一、德国RAILCHECK光电式自动化钢轨检测系统在轨道检查车中的应用(论文文献综述)
孟宇[1](2021)在《钢轨廓形动态在线检测系统研究》文中进行了进一步梳理随着我国高铁技术的发展与成熟,列车速度越来越快,各地区之间往来沟通愈加便捷,极大地便利了人们的出行与货物运输,但是同时高速行驶的列车对钢轨带来了较大的接触压力,为了保障行车安全,铁路部门对钢轨的尺寸质量提出了严格要求。目前各大钢厂与焊轨基地主要采用人工测量方法进行出厂钢轨的质量检测,作为接触式测量方法,人工测量方法存在范围小、效率差、精度低等缺点,且容易受主观因素影响,造成错查、漏查等情况,而且缺乏数据支撑,无法复查比对,严重影响钢轨生产效率。本文基于结构光三角测量原理设计了一种搭载组合传感器的钢轨廓形动态在线检测系统,替代人工完成钢轨在运动条件下的全断面轮廓重现和尺寸测量以及合格判定,实现无接触、高效、高精度、智能化的钢轨几何尺寸检测。本文主要研究内容以及成果如下:1.本系统采用4个3D智能传感器建立多传感器全方位钢轨检测模型,基于结构光三角测量获取光条覆盖断面的图像坐标,经过传感器标定完成同一坐标系下钢轨分散轮廓的融合。提出一种基于最小距离约束的轮廓配准拼接方法实现钢轨全断面轮廓的重现,最后采用加权最小二乘拟合与迭代优化方法对钢轨不规则廓形进行分段拟合,获取轮廓的特征点完成钢轨几何尺寸参数的高精度测量以及合格判定。2.本系统模拟现场产线输送辊道搭建了驱动轮结合同步轮轨的机械传动系统,实现钢轨快速前进状态下的稳定测量,大大提高了测量效率。3.本系统针对光照、温度、灰尘、振动等影响进行了一系列改进设计,保证系统测量精度。本文分别通过静态比测与动态重复性测量验证系统精度与稳定性,分别得到静态最大对比误差0.06mm,动态重复误差为0.06-0.09mm,满足钢轨质量检测要求,证实本系统的稳定性、准确性、实用性以及便捷性。而且本系统算法精简,系统完善,操作简单,为钢轨全断面轮廓检测提供了理论与实际参考价值。
徐炜彤[2](2021)在《深圳城市轨道交通综合检测列车方案研究及实施》文中提出深圳城市轨道交通综合检测列车是国内首列城市轨道交通综合检测列车,车辆最高运行速度120km/h,具备地铁基础设施全项目、多方位、全流程综合同步检测能力。可替代其它单一功能检测车和检测设备,大幅度提高了检测效率,能够降低线路养护维修成本和城市轨道交通安全运行压力,具有智能、安全、绿色等特点。城轨综合检测车的成功研制是深圳城市轨道交通的一个里程碑,同时也填补了国内空白。本文介绍了以城市轨道交通B型电客车为载体,集轨道几何、钢轨轮廓、轨道状态巡检、线路限界、接触网、通信等专业检测于一体并应用于深圳市城市轨道交通的综合检测列车。该车采用了精确定位、时空同步和综合集成技术,可实现多个专业的检测参数和项目的动态实时同步采集和处理;基于惯性基准测量原理的数字式轨道检测系统,结合激光摄像技术和高速图像处理技术,合成轨道几何参数;基于结构光的钢轨轮廓检测系统可获取钢轨轮廓图像,并测量钢轨磨耗;基于高速高清数字成像技术的轨道状态巡检系统,可连续获取清晰、完整的轨道图像,包括钢轨、扣件、轨枕、道床及轨道板表面图像;采用激光扫描测量方法的限界检测系统,能够在复杂的外部环境下快速准确地检测线路建筑物和设备的位置及接近状态;针对城市轨道交通接触网系统直流供电特点,采用高低压隔离传输技术和光信号隔离技术,实现接触网受流参数的检测;采用高精度激光雷达传感技术,实现接触网几何参数的非接触式检测;通信检测系统具备实时检测电波传播场强覆盖、电磁环境干扰、WLAN服务质量和LTE-M服务质量;车辆牵引系统采用“接触网+牵引蓄电池”无缝切换的供电模式,不仅改善了常规检测车辆检测功能,而且突破了夜间天窗作业限制,能自由穿梭于有电区和无电区;城市轨道交通地面数据中心平台的搭建,可高效、快速、实时的储存、浏览检索和处理数据。城轨综合检测车从技术和设备层面推动城市轨道交通基础设施的高效检测和检测数据的综合分析运用,实现“动态综合检测”的发展理念,提升了城市轨道交通基础设施管理和维护效率。
吕德芳[3](2021)在《基于卷积神经网络的轨道扣件缺陷图像识别方法研究》文中进行了进一步梳理轨道扣件作为轨道系统的重要组成部分,起着联接钢轨与轨枕,防止钢轨产生横、纵向位移的作用。在列车运行过程中,钢轨与轮毂间会出现频繁的冲击与摩擦,随着时间的积累,扣件状态逐渐恶化,出现一系列故障。扣件故障的检测一直是铁路工务部门重要工作内容之一。我国铁路部门目前已装备了一系列轨道检查车和综合检测车,但在实际运用过程中暴露出检测车数量不足、运用不够灵活、部分检测车不具备扣件故障检测能力等问题,我国铁路部门亟需一种准确、高效、轻便、低成本的扣件缺陷检测方法。近年来随着深度学习技术的不断发展,优秀的目标检测算法不断涌现,基于机器视觉的表面伤损检测技术被广泛应用。