论文部分内容阅读
钢轨扣件是用于保持轨距的重要铁路基础设施,然而,列车运行时产生的冲击力会造成扣件松动、损坏甚至丢失,进而导致列车脱轨等重大安全事故。因此,必须定期地检测线路中钢轨扣件的状态,以保障铁路安全。本文以钢轨扣件为主要研究对象,深入研究基于机器视觉的自动化检测技术在钢轨扣件检测任务中的应用模式,研究内容涉及复杂场景下的目标定位和图像识别等热点领域。本文提出的方法提升了钢轨扣件检测系统的有效性、时效性和不同环境线路的推广能力,实现了高效、准确地检测钢轨扣件状态的目的,具有重要的理论意义和实用价值。本文创新之处主要体现在以下四个方面:1)现有的钢轨扣件区域定位方法在检测任务中存在精确率差、速度慢和推广能力不足的问题。本文提出了基于在线学习策略的钢轨扣件区域定位方法。首先,利用轨道基础设施的先验信息来检测钢轨扣件候选区域;然后,采用K近邻算法结合模板库,计算候选区域内子窗口与扣件模板的相似度,并根据相似度得分和钢轨扣件位置分布推断扣件区域;最后,采用在线学习策略动态地更新在线模板库,以适应不同环境线路的光照条件、图像背景和钢轨扣件类型。实验结果表明,该方法在多条铁路的钢轨扣件定位数据集上取得了很好的定位性能,并且无需训练过程,定位速度快,能够满足钢轨扣件检测任务的需求。2)道岔区段的钢轨扣件的位置分布无规律且多方向,前面提出的方法在道岔区段容易发生漏检,基于深度卷积神经网络的目标检测方法虽然能够定位图像中任意位置的目标对象,但是不能定位丢失或被遮挡的钢轨扣件。本文提出了基于场景上下文感知网络的多方向钢轨扣件实时定位方法。首先,提出了多尺度残差神经网络,提升网络的特征学习能力并降低网络模型的复杂度;然后,提出了基于多尺度残差神经网络的多方向目标实时定位方法,利用多方向基准框在多层次融合的特征图上预测目标物体的边界框;最后,提出了场景上下文感知网络,利用有丢失或遮挡钢轨扣件的轨道图像与无丢失或遮挡钢轨扣件的轨道图像之间上下文图的差异,训练多尺度残差神经网络学习场景上下文信息,使网络可以感知丢失或被遮挡的钢轨扣件的位置。实验结果表明,该方法不仅能够在道岔区段定位可见的钢轨扣件区域,还能够定位出丢失或被遮挡的钢轨扣件区域,具有较强的精确率和推广能力。此外,该方法在经典的目标检测数据集和自然场景文本检测数据集上也取得了有竞争力的性能。3)现有的钢轨扣件缺损识别方法应用到不同环境线路时,需要重新采集和标注大量样本来训练分类器,并且,有缺损钢轨扣件的数量相对稀缺,训练集样本数量不平衡,导致分类器的准确率不高。本文提出了基于视觉相似性网络的钢轨扣件缺损识别方法。首先,利用基于在线学习策略的钢轨扣件区域定位方法自动地采集和标注钢轨扣件样本,并随机匹配正常样本与缺损样本获得大量的钢轨扣件样本对;然后,构建视觉相似性网络学习样本对之间的视觉相似性,得到预训练模型;实际应用时,使用少量待检测线路的钢轨扣件样本微调预训练模型,得到最终的扣件缺损识别模型。实验结果表明,该方法的分类性能优于现有方法,提升了钢轨扣件缺损识别的整体性能,并可通过微调训练的方式推广到不同环境的铁路线路中使用。4)钢轨扣件松动属于非常微小的细节变化,并且松动的形式存在多样性,现有的图像分类方法无法准确地识别钢轨扣件松动。本文提出了基于图像代表性特征学习的钢轨扣件松动检测方法。首先,详细地分析了现有的图像分类损失函数原理;然后,提出了收缩环形损失函数,使深度网络可以学习到更具代表性的特征;实际应用时,同时提取正常钢轨扣件和待识别钢轨扣件的特征,计算特征之间的余弦相似度,即可识别钢轨扣件是否松动。实验结果表明,该方法识别钢轨扣件松动的准确率较高,并具有良好的普适性,不仅可以应用于人脸验证任务,还可以提升深度网络在不平衡数据集和大规模数据集上的分类性能。