基于SimAM和SpinalNet的列车轮对踏面缺陷分类模型

为解决小样本问题下轮对踏面缺陷分类难题,提出一种基于简单无参注意力模块(SimAM)和脊柱神经网络(SpinalNet)踏面缺陷分类模型。首先,预训练网络提取原始图像各个类别特征图;其次,在有限的训练样本下,利用SimAM提取对缺陷图像表示性更强的类别特征;然后,利用SpinalNet关联特征图的局部和整体语义,得到缺陷类别特征的强区分性表示;最后,以强区分性表示特征输入带有L2正则化的softmax分类器,得到分类结果。试验结果表明:小样本任务评估指标准确率1和准确率2分别为68.35%和100%,优于目前主流深度学习模型,能够有效分类轮对踏面缺陷从而避免列车安全事故发生。

基于R-P图像注意融合网络的列车轮对踏面缺陷识别

轮对踏面缺陷识别是开展列车轮对检修维护的重要前提。然而,轮对踏面缺陷样本存在的数量少、类别不均衡现象,使得传统深度学习方法识别精度有限,难以满足列车智能运维发展的需求。提出一种基于R-P图像注意融合网络(RP-AFN)的列车轮对踏面缺陷识别方法。首先,将RGB图像及其泊松编码(Poisson coding,POS)形式同时引入Mobilenetv2网络之中,以通过丰富输入信息的方式来缓解小样本问题;其次,将挤压-激励模块(SEBlock)和相似性约束引入模型中,以提取具有模态间交互性信息的判别注意力特征,并利用多层感知机(MLP)对其进行融合和推断;最后,基于焦点损失和相似性损失设计一种联合损失函数,使其能够通过惩罚大类别样本以缓解类别不平衡问题。实验结果表明:所提融合方法实现了85.7%的轮对踏面缺陷识别率,且其各项指标以约2.5%~20%的优势优于对比方法。在不同输入大小和主干网络的条件下,以224×224为输入大小的Mobilenetv2模型所对应的模型性能最佳。在不同特征融合策略的条件下,特征拼接方法的各项指标以约1%~3.5%的优势优于特征加法、特征外积和动态加权等方法。在不同调剂因子μ的设置中,μ=0.7的情况下,模型各项指标性能达到综合最优。在主干网络相同的条件下,融合方法能够在不显著增加模型参数的情况下,其各项指标优于单模态方法约1%~6.3%。在执行消融实验的情况下,输入模态、损失函数和模块的消融都会给模型带来负面影响,验证了模型设计的合理性。RP-AFN模型能够有效地提高轮对踏面缺陷识别性能,可在一定程度上解决小样本和类别不均衡条件下的踏面缺陷识别问题。

基于FPGA的轮对踏面电磁超声在线检测系统

为了提高我国当前列车轮对的检测效率,设计了一种基于FPGA的列车轮对踏面电磁超声在线检测系统。该系统将电磁超声检测技术与FPGA应用技术相结合,采用基于FPGA的可编程片上系统技术,实现了电磁超声信号发射/接收、数据采集、微弱信号检测以及存储显示等,充分发挥了FPGA在运算速度和设计灵活性上的优势。试验表明,系统具有较高的检测精度和检测效率,可在列车运行速度<20 km/h时成功检测出轮对踏面上深度>2 mm的人工缺陷。

基于目标检测网络的轮对踏面缺陷检测方法

针对传统图像处理算法难以快速、准确识别轮对踏面缺陷的问题,提出一种采用双深度神经网络对轮对踏面缺陷进行检测的算法。该双网络分为踏面提取网络与缺陷识别网络。根据踏面为大目标的特点,分析与测试SSD网络,并用该网络提取轮对图像中的踏面区域。为提高踏面缺陷识别效率,在提取出踏面图像后,针对踏面缺陷属于中、小目标的特点,对YOLOv3网络结构进行优化得到M-YOLOv3。实验测试表明:提取踏面区域时,SSD算法的精度均值(AP)最高,达99.8%;识别踏面缺陷时,M-YOLOv3的AP达89.9%,相较于原始YOLOv3,单张图像计算耗时减少7.1%,同时AP仅有0.6%的损耗。结果表明,所提算法具有较高的检测准确率。