在此背景下,本文旨在设计一种运用灵活、低成本的基于机器视觉的轨道扣件缺陷巡检方法。本文介绍了目前常见的扣件缺陷检测设备,针对其运用过程中暴露的问题,设计了一种基于机器视觉技术的扣件巡检实验平台。实验平台需在不超过15km/h速度下拍摄扣件图像,为获取无残影扣件图像,本文设计了基于线阵相机的图像采集单元;为获得完整无畸变的扣件图像,本文设计了一种可预测线阵相机扫描区域与扣件相对位置的扣件定位单元。此外,针对未见公开的扣件数据集,本文还制作了扣件缺陷数据集。本文研究了深度学习基本理论和主流的目标检测算法,通过对扣件巡检系统工作环境和工作方式的分析,综合检测精度和检测速度考虑,最终选定使用YOLOv3算法实现扣件缺陷检测。针对YOLOv3在边缘运算平台检测速度无法满足需求的情况,提出了基于Mobile Net的改进型YOLOv3算法:使用Mobile Net网络代替YOLOv3的Darknet53主干网络并重新聚类anchor boxes尺寸,在检测精度无明显下降的情况下,检测速度大幅提升,在JETSON AGX XAVIER边缘计算平台上最快可达24.0FPS。最后,本文设计了图像采集实验和扣件缺陷检测试验,分别测试了扣件图像采集功能和扣件缺陷实时检测功能。实验结果表明,本文所设计的扣件巡检实验平台具备实时检测扣件缺陷的能力,但部分细节仍需优化改进。
王振[4](2021)在《钢轨螺栓组件故障检测与识别方法研究》文中认为近年来,随着中欧班列和其他长途跨境客货火车的开通,铁路运输在陆上长途交通领域发挥的作用越来越大。铁路运输为跨地区的经济融合、社会沟通、人文互动做出了重要贡献。如何保证铁路运输的安全运行广受关注,钢轨接头螺栓的各种故障是引起铁路运输事故的因素之一,钢轨接头部位的日常维修、养护占到轨道维修工作量的60%-70%,因此研究钢轨接头螺栓组件故障的快速检测与识别具有重要意义。主要研究工作如下:首先对钢轨螺栓故障、机器视觉在轨道交通检测中的应用、以及目标检测算法的国内外研究现状等进行了概述,然后分析钢轨螺栓组件的所有可能故障,并阐述了各种故障产生的原因,设计钢轨螺栓组件图像采集方法。其次建立钢轨螺栓组件故障的专门数据集,选择目标检测领域常用的几种算法进行对比实验,实验证明YOLOv4在检测速度、平均精度和均值平均精度等评价指标上比较优秀,是一个适合用于工程应用的目标检测识别算法,并根据钢轨螺栓的特点对YOLOv4进行了优化。根据轨道螺栓组件数据集样本大小的特点,通过聚类生成了适合螺栓组件尺寸的先验框,也为坐标预测提供了更可靠的回归依据。在YOLOv4的优化器改进上,引入自适应优化算法,结合YOLOv4目标检测模型默认的随机梯度下降算法,形成自适应和随机梯度下降融合的优化算法,并设置了两种算法的切换时刻。融合后的算法在训练阶段前期的损失函数呈现快速下降的效果,并在后期拥有良好的收敛性。然后对目标检测识别算法模型进行剪枝体量轻量化操作。最后轻量化后的算法被移植到测试平台上进行实验并优化,并对故障螺栓组件的识别进行了准确度测试。测试结果表明,基于深度学习的钢轨螺栓组件故障检测与识别方法能够有效识别出钢轨螺栓的螺母缺失、螺母破损、螺母松落、垫片消失、螺栓缺失、螺栓破损等故障,平均准确率达到84.8%以上,FPS可以稳定保持在20.12fps左右,能快速、准确地完成钢轨连接处螺栓故障的检测任务。
魏秀琨,所达,魏德华,武晓梦,江思阳,杨子明[5](2021)在《机器视觉在轨道交通系统状态检测中的应用综述》文中研究指明城市轨道交通系统主要由弓/网系统、轨道线路、车辆、车站等组成,传统的人工巡检等方法检测效率低、劳动强度大、自动化和智能化程度不高,给城市轨道交通的运营保障和进一步健康发展带来了巨大的挑战.机器视觉作为一种重要的检测手段,在城市轨道交通系统状态检测领域得到了广泛的应用.鉴于此,针对机器视觉在城市轨道交通系统安全状态检测中的研究和应用进行综述.首先,简要介绍城市轨道交通的基本概念和快速发展所面临的挑战与机遇.然后,详细介绍机器视觉技术在城市轨道交通各子系统安全状态检测中的研究与应用情况;针对弓/网系统状态检测问题,分别重点介绍机器视觉在受电弓磨耗检测、受电弓包络线等其他病害检测、接触网几何参数检测、接触网磨耗检测以及接触网悬挂病害检测中的国内外研究现状;在轨道线路安全状态检测方面,分别介绍机器视觉在扣件安全状态检测和钢轨表面病害检测中的应用与研究现状;从不同检测项点角度详细介绍机器视觉在车辆状态检测中的应用与研究进展;梳理和总结机器视觉在车站电扶梯安全监控和站台安全监控的异常行为检测中的具体应用和研究;并重点介绍机器视觉在轨道交通司机行为监测中的具体应用和背景技术.最后,对机器视觉技术应用于城市轨道交通系统状态检测领域的未来进行展望.
