基于深度边缘特征的轨道扣件状态检测方法

针对现有轨道扣件状态检测方法无法检测快速弹条扣件的问题,提出了一种基于深度边缘特征的轨道扣件状态检测算法。利用基于深度学习方法搭建的HED网络提取轨道扣件的深度边缘特征,得到扣件深度边缘特征图;提取扣件深度边缘图的方向梯度直方图特征,将得到的融合特征作为扣件特征描述算子输入支持向量机训练,用训练好的分类器实现扣件扣紧和弹出状态的检测。试验结果表明,本文方法的准确率、召回率和精确率分别可达95.1%,97.3%和96.6%,具有较高的识别准确性和较强的鲁棒性,可以有效解决快速弹条扣件的检测问题。

基于卷积神经网络的轨道扣件状态检测

为提高铁路轨道扣件状态检测的效率和准确率,提出基于卷积神经网络的轨道扣件状态检测算法。通过原始图像数据增强、采用修正线性单元、引入弃权技术等优化方法,减小过拟合,提高卷积神经网络的泛化能力。经试验对比,该算法不需要进行特征提取等预处理操作,有效地解决了训练精度和泛化能力差的问题,准确率达到98. 1%,优于传统基于特征提取的图像识别算法。

基于深度风格迁移合成数据的扣件异常状态检测

扣件系统是轨道结构中的关键基础部件,其服役状态直接影响铁路列车的正常运行。现有基于机器视觉检测方案受样本不均的影响易漏检或错检。提出一种基于图像风格迁移学习的板式无砟轨道扣件系统异常状态检测算法。该算法基于实际场景进行铁路轨道结构的正向建模,按照设计阶段的约束关系参数化生成几何构造完全相同的BIM模型,通过轻量化物理引擎渲染场景细节,并随机部署不同类型状态的扣件系统,输出虚拟巡检图像。在此基础上,利用循环对抗生成网络将虚拟巡检图像进行真实化的风格迁移,得到高仿真且正负样本均衡的合成数据集。最后利用该数据集对典型的深度目标检测网络进行充分训练,实现对板式无砟轨道结构扣件异常状态的精确化检测。实验结果表明:经过风格迁移得到的合成数据集充分训练的Faster R-CNN网络具有最佳的板式无砟轨道结构扣件异常状态检测精度,对正常、断裂、缺失和位移4种类型状态的扣件检测MAP值为94.91%,相比真实数据集高出5.39%,比虚拟BIM数据集高出2.37%。其中缺失状态扣件检测精度提升最大,比真实数据集提高10.13%,实现了扣件状态识别精度的有效提升。