【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(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò),由于其可以大規(guī)模訓(xùn)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(xùn)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(jìn)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(jìn)。本文在深度學(xué)習(xí)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(xùn)練部分,設(shè)計了基于改進(jìn)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(xùn)練集中生成圖像特征問題特征提取器,訓(xùn)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(dá)到識別鐵軌傷損的目的。同時,本文從數(shù)據(jù)標(biāo)注、遷移學(xué)習(xí)初始化模型、實驗參數(shù)設(shè)置和訓(xùn)練方法入手,對Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)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(zhǔn)確率和檢測時間的實驗數(shù)據(jù)進(jìn)行對比分析,本文提出的改進(jìn)的Faster R-CNN算法的在漏檢率和準(zhǔn)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(jìn)行了改進(jìn),可以在較細(xì)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(zhǔn)確性都比較好,達(dá)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(xué)位授予單位】：安徽理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)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(xué)習(xí)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(xí)識別交通標(biāo)志的準(zhǔn)確率，在 2012 年已超越了人類，力的提高，深度學(xué)習(xí)可以解決的任務(wù)也越來越復(fù)雜，學(xué)習(xí)的一種，在過去幾十年深度學(xué)習(xí)快速發(fā)展，同時腦、統(tǒng)計學(xué)和應(yīng)用數(shù)學(xué)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(xùn)練，專門學(xué)習(xí)在各個方面都未來，深度學(xué)習(xí)會進(jìn)一步幫助人類提高各個領(lǐng)域的進(jìn) 網(wǎng)絡(luò)結(jié)構(gòu)框架對鐵軌傷損進(jìn)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(jìn)版本，本文就是一個改進(jìn)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(biāo)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(dāng)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(jìn)在于添加了 RPN 部分以及和 Fas

目標(biāo)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(biāo)分類以及邊框回歸兩個全窗口進(jìn)行判斷，再通過設(shè)定的閾值機(jī)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(biāo)檢測的速度(anchor boxes) RPN 網(wǎng)絡(luò)中有重要的地位，檢測目標(biāo)的不同形要用不同大小的框進(jìn)行框選，這就是錨窗的重小的檢測目標(biāo)，都有能保證包含在感受野之內(nèi)的

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 華顯立;倪江楠;;改進(jìn)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(jī)器視覺在鋼軌磨耗檢測中的應(yīng)用研究[J];鐵道標(biāo)準(zhǔn)設(shè)計;2014年09期

3 華長權(quán);寇東華;付石林;徐遠(yuǎn)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(jī)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(xué)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(xué)學(xué)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(jī)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(xué)學(xué)報(自然科學(xué)版);2002年04期

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

相關(guān)博士學(xué)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(xué);2009年

相關(guān)碩士學(xué)位論文 前1條

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

本文編號：2764004