王刚[6](2020)在《轨检仪轨距智能检测系统设计》文中指出中国铁路不断发展的过程中,高速铁路的建设起到了重大作用。列车运行的速度以及运行的安全性的提升的前提条件就是线路的轨道具备较好的平顺性。当下的铁路针对平顺程度方面的检查主要有两种方式:一、动态检测。其中采用动检车的方式,对于线路中的轨道进行较快速度的检测;二、静态检测。检测线路轨道平顺性参数,通过轨道几何状态测量仪,比较检测值与设计值进而获得轨道不平顺参数。当前,中国没有较为全面以及标准的轨道检测仪对应的检测方式,而当前生产线采用的轨检仪都有一定的不足之处。本文以线路轨道的平顺性为研究对象,对轨检仪硬件和软件系统进行了设计,探讨了轨检仪的智能检测方法,主要内容有:1.硬件设计方面。轨距智能检测系统硬件设计为两部分,基站数据采集系统和流动站数据采集系统。其中数据采集显示器、测量轮、横梁、纵梁、推杆可快速进行组装,能够缓解线路设备检查时间长的问题。2.软件设计方面。基于GPS轨道检查系统,选取开发平台和适用的检测设备,同时开发了前端数据处理应用软件,实现了数据计算、图型化显示等功能。3.现场测试方面。采用实际检测以及实验结果分析的办法,对文章设定的轨距测定的方式进行合理性的验证。实验结合铁路线路设备病害的动态值与静态值变化,采用加密测量的方式确保在测量后能得到所有点的测量数据以保证实验的严谨性。实验表明,检测系统具备较好的准确性、实时性以及抗干扰能力,具有潜在的实际应用价值。
周雯[7](2020)在《面向高速铁路运行安全的智能图像识别方法研究》文中指出高铁是复杂巨系统,任何子系统和设施、设备发生故障都可能危及高铁的运行安全。面向移动装备、基础设施状态、运行环境等高铁运行安全的图像视频检测监测系统以其结果直观的特点在全路广泛应用,保障高速铁路的运行安全。虽然现有的检测监测系统与图像数据应用水平可以满足高速铁路基础设施设备状态和运行环境安全检测监测的需求,但它们分散部署于路网的不同地域,目前还处于人机结合判读并核查安全隐患及故障的本地应用阶段,需要投入大量的人工,费时费力。充分利用国铁集团主数据中心、铁路数据服务平台等路网中已存在的信息基础设施资源,解决好面向高铁运行安全的智能图像识别问题,实现高铁运行安全图像检测监测系统的智能化升级,将大幅提升工作效率,降低工作成本。近年来,深度学习、边缘计算、云计算等信息技术的优势汇聚,促进了人工智能正由技术研发走向行业应用。深度学习等人工智能技术与面向高铁运行安全的图像视频场景相结合,可以对高速铁路设施设备的运行状态智能识别和运行环境的实时检测监控,实现基于图像的高铁运行安全隐患排查、缺陷检测、故障诊断。本文将重点研究高铁设施设备运行安全图像的智能识别方法及应用,主要取得了以下创新性的成果:(1)基于深度主动半监督学习的高铁运行安全图像半自动标注方法。针对利用深度学习方法进行海量高铁运行安全图像智能识别过程中图像标注效率低的问题,提出了基于深度主动半监督学习的高铁运行安全图像半自动标注方法,以连续迭代范式的方式将主动学习和半监督学习引入卷积神经网络的微调过程中,让深度卷积神经网络通过增量的方式对高铁运行安全图像的特征进行学习,可以满足高铁运行安全图像数据的快速标注。将上述方法应用于动车组运行安全图像数据的标注问题,将动车组运行图像的语义标注问题转化为动车组结构子系统分类和零部件目标检测问题,将标注任务分解为粗标注和精细标注两个阶段,提出一种面向动车组零部件分类层级结构的两阶关联的基于深度主动半监督学习的动车组运行安全图像半自动标注方法,量化了数据标注量与目标任务表现之间的关系,利用较少的标注数据量可以在目标任务上获得较高的性能表现。(2)基于卷积神经网络的动车组运行安全图像缺陷检测方法。针对目前TEDS系统利用图像匹配方法自动识别缺陷精度低的问题,提出基于卷积神经网络的动车组运行安全图像缺陷检测与分割模型,分析动车组运行安全图像及其缺陷形态的特征,优化了基于区域的目标检测模型,采用可改变感受野的可变形卷积(DCN)适应缺陷形态的多样性,采用在线困难样本挖掘(OHEM)筛选出困难样本重新输入预测网络以平衡正负样本的比例,克服了缺陷形态尺寸变化多样和复杂背景下正负样本不平衡的困难。(3)基于两阶级联轻量级卷积神经网络的高铁接触网悬挂紧固件缺陷识别方法。针对高铁接触网悬挂运行状态监测图像中小目标紧固件缺陷检测问题,分析了接触网悬挂图像的特点,对比接触网悬挂紧固件缺陷检测与自然图像目标检测的不同,将紧固件缺陷检测问题转换为紧固件检测和运行状态精细识别两个过程解决,提出基于两阶级联轻量级卷积神经网络的紧固件缺陷识别方法。首先,设计了由轻量级的特征提取网络、全局注意力模块、相互增强的分类器和检测器组成的紧固件检测模型,实现目标紧固件实例的高效检测;然后,搭建轻量级的多标签分类网络,进行紧固件运行状态的精细识别,实现紧固件缺陷的识别。(4)高速铁路运行安全图像智能识别应用总体架构。分析路网中高速铁路运行安全图像检测监测信息系统的应用现状及部署特点,提出“边缘+云”的高铁运行安全图像智能识别应用总体架构,在统一的铁路数据服务平台基础之上,构建了高铁运行安全图像智能识别平台的逻辑架构和功能架构,并结合业务范围设计了数据流转和边缘计算的流程,通过典型的TEDS图像检测应用系统具体阐述智能识别应用总体架构,并详细设计了TEDS系统图像智能识别的应用架构、系统架构和系统智能识别应用的软件流程。
