針對(duì)高速鐵路接觸網(wǎng)支撐結(jié)構(gòu)中承力索底座裂紋的問題,提出一種利用加速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)與Beamlet變換相結(jié)合的圖像檢測(cè)方法。該方法使用加速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)承力索底座在待檢測(cè)圖像中的識(shí)別定位,然后根據(jù)定位的承力索底座圖像特點(diǎn),通過Radon變換等預(yù)處理操作對(duì)承力索底座疑似裂紋區(qū)域精確定位,最后使用基于Beamlet變換的局部鏈搜索算法快速得到裂紋信息,實(shí)現(xiàn)承力索底座裂紋故障的可靠診斷。實(shí)驗(yàn)表明:該方法能在復(fù)雜的接觸網(wǎng)支撐與懸掛裝置圖像中準(zhǔn)確定位識(shí)別承力索底座裂紋故障,對(duì)拍攝距離、拍攝角度以及曝光度等因素具有很好的適應(yīng)性,且具有較高的檢測(cè)效率。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1FasterR-CNN模型結(jié)構(gòu)

式絕緣子的目的。這些通過提取特定局部特征實(shí)現(xiàn)目標(biāo)匹配的方法具有直觀快速的優(yōu)點(diǎn)，但準(zhǔn)確率不高。文獻(xiàn)［５］提出計(jì)算接觸網(wǎng)正負(fù)樣本的方向梯度直方圖（ＨｉｓｔｏｇｒａｍｏｆＯｒｉｅｎｔｅｄＧｒａｄｉｅｎｔ，ＨＯＧ）特征來訓(xùn)練支持向量機(jī)（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ），....

圖2ZF卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(單位灌素)

量、大小、步長(zhǎng)均不同。例如第１層包含９６個(gè)卷積核，每個(gè)核的大小為７×７像素，ｘ１和ｙ１的步長(zhǎng)跨度均為２。②激勵(lì)層：通過矯正激勵(lì)函數(shù)使網(wǎng)絡(luò)具有一定非線性，激勵(lì)函數(shù)為ＲｅＬＵ（ｘ１）＝ｍａｘ（ｘ１，０）（１）式中：ＲｅＬＵ為激勵(lì)函數(shù)；ｘ１為輸入的卷積值。③池化層：各池化層均對(duì)卷積得到....

圖3RPN網(wǎng)絡(luò)原理

圖5卷積神經(jīng)網(wǎng)絡(luò)部分層可視化結(jié)果

可能的類別（承力索底座或背景）與對(duì)應(yīng)目標(biāo)的位置，通過輸入樣本圖片進(jìn)行前向傳播以及反向傳播不斷修正各模塊各層卷積核等計(jì)算參數(shù)來達(dá)到代價(jià)函數(shù)最小的目的，實(shí)現(xiàn)對(duì)接觸網(wǎng)樣本圖片的準(zhǔn)確分類與定位。２．２基于ＦａｓｔｅｒＲ－ＣＮＮ的承力索底座定位識(shí)別高速鐵路現(xiàn)場(chǎng)拍攝的支撐懸掛裝置圖像作為Ｆａ....

本文編號(hào)：3956854