论文部分内容阅读
铁路是国民经济发展的重要基石,及时地钢轨缺损维护工作是保证铁路运输安全的重要一环。随着我国经济迅速繁荣,高速、重载、路网密集已经越来越成为未来铁路发展建设的方向,当前传统低效、处理复杂的巡检方式已难以满足轨检需要。近年来在目标识别领域兴起的深度学习方法,在检测效果上实现了跨越式提升。本文采用高速线阵相机技术对钢轨图像进行快速采集,并采用深度卷积生成对抗网络对钢轨缺陷样本进行增强,基于区域候选的深度卷积神经网络(Faster Region-Convolutional Neural Networks,Faster R-CNN)算法对钢轨表面缺陷区域完成识别,完成了高效的图像式铁路轨道表面缺陷检测系统。首先,在汲取课题组前期基于面阵相机的钢轨图像采集装置经验前提下,改用高速线阵相机,使用外部触发装置,搭建图像采集系统。针对目前轨检车采集的图像质量差异较大的问题,主要考虑光线影响,通过加装遮光罩及可调节的光源补充装置,提升了采集图像的质量。线阵相机在行频触发条件下,在保证图像质量的前提下,实现了对钢轨图像的高速采集。其次,分别介绍了YOLO、SSD、R-CNN系列网络架构,分析总结了上述方法的优劣特性,选用基于区域候选的深度卷积网络架构Faster R-CNN作为本文的深度学习网络架构,并对该模型进行了详细介绍。另外,针对钢轨缺陷及时维护带来的缺陷样本稀缺难题,根据扣件和轨面缺陷呈现不同特征,利用灰度统计的方法对轨面区域进行提取,考虑轨面缺陷对统计结果的影响,对结果进行了修正。通过旋转、高斯变换、加噪等方法对扣件缺陷样本进行扩充;利用改进的深度卷积生成对抗网络(Deep Convolution Generating Adversarial Network,DCGAN)对轨面缺陷样本进行了扩充增强。最后,根据扣件缺陷特征呈现出的复杂纹理特征,选用深度残差网络ResNet50对扣件缺陷特征进行提取,并在Faster R-CNN框架下完成模型训练。根据轨面缺陷特征相对单一的特点,采用传统的VGG16网络对缺陷特征进行提取。实验结果表明,本文的轨检系统在检测精度上相对传统方法有了大幅提升,并且具有很强的泛化性,在保证轨检效果的前提下减少了轨检作业者的工作量。