李兆洋[8](2020)在《基于深度学习的高铁扣件检测算法研究》文中认为扣件是保障列车安全运行的重要部件。随着中国高速铁路技术的飞速发展,设计能够实现轨道状态自动化检测的系统已成为铁路相关部门的强烈需求。近年来,越来越多的基于计算机视觉的自动检测算法被提出,相较于传统人工巡检的方式,基于计算机视觉的扣件检测方法速度更快,精度更高。但由于扣件图像存在光照变化大,失效形式多样等情况,致使传统视觉算法中提取的特征难以描述图像的真实内容。本文将深度学习应用于扣件的定位和状态识别中,主要研究内容如下:(1)针对传统视觉方法在扣件定位时存在速度慢、精度低的问题,提出了一种改进的单步多框检测深度学习扣件定位算法Improved_SSD。算法首先采用残差网络更新原有的特征提取网络,在增加网络深度的同时提高特征的抓取能力;第二,采用膨胀卷积的方式来扩大网络的感受野,增加算法的鲁棒性;第三,采用本文设计的非极大加权抑制的方式替换原有的抑制方法,提高最终输出框位置的精度;最后,通过位置校验的方式来快速判断图像中是否存在丢失扣件。理论分析和实验表明,Improved_SSD有效的降低了漏定位率和误定位率,定位的速度更快,对光照变化具有较强的鲁棒性,能够满足高铁扣件定位的实际工程应用需要。(2)针对现有扣件识别算法难以准确区分扣件失效类别的问题,提出了一种融合局部特征与深度特征的高铁扣件状态识别算法FLDF。算法的局部特征采用改进的SIFT算子DR_SIFT结合词袋模型进行提取,深度特征采用VGG-16网络提取。首先,通过实验确定词袋模型中单词的数量和深度网络模型中具体的特征层;第二,在两种模型的基础上对特征提取方式进行融合,在融合的过程中,通过权重比实验来确定两种特征融合的权重,同时对特征向量进行归一化处理;最后将特征向量输入到向量机中进行分类。新的算法既保留了SIFT局部特征提取过程中对亮度变化不变形、特征具有较好独特性的特点,又补充了深度特征对于全局特征中扣件更深层次的语义解析的特点。理论分析和实验表明,FLDF能够有效的识别出缺陷扣件的类别,和主流扣件状态识别算法相比,本文算法的准确率更高,且对光照具有较好的鲁棒性。
李鑫[9](2020)在《基于车载的轨道多参数采集系统设计及实现》文中研究表明轨道作为车辆运行载体的基础,其状态的好坏直接影响车辆运行安全,必须对轨道状态定期维护与检测。现有的检测系统通过获取不同的轨道参数实现对轨道病害的检测。这些轨道参数归纳包括有轨道扣件图像、车辆加速度、角度和角速度等。实现在复杂的轨道线路环境中获取精准有效的轨道参数是轨道检测的基础。这些轨道参数获取的难点在于轨道扣件图像的等距采集和多传感器信息的同步采集。为解决这些问题,本文设计了一种基于车载的轨道多参数采集系统,用于采集轨道扣件图像、车辆的加速度、角度及角速度等参数信息。首先,针对线阵相机在拍摄轨道扣件图像时受车辆变速及振动影响,获取的图像信息容易出现失真问题。本文基于车载脉冲建立测速及速度补偿模型,减小车辆在运行过程因发生打滑或空转等现象导致的测速误差。建立等距变化关系,得到线阵相机等间距拍摄触发频率和车载脉冲频率之间的关系,用于控制线阵相机等距采集轨道扣件图像。针对多传感器信息同步采集问题,本文通过建立多传感器同步采集模型,得到多传感器同步触发采集频率和车载脉冲频率之间的关系,用于控制多传感器信息的同步触发采集。然后,基于NI的PXI测试平台完成基于车载的轨道多参数采集系统的设计;主要包括系统硬件设计和软件设计两部分。最后,将系统安装在搭建的轨道检测小车上,模拟实车运行条件进行轨道多参数采集实验,测试系统性能。
姜佳男[10](2019)在《基于卷积神经网络的钢轨扣件检测算法研究》文中认为铁路运输是我国国民经济的动脉,在当今社会发展中占有重要地位。由于我国铁路安检技术起步较晚,铁路安检任务主要依靠人工巡检,但人工巡检效率低,需要大量人力物力。随着铁路网络的发展及人工成本的提高,迫切需要一套自动巡检的设备实现高效巡检,减少人力成本,提高巡检速度和检测的准确性。本文围绕人工智能领域的计算机视觉技术,深入研究图像检测方法,并将其应用于钢轨扣件检测领域。本文采用深度卷积神经网络构建钢轨扣件检测模型,并针对钢轨扣件检测任务优化深度学习模型,实现高性能实时检测,显着提高钢轨扣件检测效率。本文首先建立了钢轨扣件检测图像数据集,包含4种钢轨扣件类型共4000张钢轨扣件图片。采用区域建议网络生成感兴趣区域,使用卷积神经网络提取特征,并将分类器融合到检测网络中,在Caffe深度学习框架与Faster R-CNN深度学习检测框架的基础上,实现了端到端的钢轨扣件检测。之后,采用特征提取网络优化、数据增强与在线困难样本挖掘等方法提高了模型准确度;通过减少感兴趣区域数量优化Faster R-CNN检测框架,并合并Caffe框架的网络层,提高了模型速度。最终在TITAN X显卡的部署环境下,模型精度达到了99%,速度达到50FPS。
