针对铁路建设过程中,人工检测轨旁设备安装位置与限界数据时存在的效率和准确度低等问题,研发一款可自主移动的便携式信号工程数据定测及检测装置。为实现该装置自动识别轨旁设备,提出一种改进的Faster R-CNN算法模型。以改进型的残差网...针对铁路建设过程中,人工检测轨旁设备安装位置与限界数据时存在的效率和准确度低等问题,研发一款可自主移动的便携式信号工程数据定测及检测装置。为实现该装置自动识别轨旁设备,提出一种改进的Faster R-CNN算法模型。以改进型的残差网络ResNet50-D为骨干网络提取特征图,将特征金字塔网络算法融入Faster R-CNN网络中,提高大小目标检测精度。采用余弦退火学习率策略对骨干网络进行预训练,将相机采集得到的图像进行数据加强与扩充并输入模型中,利用Momentum优化器对模型进行进一步训练。调整批量样本数和迭代次数,以及Intersection over Union(IoU)阈值和置信度阈值等参数,将最终生成的最优模型通过C++部署到Visual Studio 2017中,供检测装备系统实时调用运行。与一阶的YOLO算法模型和不同层数的骨干网络对比,Faster R-CNN[ResNet50-D]模型具有检测速度较快,对于小目标检测精确度高等特性。实验结果表明,改进的Faster R-CNN算法检测所有类别轨旁设备的平均准确度达到了97.6%,各个类别的精确率均在94%以上,符合自动识别轨旁设备的工程预期。搭载该模型的便携式信号工程数据定测及检测装置可实现轨旁设备的自动识别,结合该装置采集到的位置信息和限界数据,进而实现对各个轨旁设备安装位置和限界数据自动检测。展开更多
文摘针对铁路建设过程中,人工检测轨旁设备安装位置与限界数据时存在的效率和准确度低等问题,研发一款可自主移动的便携式信号工程数据定测及检测装置。为实现该装置自动识别轨旁设备,提出一种改进的Faster R-CNN算法模型。以改进型的残差网络ResNet50-D为骨干网络提取特征图,将特征金字塔网络算法融入Faster R-CNN网络中,提高大小目标检测精度。采用余弦退火学习率策略对骨干网络进行预训练,将相机采集得到的图像进行数据加强与扩充并输入模型中,利用Momentum优化器对模型进行进一步训练。调整批量样本数和迭代次数,以及Intersection over Union(IoU)阈值和置信度阈值等参数,将最终生成的最优模型通过C++部署到Visual Studio 2017中,供检测装备系统实时调用运行。与一阶的YOLO算法模型和不同层数的骨干网络对比,Faster R-CNN[ResNet50-D]模型具有检测速度较快,对于小目标检测精确度高等特性。实验结果表明,改进的Faster R-CNN算法检测所有类别轨旁设备的平均准确度达到了97.6%,各个类别的精确率均在94%以上,符合自动识别轨旁设备的工程预期。搭载该模型的便携式信号工程数据定测及检测装置可实现轨旁设备的自动识别,结合该装置采集到的位置信息和限界数据,进而实现对各个轨旁设备安装位置和限界数据自动检测。
