论文部分内容阅读
随着我国铁路建设速度和铁路的运载量不断增加,构建我国的智能铁路技术体系,做好线路设备的养护维修工作、提高线路的养护水平就显得日趋重要。钢轨紧固件作为轨道上用以联结钢轨和轨枕的中间件,承担着保护铁路干线安全的重任,是铁路养护作业的重要一环。目前,钢轨紧固件的安装与拆卸基本都是依靠人工作业完成,不仅效率低,而且危险系数大。本文研究的内容正是通过一款深度学习模型——MaskR-CNN对现场钢轨紧固件图像进行实例分割,进而确定图像中每个钢轨紧固件的中心坐标,这个环节的实现可以为钢轨紧固件的自动装卸做好前期准备,具有一定的工程应用价值。论文的主要工作如下:
(1)以深度学习的理论知识为基础研究了卷积神经网络(CNN)、目标检测领域的经典模型FasterR-CNN、全卷积神经网络(FCN)和MaskR-CNN模型的工作原理和基本架构,研究了各个模型所使用的关键技术,如:RPN、RoIPooling、RoIAlign、FPN和多任务损失函数等。
(2)以MaskR-CNN原理为基础,对MaskR-CNN模型的组织结构进行了较为深入的研究,包括各个代码文件和功能模块,尤其是对模型的两大核心模块:Config模块和Model模块做了重点研究。
(3)对通用实例分割模型MaskR-CNN进行了二次开发,将其应用于钢轨紧固件中心定位项目中,重点研究了与项目实现有关的几个内容,包括:样本库的组建、模型的配置和优化、模型的训练与预测等。
(4)为了此文的研究课题更加贴近于工程应用,以及更加直观地感受MaskR-CNN模型在复杂作业环境中的应用效果,我们在二次开发后的MaskR-CNN模型基础上构建了一套钢轨紧固件中心定位系统;介绍了此系统的设计理念、主要功能和系统架构;同时,在工作站电脑和深度学习服务器上实际搭建了系统的硬件平台和软件平台,并在工程应用的背景下对系统进行了必要的调试和优化。
(5)为了验证二次开发后的MaskR-CNN模型和自主设计的钢轨紧固件中心定位系统的有效性,对测试结果进行了分析和研究。根据误检率、漏检率、中心定位误差和时耗主要技术指标对钢轨紧固件在油渍覆盖、阴影围绕和杂物遮挡三种复杂背景和干扰条件下的工作情况展开了进一步的验证,并对三种干扰条件下的测试结果进行了分析和说明,同时将二次开发后的MaskR-CNN模型与原始模型在相同干扰条件下进行了实验对比。
(1)以深度学习的理论知识为基础研究了卷积神经网络(CNN)、目标检测领域的经典模型FasterR-CNN、全卷积神经网络(FCN)和MaskR-CNN模型的工作原理和基本架构,研究了各个模型所使用的关键技术,如:RPN、RoIPooling、RoIAlign、FPN和多任务损失函数等。
(2)以MaskR-CNN原理为基础,对MaskR-CNN模型的组织结构进行了较为深入的研究,包括各个代码文件和功能模块,尤其是对模型的两大核心模块:Config模块和Model模块做了重点研究。
(3)对通用实例分割模型MaskR-CNN进行了二次开发,将其应用于钢轨紧固件中心定位项目中,重点研究了与项目实现有关的几个内容,包括:样本库的组建、模型的配置和优化、模型的训练与预测等。
(4)为了此文的研究课题更加贴近于工程应用,以及更加直观地感受MaskR-CNN模型在复杂作业环境中的应用效果,我们在二次开发后的MaskR-CNN模型基础上构建了一套钢轨紧固件中心定位系统;介绍了此系统的设计理念、主要功能和系统架构;同时,在工作站电脑和深度学习服务器上实际搭建了系统的硬件平台和软件平台,并在工程应用的背景下对系统进行了必要的调试和优化。
(5)为了验证二次开发后的MaskR-CNN模型和自主设计的钢轨紧固件中心定位系统的有效性,对测试结果进行了分析和研究。根据误检率、漏检率、中心定位误差和时耗主要技术指标对钢轨紧固件在油渍覆盖、阴影围绕和杂物遮挡三种复杂背景和干扰条件下的工作情况展开了进一步的验证,并对三种干扰条件下的测试结果进行了分析和说明,同时将二次开发后的MaskR-CNN模型与原始模型在相同干扰条件下进行了实验对比。