基于遷移學(xué)習(xí)的鐵路異物檢測算法研究.pdf

1、由于人為因素或自然災(zāi)害，異物侵入鐵路限界的現(xiàn)象時(shí)有發(fā)生，對(duì)鐵路運(yùn)行安全構(gòu)成潛在威脅，因此，實(shí)時(shí)監(jiān)測線路周界安全，實(shí)現(xiàn)異物入侵的預(yù)警、報(bào)警和分類具有十分重要的意義。隨著我國高速鐵路的迅速發(fā)展，迫切需要一種識(shí)別準(zhǔn)確率高、實(shí)時(shí)性好、性價(jià)比高的鐵路異物檢測技術(shù)。本論文針對(duì)既有高速鐵路綜合監(jiān)控視頻，研究基于深度神經(jīng)網(wǎng)絡(luò)的視頻快速處理算法，利用遷移學(xué)習(xí)高效地實(shí)現(xiàn)了不同監(jiān)控場景下處理算法的優(yōu)化與異物準(zhǔn)確檢測的難題。
　　論文首先針對(duì)高速鐵路異物

2、檢測的需求特點(diǎn)，設(shè)計(jì)了基于深度信念網(wǎng)絡(luò)和遷移學(xué)習(xí)的檢測算法框架。然后利用鐵路沿線相機(jī)采集的視頻資源，對(duì)其進(jìn)行樣本圖像的采集與存儲(chǔ)，整理出各種列車、異物、天氣、光線等條件下的典型樣本，并進(jìn)行異物標(biāo)注以及灰度化、降采樣等預(yù)處理操作，創(chuàng)建了包含80000個(gè)樣本的海量圖像數(shù)據(jù)庫作為深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試的樣本集。接著，以深度信念網(wǎng)絡(luò)為算法架構(gòu)研究設(shè)計(jì)預(yù)訓(xùn)練模型的結(jié)構(gòu)和參數(shù)，最終確立了包括一個(gè)圖像輸入層，三個(gè)特征提取層和一個(gè)分類識(shí)別層在內(nèi)的五層結(jié)

3、構(gòu)模型。利用單一相機(jī)的大訓(xùn)練樣本集對(duì)此預(yù)訓(xùn)練模型進(jìn)行訓(xùn)練，異物識(shí)別準(zhǔn)確率可以達(dá)到99％。針對(duì)單一相機(jī)樣本訓(xùn)練得到的預(yù)訓(xùn)練模型，研究可進(jìn)行遷移的參數(shù)和結(jié)構(gòu)進(jìn)行選擇，通過對(duì)比實(shí)驗(yàn)，找到遷移學(xué)習(xí)效果較好的權(quán)值參數(shù)將其提出來用到其他相機(jī)的訓(xùn)練和異物識(shí)別中去。測試結(jié)果表明，利用小訓(xùn)練樣本，遷移后算法的異物識(shí)別準(zhǔn)確率仍然可以達(dá)到99％。
　　本文將遷移學(xué)習(xí)的方法引入到對(duì)鐵路異物侵限進(jìn)行檢測的工作中，利用遷移學(xué)習(xí)可以通過領(lǐng)域或知識(shí)間的遷移解決新