基于金字塔拆分注意力的列车轮对踏面损伤诊断

为解决列车轮对踏面损伤诊断准确率低、速度慢和损伤样本少的问题,提出一种基于金字塔拆分注意力网络(EPSA-ResNet)的车轮对踏面损伤诊断模型。首先,采用迁移学习方法预训练ImageNet数据集,得到模型参数,然后将其迁移到轮对踏面损伤特征数据中,并进行微调,从而获得共享模型结构和参数;其次将ResNet-50残差块中的3×3卷积替换为一种金字塔拆分注意力(PSA)模块,得到新的EPSA-ResNet,融合空间和通道注意力多级别特征,自适应地进行特征重标定;最后通过Softmax分类器得到轮对踏面损伤情况的诊断结果。结果表明:该方法能够有效识别列车轮对踏面损伤状态以及周围环境间存在的局部细微差异,诊断精度可达99.79%,优于其他深度神经网络模型。

基于图像识别的输电线路轨道运输装备安全检测系统

为了提高林区山地输电线路轨道运输装备运行安全性,搭建基于图像识别的轨道运输装备安全检测系统.首先给出整个林区山地输电线路轨道运输装备电控系统;其次介绍了感知模块系统所用到的各类传感器;然后基于拆分注意力网络和自校准卷积的融合,采用Faster-RCNN算法得到更好的特征提取,并采用此改进的Faster-RCNN算法进行装备周围人员识别试验;最后基于QT开发输电线路轨道运输装备远程控制软件,并实现对装备的远程操控.结果表明:改进的Faster-RCNN算法在林区山地强光照和复杂环境下能够大幅度提高识别装备周围人员的准确性,图像识别平均精度均值mAP可达87.13%,高于常规Faster-RCNN的74.35%和级联Faster-RCNN的76.28%,充分证明改进的Faster-RCNN算法具备优良识别能力,保障林区山地输电线路轨道运输装备安全运行.