基于改进卷积神经网络的铁路轨道线识别提取

[目的]铁路异物入侵防护成为热点研究话题,而入侵区域的划分需要对轨道位置进行检测。为了确定图像中的轨道位置,提出了基于改进Mask R-CNN(掩码-区域卷积神经网络)结合数学模型的方法,对铁路轨道线进行识别提取。[方法]该方法先对Mask R-CNN进行优化并添加注意力机制,引入迁移学习提高模型泛化能力,再使用优化模型对轨道线进行识别与分割,然后提取分割数据并使用对应的数学表达式进行拟合,从而实现轨道线的识别提取。将图像中的轨道线分为四类,使用Labelme标注软件制作标签,形成训练集与测试集。使用训练集对优化模型进行训练,使用测试集评估优化模型的检测效果。[结果及结论]研究结果表明,相同训练力度下,该方法相较于其他分割模型及改进前模型表现优异,对于轨道线种类的判断准确率达97.5%,分割准确率也基本在80%以上。试验表明,该方法利用神经网络良好的表现力提高检测的普适性,能准确判断轨道类型并分割轨道。

基于Transformer与局部特征融合的轨道紧固件缺陷检测方法

为解决传统人工巡检轨道交通线路存在的效率低和有安全隐患等问题,提出一种基于Transformer与局部特征融合的轨道紧固件缺陷检测方法。构建轨道紧固件缺陷检测模型,将Transformer与局部特征模块融合,整合局部信息,进而提取轨道紧固件缺陷特征;同时,采用数据增强的方法对轨道紧固件缺陷样本进行数据扩增,扩充数据集,验证所建模型的检测效果。实验结果表明,相较于传统方法,文章提出的方法在识别轨道紧固件缺失和损坏两类缺陷方面的精度和平均准确率均有所提升,在不同的轨道线路实验环境下也表现出良好的检测效果。