傳統(tǒng)的鐵路貨車車型識(shí)別技術(shù)存在著對(duì)環(huán)境適應(yīng)性差,對(duì)光照敏感等不足,其結(jié)果表現(xiàn)為識(shí)別率不高,可靠性較低。將深度學(xué)習(xí)技術(shù)應(yīng)用于鐵路貨車車型識(shí)別中,可以降低對(duì)貨車監(jiān)控圖像質(zhì)量的要求,提高自動(dòng)識(shí)別的準(zhǔn)確率,進(jìn)一步降低車型識(shí)別的誤檢率和漏檢率,提高車型識(shí)別的魯棒性和可靠性。本文基于深度學(xué)習(xí)理論和技術(shù),結(jié)合用于目標(biāo)識(shí)別的三種卷積神經(jīng)網(wǎng)絡(luò),構(gòu)建基于深度學(xué)習(xí)的鐵路貨車車型識(shí)別模型,提出改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)、特征提取和識(shí)別方法,實(shí)現(xiàn)鐵路貨車車型的準(zhǔn)確識(shí)別。本文的貢獻(xiàn)主要有:（1）針對(duì)網(wǎng)絡(luò)復(fù)雜度較高的問(wèn)題,提出網(wǎng)絡(luò)簡(jiǎn)化的方法。在VGGNet-16的基礎(chǔ)上減少全連接層的個(gè)數(shù),改變池化層的性質(zhì)和大小以增強(qiáng)鐵路車型識(shí)別分類效果。通過(guò)實(shí)驗(yàn)表明該方法既能保持網(wǎng)絡(luò)特征提取能力,同時(shí)其訓(xùn)練時(shí)間比原網(wǎng)絡(luò)快了三分之一。（2）給出了一種基于GoogLeNet和D-S概率優(yōu)化的分類識(shí)別方法,該方法首先對(duì)GoogLeNet中三個(gè)分類器輸出的概率向量進(jìn)行基于D-S的概率優(yōu)化判斷,其次對(duì)經(jīng)過(guò)D-S概率優(yōu)化判斷后的概率向量進(jìn)行特征融合,提高了基于GoogLeNet網(wǎng)絡(luò)的車型識(shí)別準(zhǔn)確率。實(shí)驗(yàn)表明提出的方法能夠進(jìn)一步提高網(wǎng)絡(luò)的準(zhǔn)確度,將Top-... 

【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)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１頂部視圖??Ｆｉｇｕｒｅ?２－１?Ｔｏｐ?ｖｉｅｗ??

圖２－３兩節(jié)車廂圖??

圖２４全白圖??Ｆｉｇｕｒｅ?２－４?Ｆｕｌｌ?ｗｈｉｔｅ?ｍａｐ??（５）彩色圖。由于所使用的是單通道的灰度圖，對(duì)混有彩色的三通道圖片排??除出去，共５７４張，如圖２－５所示：??ｉ?ｌ?Ｈｈ＾?－?？?－ｉｉ??Ｗｒ＾＾＾ＬＬｌ?ｋｒＳ??圖２－５彩色圖??Ｆｉｇｕｒｅ?２－５?Ｃｏｌｏｒ?ｍａｐ??（６）暗黑圖。整個(gè)圖面呈現(xiàn)暗黑色，人眼完全看不見(jiàn)或分辨不出車型，共３２０??張，如圖２－６所示：??

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)的昨天、今天和明天[J]. 余凱,賈磊,陳雨強(qiáng),徐偉.  計(jì)算機(jī)研究與發(fā)展. 2013(09)
[2]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽(yáng)明,王正.  計(jì)算機(jī)應(yīng)用研究. 2012(08)



本文編號(hào)：3405970