列车是现代交通的重要工具,无论是载货列车还是载人列车,列车检修是安全管理必不可少的工作,机车(即列车车头)速度传感器的检修便是其中一项重要工作。各种不同车型都有车速要求规范,在要求规范内的行车数据,是安全驾驶过程的重要参考依据,也是乘车安全性的重要保证。列车员通过机车安装的速度传感器采集到的列车速度来决策是进行加速还是减速操作,如果失去对速度的掌控,安全性就无法得到保证。随着人口流动性的增大,货物运输数量的日益增加,列车需求量也越来越大,按照传统的列车检修方法需要大量的人力,效率低、现场检修易造成人身伤害。本文基于图像处理与深度学习的方法对现场采集到的含速度传感器的图像进行识别与处理,提出一种基于两步学习策略的图像区域检测与分类的方法,对采集到的铁路机车图像进行速度传感器检测与判别。本论文工作的目标是检测出现场采集的机车样本图片中是否安装有速度传感器。样本特点是图片尺寸大,图片中的目标速度传感器尺寸小,与目标周边背景颜色相似,样本包括白天与黑夜两种情形,背景较为复杂,往往有泥泞等大量污染噪声存在。本文主要工作如下:(1)采用一种两步学习的策略对图片进行检测,首先采用基于深度学习的目标区域定位方法,确定速度传感器目标区域;然后采用改进的卷积神经网络模型对目标区域分类识别,实现对速度传感器的自动判断,提高设备判断准确率。(2)将现有的2种比较先进的目标检测算法You Only Look Once(YOLO)和Single shot Multibox Detection(SSD)算法用于Region Of Interest(ROI)区域的定位,同时使用了Visual Geometry Group(VGG)16结构网络来直接进行定位ROI区域,实现了3种ROI定位的算法。3种方法中,基于VGG-16的目标区域定位算法性能最优。(3)对正确定位出来的铁路机车速度传感器安装区域进行速度传感器检测。本文采用了2种检测算法,分别是LeNet-5卷积神经网络模型与改进的LeNet-5卷积神经网络模型。将两种算法的检测结果的准确率进行比较,发现针对本样本的特点,改进的LeNet-5卷积神经网络模型效果更优。经过大量现场样本测试,本文提出的算法分类识别准确率能够达到现场的实验要求,具有较好的实用性。