【摘要】：近年來,隨著高速列車的提速,對軌道入侵異物的監(jiān)測也成為了鐵路線路安全領(lǐng)域中越來越重要的課題。傳統(tǒng)圖像信息獲取方法有在高速列車前安裝攝像機,還有就是在固定鐵路段的立式攝像機,這兩種方式有一個共同點就是距離攝像機遠的地方因為視角的原因會出現(xiàn)檢測不準確的情況,而對于車載前攝像機檢測會出現(xiàn)即使識別出也不能及時避開障礙物的狀況。對圖片中異物檢測的傳統(tǒng)方法是幀間差分法,但是此方法受場景和光線的影響較大,所以會導致檢測時間較長不能夠滿足軌道異物實時檢測。目前,微型飛行器的技術(shù)也愈來愈成熟,將其應(yīng)用到圖像信息的采集,有著較大的優(yōu)勢,既可以滿足檢測的實時性,又可以解決圖像采集時的視角問題;而在軌道異物檢測算法方面,深度學習因其網(wǎng)絡(luò)訓練模型以及特征表達方式在目標檢測中有著很大的優(yōu)勢,所以將其應(yīng)用到本文研究,并將其加以改進,使之適用于軌道圖像異物檢測。本文將采用微型飛行器采集軌道圖像信息,應(yīng)用Faster RCNN算法網(wǎng)絡(luò)模型對收集到的軌道圖片進行數(shù)據(jù)集訓練以及仿真實驗檢測,得到較好的檢測結(jié)果;同時也對改進后的算法網(wǎng)絡(luò)模型進行了實驗,經(jīng)過對實驗結(jié)果的分析,發(fā)現(xiàn)其對軌道異物檢測的準確度有較大提高。課題是基于深度學習的軌道圖片異物檢測研究,在所做的研究工作中主要有三大部分。首先,為建立完整的數(shù)據(jù)庫,使用微型飛行器沿軌道進行圖像采集,航拍時飛行器攝像頭調(diào)整至與地面合適角度,可以拍攝軌道沿途各段清晰的圖像信息,包括帶有入侵異物(人、狗、樹枝和落石等)的圖像拍攝,在數(shù)據(jù)集PASCAL-VOC2007的基礎(chǔ)上進行網(wǎng)絡(luò)訓練,使網(wǎng)絡(luò)系統(tǒng)學習到圖像中軌道背景以及一些入侵異物的特征向量,用于仿真實驗時對輸入測試圖像中異物的準確位置以及分類的判斷。然后是對卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的Faster RCNN算法的分析研究,從算法的特征提取,RPN網(wǎng)絡(luò)Anchor的產(chǎn)生,對候選框的調(diào)整,入侵物的分類,以及實驗參數(shù)的設(shè)定優(yōu)化,使之能夠適應(yīng)于軌道異物的檢測。也通過實驗分析了通過航拍以及固定攝像機進行數(shù)據(jù)采集兩種方式的檢測準確精度。最后,為了在檢測中可以提高圖像中較小異物以及被遮擋異物的檢測率,對算法進行了優(yōu)化改進,引入ION(Inside-Outside Net)網(wǎng)絡(luò)結(jié)構(gòu),其中InsideNet可以在ROI內(nèi)采用skip pooling的方式連接不同卷積輸出層輸出的Feature maps實現(xiàn)多尺度融合,對較小異物的檢測起到很好的作用;OutsideNet是在ROI外通過添加RNNs(special Recurrent Neural Net)網(wǎng)絡(luò)實現(xiàn)上下文信息的提取,對于被遮擋異物可以提高檢測精準率。最后通過仿真實驗得到,引入ION網(wǎng)絡(luò)結(jié)構(gòu)后的算法網(wǎng)絡(luò)檢測系統(tǒng),能夠?qū)Ξ愇锏臋z測準確性達到較優(yōu)的效果。
【學位授予單位】：蘭州交通大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：U298;TP391.41

【參考文獻】

相關(guān)期刊論文 前1條

1 郭保青;朱力強;史紅梅;;基于快速DBSCAN聚類的鐵路異物侵限檢測算法[J];儀器儀表學報;2012年02期

相關(guān)碩士學位論文 前10條

1 王根深;基于BP神經(jīng)網(wǎng)絡(luò)的太湖葉綠素濃度反演[D];南京郵電大學;2018年

2 曾鈺廷;基于深度學習的物體檢測與跟蹤方法的研究[D];東華理工大學;2018年

3 楊帆;基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)分類算法的研究[D];太原理工大學;2018年

4 劉雄祥;基于卷積神經(jīng)網(wǎng)絡(luò)的鐵軌表面缺陷識別研究[D];西南科技大學;2018年

5 黃森林;啤酒空瓶檢測機器人的瓶身缺陷檢測算法研究及應(yīng)用[D];湖南大學;2018年

6 王群;基于雙目立體視覺的軌道入侵物識別技術(shù)研究[D];北京交通大學;2018年

7 唐詩;基于車載視頻的道路車輛及行人檢測[D];電子科技大學;2018年

8 提浩;自然場景下的人臉檢測及表情識別算法研究[D];北京交通大學;2018年

9 時磊;基于深度學習的醫(yī)學圖像標注模型構(gòu)建研究[D];太原理工大學;2017年

10 衛(wèi)露寧;基于全卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測算法研究[D];浙江大學;2017年

，

本文編號：2614053