扣件是保障列車行車安全的重要部件。近年來(lái),隨著鐵路運(yùn)輸方式的高速化和重載化,對(duì)包括扣件在內(nèi)的軌道基礎(chǔ)設(shè)施的維護(hù)工作提出了更高的要求。隨著機(jī)器視覺(jué)技術(shù)的發(fā)展,很多公司和科研機(jī)構(gòu)紛紛提出了自己的基于機(jī)器視覺(jué)的自動(dòng)化扣件檢測(cè)方法。與人工巡檢方式相比,基于計(jì)算機(jī)視覺(jué)的自動(dòng)化扣件檢測(cè)方法具有檢測(cè)速度更快、效率更高等優(yōu)點(diǎn),但是目前這些方法依然不夠完善。深度學(xué)習(xí)作為人工智能的重要一環(huán),已經(jīng)在各個(gè)領(lǐng)域取得了豐碩的成果。本文將深度學(xué)習(xí)用于病害扣件檢測(cè),構(gòu)建更加智能、高效、通用的病害扣件檢測(cè)系統(tǒng)。目前在扣件檢測(cè)領(lǐng)域沒(méi)有公開(kāi)且被大家廣泛認(rèn)可的標(biāo)注數(shù)據(jù),因此本文提出了基于半自動(dòng)化標(biāo)注的扣件定位方法。然后構(gòu)建了以其為核心的半自動(dòng)化扣件標(biāo)注系統(tǒng),可以方便、快捷地輔助人工快速完成大批量扣件數(shù)據(jù)的標(biāo)注工作。我們收集并制作了一份4000張規(guī)模的扣件定位數(shù)據(jù)集,包含4個(gè)分類,且完全由人工完成標(biāo)注工作。此數(shù)據(jù)集可以用于半自動(dòng)化扣件定位算法的學(xué)習(xí)和性能評(píng)估過(guò)程�？奂顟B(tài)檢測(cè)任務(wù)主要針對(duì)發(fā)生了病害的扣件進(jìn)行檢測(cè),即對(duì)發(fā)生了彈條斷裂、形變、位移的三種類型病害扣件進(jìn)行檢測(cè)。我們借鑒了深度學(xué)習(xí)通用目標(biāo)檢測(cè)領(lǐng)域中Faster R-CN... 

【文章來(lái)源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－３傳統(tǒng)的解決方案??Ｆｉｇｕｒｅ?２－３?Ｔｈｅ?ｔｒａｄｉｔｉｏｎａｌ?ｓｏｌｕｔｉｏｎｓ??

碩士專業(yè)學(xué)位論文?相關(guān)工作研個(gè)恒等映射／／（；０＝?Ｘ，而且殘差擬合也會(huì)更加容易。如今，ＲｅｓＮｅｔ漸取代ＶＧＧ網(wǎng)絡(luò)成為主要的特征提取基礎(chǔ)網(wǎng)絡(luò)。和ＶＧＧ網(wǎng)絡(luò)差網(wǎng)絡(luò)的優(yōu)勢(shì)在于網(wǎng)絡(luò)更深，因此它具有著學(xué)習(xí)更多所需內(nèi)容的務(wù)是適用的，并且在目標(biāo)檢測(cè)的場(chǎng)景中也是同樣如此。此外，在差連接（Ｒｅｓｉｄｕａｌ?Ｃｏｎｎｅｃｔｉｏｎｓ）和批歸一化（Ｂａｔｃｈ?Ｎｏｒｍａｌｉｚａｔｉｏｎ）結(jié)網(wǎng)絡(luò)變得容易，然而這些新的結(jié)構(gòu)都是在ＶＧＧ網(wǎng)絡(luò)提出之后的。??

ＣＮＮ卷積神經(jīng)網(wǎng)絡(luò)在９０年代曾被大量使用，但是其流行勢(shì)頭很快由支持向??量機(jī)替代。直到２０１２年，Ａｌｅｘ?Ｋｒｉｚｈｅｖｓｋｙ等人重拾對(duì)ＣＮＮ的興趣，并且憑借著??名的ＡｌｅｘＮｅｔ［３４］網(wǎng)絡(luò)，如圖２－５所示，在２０１２年的ＩＬＳＶＲＣ圖像分類比賽取得了??絕對(duì)領(lǐng)先的成績(jī)，此時(shí)深度學(xué)習(xí)技術(shù)才真正地走進(jìn)主流學(xué)術(shù)界和工業(yè)界的視野。深??度神經(jīng)網(wǎng)絡(luò)的出現(xiàn)顛覆了傳統(tǒng)的特征提取方式，憑借著強(qiáng)大的表達(dá)能力、豐富的訓(xùn)??練數(shù)據(jù)以及充分的訓(xùn)練能夠自主的學(xué)習(xí)到真正有用的特征，這是相較于傳統(tǒng)的人??工發(fā)現(xiàn)特征之后再針對(duì)特征的特性設(shè)計(jì)相應(yīng)的特征提取算法方式的本質(zhì)不同，是??特征提取技術(shù)的一種質(zhì)的飛躍。因?yàn)椋茫危蔚耐怀龀煽?jī)也在ＩＬＳＶＲＣ?２０１２?Ｗｏｒｋｓｈｏｐ??中引起了巨大爭(zhēng)論，所以問(wèn)題由此轉(zhuǎn)向如何將ＣＮＮ應(yīng)用于目標(biāo)檢測(cè)任務(wù)中。??＼??Ｔ：Ｖ?Ｗ?Ｗ?＼??Ｕ＼?Ｗ?－４８?！?Ｐｉ?

【參考文獻(xiàn)】：
期刊論文
[1]基于半監(jiān)督深度學(xué)習(xí)的無(wú)砟軌道扣件缺陷圖像識(shí)別方法[J]. 戴鵬,王勝春,杜馨瑜,韓強(qiáng),王昊,任盛偉.  中國(guó)鐵道科學(xué). 2018(04)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的鐵軌扣件異常狀態(tài)檢測(cè)研究[D]. 趙鑫欣.北京交通大學(xué) 2016
[2]融合結(jié)構(gòu)信息的LDA扣件狀態(tài)識(shí)別研究[D]. 陳小艷.西南交通大學(xué) 2015
[3]基于DSP的高速軌道扣件檢測(cè)算法研究及系統(tǒng)設(shè)計(jì)[D]. 賈利紅.電子科技大學(xué) 2014
[4]基于計(jì)算機(jī)視覺(jué)的鐵路扣件檢測(cè)算法研究[D]. 杭元元.西南交通大學(xué) 2014
[5]基于GPGPU加速的鐵軌扣件識(shí)別研究[D]. 竇云廣.北京交通大學(xué) 2014
[6]基于圖像的鐵路扣件缺陷檢測(cè)算法研究[D]. 范宏.西南交通大學(xué) 2012
[7]巡道車視頻處理系統(tǒng)關(guān)鍵技術(shù)的研究[D]. 張洋.北京交通大學(xué) 2008



本文編號(hào)：3239033