论文部分内容阅读
铁路运输是一种能源集约式的陆地交通运输方式,因其运输量大、速度较快、受环境因素约束较小等特性受到国家重点发展。在铁路运输中安全尤为重要,扣件作为钢轨与枕木的连接部件,在铁路运输安全中扮演着重要角色。扣件处于缺失、位移、断裂等失效状态时,可能会造成列车脱轨等重大安全事故。人工巡检是常用的扣件状态检测手段之一,但绵长的铁路线路和复杂的环境,耗费了巨大的人力和财力,工作人员的安全也得不到保障。近年来随着计算机算力的提升和图像算法的发展,利用机器视觉技术检测铁路扣件状态已成为趋势,但是大部分的研究只针对单个扣件图像,通过算法提升检测的正确率,也有些学者对扣件做了从定位到状态识别的过程,但没有统一的标准判断扣件的状态。本文综合传统图像检测算法和基于深度学习的目标检测、图像分割算法,针对轨道交通实际应用的潘得路SFC型扣件,设计轨道扣件状态和形位偏移检测方法,主要工作和创新点如下:(1)扣件定位。针对以深度学习为基础的扣件定位算法中模型权重集较大、特征提取层计算速度慢的问题,使用可分离卷积实现的VGG16替代SSD(Single Shot Multi Box Detector)原特征提取层,在不影响算法精度的前提下,改进的SSD算法速度比原始SSD增快了58.69%,参数量比原始SSD减少了59.56%。使用改进后的SSD可准确快速的定位图像中的扣件。(2)去除环境对扣件状态检测的影响。针对在现实场景中检测铁路扣件状态时,因图像背景常干扰物而造成的扣件状态检测精度不足的问题,本文使用图像分割方法去除扣件检测中的复杂背景,并针对扣件这一应用场景,改进了深度学习网络PSPNet(Pyramid Scene Parsing Network)的特征提取层,模型的分割正确率增加了0.56%,模型的运行速度增快了42.83%。利用改进后的PSPNet分割出扣件图像的弹条区域和钢轨边缘等前景部分,消除了复杂背景对扣件检测的干扰。(3)解决扣件检测中图像数据分布不均衡的问题。基于深度学习的扣件检测需要大量人工标注的扣件图像数据集驱动,铁路扣件图像中负样本偏少,不均衡的数据集会使得深度学习模型的泛化能力较差,达不到检测扣件状态的效果。针对该问题,本文提出了一种基于自编码器的零样本扣件检测。首先,使用稀疏自编码器、卷积自编码器和欠完备自编码器提取扣件正样本图像特征,然后通过正样本特征向量与基向量的余弦相似度推断出负样本的分布空间。在检测时将各自编码器算法得出的结果利用多数投票法确定样本属性。实验证明,使用此方法,在只使用正样本训练的情况下,可以有效的检测出扣件图像的负样本,准确率为95.59%,解决了扣件检测中图像数据分布不均衡的问题。(4)提出SFC型扣件形位偏移计算方法。判断SFC型扣件的弹条偏移没有统一标准,针对这一问题,本文使用形态学算法中的开运算和闭运算消除分割图像中的误差点,利用连通域算法确定扣件的弹条边缘和轨道边沿,计算出坐标差,建立扣件图像与现实坐标的比例关系,确定阈值,最终得出扣件的横向位移,误差不超过2个像素,实现了SFC型扣件弹条横向位移的定量计算。本文以SFC型扣件为研究对象,设计了扣件定位、扣件图像复杂环境消除、零样本扣件检测和扣件形位偏移检测,并针对扣件这一研究对象对相应算法做了改进,完成了扣件检测的完整过程,实现了扣件偏移的定量计算。