【摘要】：中國的鐵路行業(yè)整體正處于飛速發(fā)展時期,鐵軌傷損檢測工作是關(guān)系到鐵路安全的重要一環(huán),目前有多種鐵軌傷損檢測的方法,但是仍難以滿足對精確性和快速性的要求。卷積神經(jīng)網(wǎng)絡(luò)是一種可以處理二維矩陣數(shù)據(jù)的特殊的神經(jīng)網(wǎng)絡(luò)模型,這種新型的人工神經(jīng)網(wǎng)絡(luò)融合了深度學習和人工神經(jīng)網(wǎng)絡(luò),由于其可以大規(guī)模訓練和檢測,使得在圖像識別領(lǐng)域獲得了廣泛的應(yīng)用。擁有非全連接和權(quán)值共享這樣的網(wǎng)絡(luò)結(jié)構(gòu)可以使訓練更加的簡單,權(quán)值也會相應(yīng)的減少,這樣得到的卷積神經(jīng)網(wǎng)絡(luò)在進行旋轉(zhuǎn)、傾斜、縮放時高度不變�；诰矸e神經(jīng)網(wǎng)絡(luò)的R-CNN、Fast R-CNN以及Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)使得卷積神經(jīng)網(wǎng)絡(luò)繼續(xù)不斷發(fā)展,不斷改進。本文在深度學習理論框架的基礎(chǔ)上,以卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)為主要訓練部分,設(shè)計了基于改進的Faster R-CNN的鐵軌傷損檢測算法,可以從一組鐵軌傷損和非傷損的超聲波圖像訓練集中生成圖像特征問題特征提取器,訓練完成的特征提取器不需要手動輸入特征和傷損區(qū)域信息,就能達到識別鐵軌傷損的目的。同時,本文從數(shù)據(jù)標注、遷移學習初始化模型、實驗參數(shù)設(shè)置和訓練方法入手,對Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)進行改善,實驗結(jié)果表明,本文提出的改善的方法對鐵軌傷損檢測有著良好的檢測效果,通過對檢測準確率和檢測時間的實驗數(shù)據(jù)進行對比分析,本文提出的改進的Faster R-CNN算法的在漏檢率和準確率方面均優(yōu)于基于Faster R-CNN網(wǎng)絡(luò)模型的鐵軌傷損檢測方法。本文使用的Faster R-CNN網(wǎng)絡(luò)模型采用的是區(qū)域生成網(wǎng)絡(luò)(RPN)算法,速度高于在卷積神經(jīng)網(wǎng)絡(luò)模型中選取候選區(qū)域時采用的SS(Selective Search)算法。同時,由于對錨窗的尺寸進行了改進,可以在較細小的樣本中找出鐵軌傷損樣本,改善后的網(wǎng)絡(luò)有著更好的檢測效果。通過實驗證實了本算法中檢測識別率為92.3%,優(yōu)于基于傳統(tǒng)網(wǎng)絡(luò)模型的檢測方法,證明了本算法對鐵軌傷損大小和類型檢測的準確性都比較好,達到了本文研究的主要目的,對鐵軌傷損檢測領(lǐng)域的研究有著一定的應(yīng)用價值。圖[30]表[6]參[52]
【學位授予單位】：安徽理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：U216.3;TP183;TP391.41
【圖文】：

圖 1 ILSVRC 近年 Top-5 錯誤率Fig.1 ILSVRC's Top-5 error rates in recent yearsNN 模型在 2015 年比賽中，表現(xiàn)耀眼，使深度學習應(yīng) R- FCN，Mask R- CNN，SSD，YOLO 等在原先框架近 Faster R-CNN。最近涌現(xiàn)的 ResNet、DenseNet、網(wǎng)絡(luò)。習識別交通標志的準確率，在 2012 年已超越了人類，力的提高，深度學習可以解決的任務(wù)也越來越復雜，學習的一種，在過去幾十年深度學習快速發(fā)展，同時腦、統(tǒng)計學和應(yīng)用數(shù)學方面的理論知識，所以更強調(diào)模以及更深層次的網(wǎng)絡(luò)訓練，專門學習在各個方面都未來，深度學習會進一步幫助人類提高各個領(lǐng)域的進 網(wǎng)絡(luò)結(jié)構(gòu)框架對鐵軌傷損進行檢測，希望能給鐵路從

