论文部分内容阅读
跨座式单轨以其轻便灵活的优点越来越多的被应用到城市交通上来,其中轨道梁在列车运行中具有承重和导向作用,因而梁面异常对于列车的安全运行具有严重威胁,目前使用的人工巡检方法效率低下且准确率不高,实现对梁面异常自动检测是跨座式单轨交通发展中亟待解决的问题。针对该问题,本课题在实地采集的跨座式单轨梁面图像数据上使用卷积神经网络对单轨梁面异常的自动检测方法进行了研究。梁面异常可分为梁面混凝土区域的裂纹和指型板区域的紧固件异常,由于两种异常差异较大,为了达到更高的检测效率与精度,本课题分别对两种异常的检测方法进行了研究。通过对现有裂纹检测方法进行分析,结合跨座式单轨梁面混凝土区域的裂纹危害以及实际采集到的原始图像情况,采用了基于卷积网络的块分类方法进行裂纹检测。由于图像的块划分使得难以直接在原图上进行裂纹检测,因此本文选择以分类做检测,即对图像块做裂纹与非裂纹的二分类,然后组合分类结果为裂纹的块得到裂纹检测的最终结果。考虑到效率问题本文选择使用轻量级网络MobileNet在自制的单轨梁面图像数据集上进行微调训练,通过增添大量类似场景中的裂纹数据解决了单轨梁面裂纹数据样本不足的问题,得到在测试集上具有99.085%准确率的模型。为了进一步提高检测效率,通过对训练好的块分类模型进行卷积核裁剪,去除了大量冗余的卷积核得到了精简的块分类模型,在精度保持不变的前提下模型速度提高了34.73%。对于指型板紧固件异常情况,在分析了现有的紧固件松动检测方法各自的优缺点后,发现无法使用现有的紧固件异常检测方法对单轨线路大规模的指型板紧固件进行检测,因此本文提出了一种基于级联卷积网络的检测方案,能够快速的检测指型板紧固件的异常情况。首先使用目标检测网络确定采集图像中所有紧固件区域;然后使用本文提出的紧固件关键点回归网络预测关键点位置,得到紧固件关键点特征信息,最后通过对比不同时间同一紧固件的关键点特征信息实现紧固件异常检测。在重庆市轨道三号线现场采集的轨道梁指型板紧固件数据集上进行了测试,结果显示该方法在准确率达到96.5%时,对于异常的指型板紧固件召回率高达99%,实验结果表明该方法是可行的,能够应用到实际的检测系统中。