基于卷積神經(jīng)網(wǎng)絡(luò)的鐵軌扣件異常狀態(tài)檢測(cè)研究.pdf

1、在鐵路發(fā)展和運(yùn)營(yíng)過程中，鐵路基礎(chǔ)設(shè)施的安全檢測(cè)一直是鐵路安全的重點(diǎn)之一，其中扣件異常狀態(tài)檢測(cè)是非常重要的環(huán)節(jié)。近年來(lái)，隨著計(jì)算機(jī)技術(shù)及圖像處理技術(shù)飛速發(fā)展，基于計(jì)算機(jī)視覺的扣件缺失自動(dòng)檢測(cè)系統(tǒng)已經(jīng)成為維護(hù)鐵路線路環(huán)境安全的重要措施，是視覺檢測(cè)領(lǐng)域的研究熱點(diǎn)之一。
　　課題組在前期工作中，提出了基于在線學(xué)習(xí)的扣件檢測(cè)方法。該方法通過在線學(xué)習(xí)策略，動(dòng)態(tài)生成模板庫(kù)，因此不需要訓(xùn)練，可以方便地推廣到不同的線路，目前已經(jīng)在鐵道科學(xué)研究院研制

2、的軌檢車上實(shí)施部署，在多個(gè)鐵路局穩(wěn)定運(yùn)行，積累了大量的數(shù)據(jù)，取得了很好的檢測(cè)效果。但是該方法也存在著一些不足:首先，該方法需要定期維護(hù)靜態(tài)扣件模板庫(kù)，其次，由于沒有訓(xùn)練過程，因此相對(duì)而言，錯(cuò)檢率較高。
　　為了進(jìn)一步提高檢測(cè)效率，同時(shí)充分利用前期采集分析得到的大量數(shù)據(jù)，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的鐵軌扣件異常狀態(tài)檢測(cè)方法。與前期手工HOG不同，深度學(xué)習(xí)是一種基于學(xué)習(xí)的特征提取方法，通過前期積累的大量數(shù)據(jù)進(jìn)行訓(xùn)練，可以有效地提高

3、檢測(cè)精度。并對(duì)于一些特殊的扣件異常狀態(tài)，如:扣件微小的變化、扣件的松動(dòng)和彈條斷裂等情況，也可以通過重新學(xué)習(xí)和訓(xùn)練完成對(duì)不同線路鐵軌扣件的檢測(cè)。
　　本文的主要工作有:
　　1、訓(xùn)練數(shù)據(jù)集的收集和整理:通過課題組已有基于在線學(xué)習(xí)的自適應(yīng)扣件檢測(cè)方法，收集整理了大量的扣件數(shù)據(jù)，完成了采集鐵軌扣件數(shù)據(jù)集的工作，將采集到的扣件數(shù)據(jù)集分為兩類，一類是正?？奂?，另一類是異常扣件。采集了三條線路鐵軌扣件數(shù)據(jù)，分別是集通線、滬寧線和滬杭高鐵

4、線。集通線共47281張扣件圖像，其中正?？奂?4670張，異常扣件22611張。滬寧線共27869張扣件圖像，其中正常扣件13946張，異常扣件13923張。滬杭高鐵線共35428張扣件圖像，其中正常扣件18456張，異常扣件16972張。
　　2、從圖像分類(Classification)角度看，扣件異常狀態(tài)的檢測(cè)就是扣件狀態(tài)正常和異常的二分類問題。為此，我們提出了一種基于AlexNet網(wǎng)絡(luò)模型的扣件檢測(cè)方法，該方法是一種基于

5、特征學(xué)習(xí)的方法，通過由低層特征逐級(jí)抽取，能夠得到更加抽象的高層類別特征，克服了手工設(shè)計(jì)的HOG特征和已有扣件模板庫(kù)對(duì)復(fù)雜扣件變化適應(yīng)能力較弱的問題，在集通線路上對(duì)于由光照和污漬引起的變化取得很好的實(shí)驗(yàn)結(jié)果。
　　3、從圖像驗(yàn)證(Verification)角度看，扣件異常狀態(tài)檢測(cè)問題可以看做是待檢測(cè)扣件與已知正常狀態(tài)扣件的驗(yàn)證問題，相同則是正常，不同則發(fā)生了異常。為此，我們提出了一種基于Siamese模型的扣件狀態(tài)檢測(cè)方法，該方法的