二、德国RAILCHECK光电式自动化钢轨检测系统在轨道检查车中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、德国RAILCHECK光电式自动化钢轨检测系统在轨道检查车中的应用(论文提纲范文)
(1)钢轨廓形动态在线检测系统研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 研究方法 |
1.2.1 接触式机械测量 |
1.2.2 非接触式光学测量 |
1.2.3 结构光三角测量法 |
1.3 研究现状 |
1.4 论文结构 |
第2 章 系统设计 |
2.1 系统结构设计 |
2.1.1 静态机械结构设计 |
2.1.2 动态机械结构设计 |
2.1.3 图像采集模块 |
2.1.4 中心处理模块 |
2.2 系统工作流程 |
2.3 系统应用优势 |
第3 章 检测原理 |
3.1 结构光三角测量原理 |
3.1.1 直射式三角测距 |
3.1.2 斜射式三角测距 |
3.1.3 三角测量原理 |
3.2 传感器标定 |
3.3 轮廓拼接 |
3.4 本章小结 |
第4 章 测量方案 |
4.1 60N钢轨介绍 |
4.2 60N钢轨尺寸标准 |
4.3 60N钢轨尺寸测量 |
4.3.1 轮廓拟合 |
4.3.2 尺寸测量方法 |
4.4 本章小结 |
第5 章 软件设计 |
5.1 编程软件 |
5.2 系统界面 |
5.3 数据库操作 |
5.4 系统软件工作流程 |
5.5 本章小结 |
第6 章 实验对比分析 |
6.1 精度提升 |
6.1.1 影响精度的因素 |
6.1.2 精度改进方法 |
6.2 对比试验 |
6.2.1 静态实验 |
6.2.2 动态实验 |
6.3 结果分析 |
6.4 本章小结 |
第7 章 总结与展望 |
7.1 论文工作总结 |
7.2 研究展望 |
参考文献 |
攻读学位期间发表的学术论文 |
致谢 |
(2)深圳城市轨道交通综合检测列车方案研究及实施(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 选题背景 |
1.2 城市轨道交通国内外检测技术发展现状 |
1.2.1 国外城轨检测技术概况 |
1.2.2 国内城轨检测技术概况 |
1.2.3 研究现状及当前需求分析 |
1.3 论文的主要工作 |
2 深圳城市轨道交通综合检测列车研制方案 |
2.1 总体设计 |
2.1.1 车辆布局设计 |
2.1.2 车辆牵引系统 |
2.1.3 车辆转向架 |
2.2 轨道检测系统 |
2.2.1 系统方案与检测原理 |
2.2.2 系统功能设计 |
2.2.3 技术指标设计 |
2.2.4 系统接口设计 |
2.3 钢轨轮廓检测系统 |
2.3.1 系统方案与检测原理 |
2.3.2 系统功能设计 |
2.3.3 技术指标设计 |
2.3.4 系统接口设计 |
2.4 轨道状态巡检系统 |
2.4.1 系统方案与检测原理 |
2.4.2 系统功能设计 |
2.4.3 技术指标设计 |
2.4.4 系统接口设计 |
2.5 限界检测系统 |
2.5.1 系统方案及检测原理 |
2.5.2 系统功能设计 |
2.5.3 技术指标设计 |
2.5.4 系统接口设计 |
2.6 加速度检测系统 |
2.6.1 系统方案与检测原理 |
2.6.2 系统功能设计 |
2.6.3 技术指标设计 |
2.6.4 系统接口设计 |
2.7 弓网受流检测系统 |
2.7.1 系统方案与检测原理 |
2.7.2 系统功能设计 |
2.7.3 技术指标设计 |
2.7.4 系统接口设计 |
2.8 接触网几何参数检测系统 |
2.8.1 系统方案与检测原理 |
2.8.2 系统功能设计 |
2.8.3 技术指标设计 |
2.8.4 系统接口设计 |
2.9 通信检测系统 |
2.9.1 系统方案与检测原理 |
2.9.2 系统功能设计 |
2.9.3 技术指标设计 |
2.9.4 系统接口设计 |
2.10 定位同步系统 |
2.10.1 系统方案与检测原理 |
2.10.2 系统功能设计 |
2.10.3 技术指标设计 |
2.10.4 系统接口设计 |
