基于深度學習的鐵路扣件檢測系統(tǒng)的研究.pdf

1、鐵路扣件作為固定軌枕和鐵軌的重要連接部件，對保證列車安全運營具有極其重要的作用，目前的軌道巡檢列車雖已實現(xiàn)軌道的自動巡檢，但在鐵路扣件的自動檢測方面，還沒有檢測效果良好的扣件檢測系統(tǒng)應用于綜合巡檢列車上。中國目前對鐵路扣件的檢測仍然是人工檢測為主，列車巡檢為輔助，但隨著中國鐵路線路逐漸增多，總里程日益增長，鐵路線路中橋梁隧道占比越來越大，對鐵路軌道使用的頻次也逐漸加大，因此研究扣件的自動檢測系統(tǒng)具有極其重要意義和價值。目前，深度學習圖像

2、處理技術發(fā)展迅速，相比于傳統(tǒng)圖像處理方式具有諸多優(yōu)勢，具有廣泛應用前景。本文以深度學習目標檢測技術為基礎，對基于Faster R-CNN的扣件檢測算法進行研究，主要工作和創(chuàng)新點如下:
　　首先，針對巡檢列車的工作特性，設計了一套扣件檢測系統(tǒng)，整個系統(tǒng)由視覺子系統(tǒng)、圖像采集存儲子系統(tǒng)和圖像處理子系統(tǒng)三部分組成，該系統(tǒng)可以實現(xiàn)扣件圖像的采集、存儲和扣件圖像離線自動檢測。
　　其次，針對扣件特征提取這一關鍵問題，研究了基于卷積神經(jīng)

3、網(wǎng)絡技術實現(xiàn)扣件特征提取過程，對比多種CNN網(wǎng)絡，選取ZF網(wǎng)絡和VGG網(wǎng)絡做為本文的特征提取網(wǎng)絡，對ZF網(wǎng)絡和VGG網(wǎng)絡特征提取過程中的特征響應圖進行了繪制，驗證方案合理性，并解決了扣件特征提取CNN過程中的梯度消失和過擬合問題。
　　然后，分析并且實現(xiàn)了Faster R-CNN的扣件檢測模型的訓練過程和測試過程，對其中關鍵的RPN過程進行了優(yōu)化，提升了計算速度，同時繪制并分析了訓練過程中的Loss曲線及PR曲線，對本文扣件檢測方