圖 4 VGG16 的網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 VGG16 network structure2.3 Faster R-CNN 網(wǎng)絡(luò)結(jié)構(gòu)模型2.3.1 基本網(wǎng)絡(luò)結(jié)構(gòu)Faster R-CNN 網(wǎng)絡(luò)結(jié)構(gòu)模型首次發(fā)表在 NIPS2015，今后幾年又出現(xiàn)了很多改進版本，本文就是一個改進的 Faster R-CNN 網(wǎng)絡(luò)。Faster R-CNN 和 Fast RCNN的主要不同之處在于，為了實現(xiàn)更加快速高效的目標檢測，創(chuàng)造性地采用卷積網(wǎng)絡(luò)自行產(chǎn)生建議框，把特征提取、候選區(qū)域提取和、候選框回歸和分類高度整合到一個網(wǎng)絡(luò)當中。同時使用 RPN(Region Proposal Network, 區(qū)域生成網(wǎng)絡(luò))代替先前 R-CNN 和 Fast R-CNN 中的 SS(Selective Search, 選擇性搜索)算法，RPN 能夠更快生成候選區(qū)域，且對候選區(qū)域和 CNN 網(wǎng)絡(luò)參數(shù)共享，提高了網(wǎng)絡(luò)的整體性Faster R-CNN 網(wǎng)絡(luò)結(jié)構(gòu)模型最主要的改進在于添加了 RPN 部分以及和 Fas

目標的過程中，將一些樣本重疊的 IOU 超過 景，所謂 IoU 就是預(yù)測 box 和真實 box 的覆除以兩個 box 的并集。樣本候選窗口的篩選，候選區(qū)域最后留下的候入兩條支路，即目標分類以及邊框回歸兩個全窗口進行判斷，再通過設(shè)定的閾值機制對窗口候選窗口。這種方法完全是利用 RPN 網(wǎng)絡(luò)自身識別，并且很大程度上提高了目標檢測的速度(anchor boxes) RPN 網(wǎng)絡(luò)中有重要的地位，檢測目標的不同形要用不同大小的框進行框選，這就是錨窗的重小的檢測目標，都有能保證包含在感受野之內(nèi)的

【參考文獻】

相關(guān)期刊論文 前10條

1 華顯立;倪江楠;;改進自適應(yīng)中值濾波算法研究[J];電子設(shè)計工程;2015年04期

2 王健;胥燕軍;汪力;王平;;機器視覺在鋼軌磨耗檢測中的應(yīng)用研究[J];鐵道標準設(shè)計;2014年09期

3 華長權(quán);寇東華;付石林;徐遠中;;幾種鋼軌磨損檢測方法和儀器的對比分析[J];中國鐵路;2013年04期

4 唐湘娜;王耀南;;鐵軌表面缺陷的視覺檢測與識別算法[J];計算機工程;2013年03期

5 張朝勇;蘇真?zhèn)?喬麗;陳謀欽;;一種基于LED和線激光的鋼軌表面缺陷檢測系統(tǒng)[J];科學技術(shù)與工程;2012年36期

6 余祖俊;衛(wèi)研研;李真花;朱力強;;基于SOPC的鋼軌斷面高速測量系統(tǒng)[J];北京交通大學學報;2009年03期

7 劉啟躍;王文健;周仲榮;;高速與重載鐵路鋼軌損傷及預(yù)防技術(shù)差異研究[J];潤滑與密封;2007年11期

8 劉蘊輝;劉鐵;王權(quán)良;羅四維;;基于圖像處理的鐵軌表面缺陷檢測算法[J];計算機工程;2007年11期

9 崔春艷,尤揚,李彩霞,席礪莼;遺傳算法及其在鋼軌斷面檢測系統(tǒng)中的應(yīng)用[J];河北大學學報(自然科學版);2002年04期

10 尤揚,劉明,崔春艷,張春華;基于計算機視覺的鋼軌磨耗自動測量技術(shù)的研究[J];河北大學學報(自然科學版);2002年02期

相關(guān)博士學位論文 前1條

1 李長樂;冷軋帶鋼表面缺陷圖像檢測關(guān)鍵技術(shù)的研究[D];哈爾濱工業(yè)大學;2009年

相關(guān)碩士學位論文 前1條

1 尤揚;基于計算機視覺的鋼軌磨耗自動檢測系統(tǒng)的研究[D];河北大學;2002年

本文編號：2764004