2.11 数据管理分析系统 |
2.12 本章小结 |
3 深圳城市轨道交通综合检测列车项目实施 |
3.1 总体实施方案 |
3.1.1 基本要求 |
3.1.2 环境要求 |
3.2 总体实施过程 |
3.2.1 轨道检测系统调试 |
3.2.2 弓网受流检测系统调试 |
3.2.3 接触网几何参数检测系统调试 |
3.2.4 轨道状态巡检系统调试 |
3.2.5 限界检测系统调试 |
3.2.6 通信检测系统调试 |
3.2.7 定位同步系统调试 |
3.3 总体安全评估 |
3.4 本章小结 |
4 深圳城市轨道交通综合检测列车检测系统试验验证 |
4.1 轨道检测系统测试 |
4.1.1 实验室测试 |
4.1.2 动态数据分析 |
4.1.3 小结 |
4.2 钢轨廓形检测系统测试 |
4.2.1 实验室测试 |
4.2.2 动态数据分析 |
4.2.3 小结 |
4.3 轨道状态巡检系统测试 |
4.3.1 实验室测试 |
4.3.2 动态数据分析 |
4.3.3 小结 |
4.4 限界检测系统测试 |
4.4.1 实验室测试 |
4.4.2 动态数据分析 |
4.4.3 小结 |
4.5 加速度检测系统测试 |
4.5.1 实验室测试 |
4.5.2 动态数据分析 |
4.5.3 小结 |
4.6 弓网受流检测系统测试 |
4.6.1 实验室测试 |
4.6.2 动态数据分析 |
4.6.3 小结 |
4.7 接触网几何参数检测系统测试 |
4.7.1 实验室测试 |
4.7.2 动态数据分析 |
4.7.3 小结 |
4.8 通信检测系统测试 |
4.8.1 实验室测试 |
4.8.2 动态数据分析 |
4.8.3 小结 |
4.9 定位同步系统测试 |
4.9.1 实验室测试 |
4.9.2 动态数据分析 |
4.9.3 小结 |
4.10 本章小结 |
5 结论 |
参考文献 |
作者简历及攻读学位期间取得的科研成果 |
学位论文数据集 |
(3)基于卷积神经网络的轨道扣件缺陷图像识别方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 扣件缺陷巡检国内外研究现状 |
1.2.2 基于深度学习的目标检测技术国内外研究现状 |
1.3 论文主要研究内容 |
1.4 本论文组织结构 |
2 扣件巡检实验平台设计和数据集制作 |
2.1 系统架构 |
2.2 关键设备的选型 |
2.2.1 相机选型 |
2.2.2 边缘计算平台选型 |
2.3 扣件巡检实验平台关键部件设计 |
2.3.1 相机触发方式 |
2.3.2 扣件定位单元设计 |
2.3.3 图像采集系统设计 |
2.3.4 扣件巡检实验平台结构设计 |
2.4 数据集准备 |
3 基于深度学习的目标检测算法分析和实现 |
3.1 卷积神经网络的基本原理及组成 |
3.1.1 卷积神经网络基本原理 |
3.1.2 卷积层 |
3.1.3 激活函数 |
3.1.4 池化层 |
3.2 Two-Stage检测模型 |
3.2.1 R-CNN |
3.2.2 SPP-NET |
3.2.3 Fast-R-CNN |
3.2.4 Faster-R-CNN |
3.3 Onee-Stage检测模型 |
3.3.1 YOLOv1 |
3.3.2 YOLOv2 |
3.3.3 YOLOv3 |
3.3.4 YOLOv3-tiny |
4 基于MobileNet的 YOLOv3 算法改进 |
4.1 轻量化卷积神经网络Mobile Net |
4.2 基于MobileNet的 YOLOv3 目标检测算法改进 |
4.2.1 网络结构设计 |
4.2.2 损失函数设计 |
4.3 k-means重聚 |
4.4 改进型YOLOv3 算法模型评价 |
5 系统测试 |
5.1 扣件图像拍摄测试 |
5.1.1 扣件拍摄实验 |
5.1.2 原因分析 |
5.2 检测效果测试 |
5.2.1 检测试验 |
5.2.2 检测效果分析 |
结论 |
致谢 |
参考文献 |
(4)钢轨螺栓组件故障检测与识别方法研究(论文提纲范文)
中文摘要 |
abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 钢轨接头构成 |
1.2.2 机器视觉在轨道交通上的国内外研究现状 |
1.2.3 深度学习目标检测算法的国内外研究现状 |
1.3 研究内容与章节安排 |
第2章 钢轨螺栓组件故障分析、图像采集与预处理 |
2.1 钢轨螺栓组件故障分类及产生原因分析 |
2.1.1 钢轨螺栓组件疲劳断裂 |
2.1.2 钢轨螺栓组件松动 |
2.2 螺栓组件图像增强处理方法研究 |
2.2.1 灰度变换 |
2.2.2 平滑滤波 |
2.2.3 直方图均衡化 |
2.3 大规模钢轨螺栓组件图像数据集构建 |
