论文部分内容阅读
我国铁路四通八达,遍布各地,不仅是国民长途出行也是货物运输的重要交通工具。而日益增长的经济给铁路运输带来了极大考验。除了火车提速,研究如何提高运输效率也是一个方向,提高编组站车厢解体的效率就是其中一步。编组站每天要完成大量货车的解编作业,目前已有自动化系统投入使用用于提高效率,但摘钩过程仍由人工完成,实现完全的摘钩自动化是必要的。论文对摘钩的视觉部分进行研究,即车厢与车钩手柄的检测。由于车厢与车钩手柄的类型众多,传统的视觉检测方法难以设计特征,本文将采用深度学习的方法。首先,设计整体的摘钩方案,确定摘钩流程,分析目标捕捉系统的需求,为接下来的研究做准备。针对车厢类型检测,提出了一种基于深度学习的改进单目标多窗口检测器(Single Shot MultiBox Detector,SSD)检测模型。新建了车厢与车厢空隙的数据集,采用聚类算法重新设置初始锚框的个数和长宽比并用GIoU(Generalized Intersection over Union)损失函数替换原损失函数。与原SSD进行对比测试表明,改进的SSD整体上优于原方法,平均精度(mean Average Precision,mAP)从80.2%提高到86.1%;检测速度提升到41帧/秒。最后基于改进SSD模型的检测结果,利用一节车厢经过时会出现连续有空隙和无空隙帧的特点设计车厢的计数方法,测试结果表明在视频清晰的条件下计数准确率达93.3%,满足车厢的计数要求。车钩手柄为细条形状,所占面积较小,车钩手柄的检测涉及到之后的机械手摘钩动作,需要检测出手柄的轮廓,获得精确的手柄位置。本文采用基于深度学习的图像分割方法,将车钩图像进行轮廓标注,使用Mask rcnn和Deeplabv3+这两种图像分割网络训练数据集,最后实验测试得到测试结果图与标签图对比。结果显示两种方法均能检测出车钩,但Deeplabv3+测试得到的车钩手柄轮廓更平滑完整,平均mIoU达到了 75.0%,检测速度在3秒/图。