基于轻量化模型的钢轨扣件缺陷检测系统

铁路巡检工作中,嵌入式设备受算力和存储空间的限制,存在使用YOLO V5模型检测钢轨扣件缺陷速度慢、精度较低的问题。通过替换YOLO V5主干卷积网络为MobileNet V3,将网络中的激活函数修改为Mish并融合协同注意力机制,实现模型的轻量化改进。将改进后的模型部署到嵌入式设备Jetson TX2上,使用板载CSI摄像头扫描、拍摄钢轨扣件,并搭载显示屏等设备构成钢轨扣件缺陷检测系统。运行系统,单张扣件图片的检测速度达56.8 ms,准确度在90%以上,并且模型大小仅有9.8 MB,符合占用存储少、检测效果佳的轻量化要求。

基于改进Faster R-CNN算法的扣件缺陷检测

快速、高效检测高速铁路扣件缺失与缺陷情况,对保障铁路轨道线路维护和运营安全意义重大。采用目标检测技术提出一种基于改进Faster R-CNN的高速铁路扣件缺陷检测与提取算法,相较于人工巡检与静态检测能显著提升检测速度和精度。首先,使用ResNet-101网络代替VGG-16网络,结合FPN提取图像特征并进行特征图融合。然后,采用ROI Align替代ROI Pooling避免两次量化,消除了Faster R-CNN模型自身的边界框偏差。最后,采用SoftNMS算法代替传统NMS算法抑制非极大值,提升检测效率。实验表明,该方法在提取、检测铁路扣件缺陷的精度方面,相较于传统Faster R-CNN方法提升了10.58%,具有一定的实用价值。

基于改进YOLO V3算法的轨道扣件缺陷检测

目前轨道线路养护主要采用人工巡检方式,针对其存在的准确率不足、效率低下等问题,提出一种基于改进YOLO V3的轨道扣件缺陷检测方法。首先通过K-means算法对缺陷目标候选框的尺寸进行聚类分析;其次根据检测目标普遍较小的情况改进YOLO V3的层级结构,即选取两组尺度特征对扣件缺陷的位置和类别进行预测;最后将取自某地铁线路的轨道图像数据制作成轨道扣件缺陷数据集,用改进前后的YOLO V3网络模型进行对比实验。结果表明,改进后YOLO V3模型的平均准确率均值提高了20.64%,达到95.62%,检测速度提高了82.5%,达到58.4fps,能够准确且快速地识别出轨道扣件中的缺陷。

基于半监督深度学习的无砟轨道扣件缺陷图像识别方法

提出基于置信图的扣件子图快速定位算法,即基于概率图模型构建扣件子图邻域纹理图和初始引导图与被定位图之间的置信图,并通过计算置信图的最大极值点实现对扣件子图中心点的快速定位。在此基础上,针对无砟轨道扣件缺陷样本相对稀缺的问题,提出基于半监督深度学习的扣件缺陷图像识别方法,即首先采用稀疏自编码(SAE)网络在无标签的数据集进行迭代学习获得扣件子图稀疏表征,然后将训练好的SAE网络连接softmax层组成分类网络,最后在有人工类别标注的小数据集进行二次训练及参数微调获得最终的识别模型。通过在装配WJ-7型扣件的CTRS-Ⅰ和WJ-8型扣件的CTRS-Ⅱ型无砟轨道图像进行应用测试和方法验证。结果表明:该方法可快速精确定位扣件并识别扣件缺失、弹条折断、弹条移位3类缺陷,有效检出率达95%以上。

基于Mask R-CNN算法在轨道扣件缺陷检测中的应用

针对扣件的断裂、缺失和螺母松动等3种主要缺陷引起的扣件转动,对基于Mask R-CNN网络扣件缺陷检测系统开展研究。首先将扣件图片输入到主干特征提取网络Resnet101对图片进行卷积、池化操作,随后构造FPN(Feature Pyram id Ne tw orks),经过FPN进行多尺度特征融合后的结果输入到RPN(Re gion Propos al Ne tw orks),再由RPN筛选出一部分RoI(Region of Interest),然后对RoI进行RoI Align操作,最后对RoI进行分类、bounding_box回归和扣件掩膜(mask)生成,最后得到的实例分割检测结果。该结果不仅可以通过预测框显示正常扣件和缺陷扣件类别,还可以通过语义分割得到的扣件形状判断扣件类别。因此,在一定程度上缩小了实际操作中因网络本身引起的误差。