2.3.1 图像采集 |
2.3.2 图像预处理 |
2.3.3 图像标注 |
2.3.4 数据集结构分析 |
2.4 本章小结 |
第3章 钢轨螺栓组件故障目标检测与识别模型的研究 |
3.1 深度学习理论 |
3.1.1 神经元 |
3.1.2 激活函数 |
3.1.3 损失函数 |
3.1.4 卷积神经网络结构 |
3.2 目标检测与识别模型 |
3.2.1 R-CNN系列检测与识别模型 |
3.2.2 SSD检测与识别模型 |
3.2.3 YOLO系列检测识别模型 |
3.3 目标检测与识别模型重要评价指标 |
3.3.1 精确率、召回率 |
3.3.2 平均精度AP和均值平均精度mAP |
3.3.3 检测速度FPS |
3.4 目标检测与识别模型对比试验和性能分析 |
3.4.1 实验数据选取 |
3.4.2 实验环境 |
3.4.3 真实有效值 |
3.4.4 实验检测效果 |
3.4.5 损失函数 |
3.4.6 精确率、召回率 |
3.4.7 平均精度AP和均值平均精度mAP |
3.4.8 检测速度FPS |
3.5 本章小结 |
第4章 基于YOLOv4的螺栓组件检测与识别模型的优化 |
4.1 实验环境搭建 |
4.1.1 实验环境 |
4.1.2 实验数据选取 |
4.2 基于维度聚类的先验框尺寸优化方法及实验结果分析 |
4.2.1 K-means聚类算法 |
4.2.2 候选框尺寸优化过程 |
4.2.3 实验结果分析 |
4.3 YOLOv4优化函数模块改进 |
4.3.1 随机梯度下降算法 |
4.3.2 自适应优化算法 |
4.3.3 随机梯度下降-自适应融合优化算法 |
4.3.4 实验结果分析 |
4.4 YOLOv4网络剪枝 |
4.4.1 传统剪枝算法 |
4.4.2 基于马尔可夫过程的剪枝算法 |
4.4.3 模型轻量化实现 |
4.5 本章小结 |
第5章 实验分析 |
5.1 实验平台系统总体构成 |
5.1.1 系统整体结构 |
5.1.2 控制核心 |
5.1.3 实验平台 |
5.1.4 信息管理系统 |
5.2 系统测试及结果分析 |
5.2.1 系统测试 |
5.2.2 结果分析 |
5.3 本章小结 |
第6章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
致谢 |
申请学位期间的研究成果及发表的学术论文 |
(5)机器视觉在轨道交通系统状态检测中的应用综述(论文提纲范文)
0 引言 |
1 机器视觉在弓/网系统状态检测中的应用 |
1.1 受电弓状态检测 |
1.1.1 受电弓磨耗检测 |
1.1.2 受电弓其他病害检测 |
1.2 接触网状态检测 |
1.2.1 接触网几何参数检测 |
1.2.2 接触网磨耗检测 |
1.2.3 接触网悬挂病害检测 |
1.2.4 接触网其它病害检测 |
2 机器视觉在轨道线路状态检测中的应用 |
2.1 扣件安全状态检测 |
2.2 钢轨表面病害检测 |
3 机器视觉在车辆状态检测中的应用 |
3.1 我国城市轨道交通车辆检修现状 |
3.2 基于机器视觉的车辆状态检测技术 |
4 机器视觉在车站安全监控中的应用 |
4.1 电扶梯安全监控中的异常行为检测 |
4.2 站台安全监控中的异常行为检测 |
5 机器视觉在轨道交通司机行为监测中的应用 |
5.1 基于传统行为识别算法的司机行为检测和识别 |
5.2 基于目标跟踪理论的司机行为检测和识别 |
5.3 基于深度学习的司机行为检测和识别 |
5.4 各类行为识别算法总结 |
6 总结与展望 |
科研团队简介 |
(6)轨检仪轨距智能检测系统设计(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究的背景及意义 |
1.2 国内研究状况 |
1.2.1 国内研究现状 |
1.2.2 国外研究现状 |
1.3 本文研究内容及结构安排 |
1.3.1 主要研究内容 |
1.3.2 论文结构安排 |
第2章 轨检仪检测系统 |
2.1 检测系统基本参数及功能分析 |
2.1.1 轨距检测系统基本参数 |
2.1.2 轨距检测系统的功能分析 |
2.2 轨检仪轨距检测 |
2.2.1 检测周期 |
2.2.2 检测数据的应用 |
2.2.3 波形图的识别 |
2.3 问题与分析 |
2.3.1 存在问题 |
2.3.2 原因分析 |
2.4 本章小结 |
第3章 轨检仪轨距智能检测系统设计方案 |
3.1 硬件系统设计 |
3.1.1 硬件选型及搭建 |
3.1.2 检测系统架构 |
3.2 系统软件设计 |
3.2.1 软件系统设计 |
3.2.2 软件操作 |
3.3 本章小结 |
第4章 实验结果与分析 |
4.1 实验场地 |
4.2 实验内容 |
4.2.1 轨检仪的操作与使用 |
