.1 吊桿的異常識別
        5.1.2 軸報箱的異常識別
        5.1.3 芯盤的異常識別
    5.2 基于卷積神經(jīng)網(wǎng)絡(luò)的螺栓檢測
        5.2.1 數(shù)據(jù)集介紹及場景學(xué)習(xí)
        5.2.2 基于Faster R-CNN的螺栓檢測實驗
        5.2.3 基于YOLO的螺栓檢測實驗
    5.3 本章小結(jié)
總結(jié)與展望
致謝
參考文獻
攻讀碩士學(xué)位期間發(fā)表論文



本文編號：3913090