4.2.2 轨检仪拼装 |
4.2.3 轨检仪上道 |
4.3 实验结果与分析 |
4.3.1 CPШ平面网观测 |
4.3.2 CPШ平面高程网观测 |
4.3.3 检测轨距与水平测量 |
4.3.4 检测场左右轨道点水准测量 |
4.3.5 左右轨平面测量 |
4.4 本章小结 |
第5章 结论与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
致谢 |
(7)面向高速铁路运行安全的智能图像识别方法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.2 研究现状及发展趋势 |
1.2.1 国内外图像识别技术研究现状及发展趋势 |
1.2.2 国内外铁路运行安全图像识别研究现状及发展趋势 |
1.3 研究目标及主要内容 |
1.4 论文组织结构与技术路线 |
1.5 本章小结 |
2 图像识别与深度学习相关理论 |
2.1 深度学习 |
2.1.1 卷积神经网络 |
2.1.2 基于卷积神经网络的典型分类模型 |
2.1.3 基于卷积神经网络的典型目标检测模型 |
2.2 迁移学习 |
2.3 主动学习 |
2.4 边缘计算 |
2.5 本章小结 |
3 基于深度主动半监督学习的高铁运行安全图像半自动标注方法 |
3.1 引言 |
3.2 问题分析 |
3.3 基于深度主动半监督学习的高铁运行安全图像半自动标注方法 |
3.3.1 基于深度卷积神经网络的迁移学习 |
3.3.2 深度主动半监督学习 |
3.4 面向动车组运行安全图像半自动标注算法 |
3.4.1 子系统分类主动半监督学习策略 |
3.4.2 零部件检测主动半监督学习策略 |
3.5 试验与分析 |
3.5.1 子系统分类标注试验分析 |
3.5.2 零部件目标检测标注试验分析 |
3.6 本章小结 |
4 基于卷积神经网络的动车组运行安全图像缺陷检测方法 |
4.1 引言 |
4.2 问题分析 |
4.3 动车组运行安全图像缺陷检测与分割模型 |
4.3.1 基于区域的目标检测算法 |
4.3.2 动车组运行安全图像缺陷检测优化方法 |
4.4 试验结果与分析 |
4.4.1 数据集 |
4.4.2 检测与评估 |
4.4.3 结果分析 |
4.5 本章小结 |
5 基于两阶级联轻量级卷积神经网络的高铁接触网悬挂紧固件缺陷识别方法 |
5.1 引言 |
5.2 问题分析 |
5.2.1 高铁接触网悬挂状态监测图像生成 |
5.2.2 高铁接触网悬挂状态监测图像的特点 |
5.3 高铁接触网悬挂紧固件缺陷识别方法 |
5.3.1 紧固件检测模型CSDR-CNN |
5.3.2 紧固件缺陷识别网络FastenerNet |
5.4 试验验证 |
5.4.1 模型训练阶段 |
5.4.2 模型测试阶段 |
5.5 本章小结 |
6 高速铁路运行安全图像智能识别应用总体设计 |
6.1 问题分析 |
6.2 总体架构 |
6.3 功能架构 |
6.4 典型应用系统分析 |
6.4.1 TEDS系统图像智能识别应用需求分析 |
6.4.2 TEDS系统图像智能识别应用设计 |
6.5 本章小结 |
7 结论与展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
索引 |
作者简历及攻读博士学位期间取得的科研成果 |
学位论文数据集 |
(8)基于深度学习的高铁扣件检测算法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 本文的工作及内容安排 |
1.3.1 本文的主要研究内容 |
1.3.2 论文内容的章节安排 |
第2章 深度学习相关理论研究 |
2.1 引言 |
2.2 卷积神经网络 |
2.3 典型卷积神经网络模型 |
2.3.1 Faster R-CNN网络 |
2.3.2 YOLO网络 |
2.3.3 SSD网络 |
2.4 图像分类算法 |
2.4.1 Softmax分类法 |
2.4.2 SVM分类法 |
2.5 本章小结 |
第3章 基于改进SSD模型的高铁扣件定位算法 |
3.1 引言 |
3.2 原始SSD模型分析 |
3.3 Improved_SSD模型 |
3.3.1 残差网络 |
3.3.2 膨胀卷积 |
3.3.3 非极大加权抑制 |
3.4 位置校验 |
3.5 算法流程 |
3.6 实验及结果分析 |
3.6.1 实验配置及数据 |
3.6.2 评价指标 |
3.6.3 扣件定位方法对比实验 |
3.7 本章小结 |
第4章 基于融合特征的扣件状态识别算法 |
4.1 引言 |
4.2 局部特征提取 |
4.2.1 DR_SIFT模型 |
4.2.2 视觉词袋模型 |
4.3 深度特征提取 |
4.4 基于融合特征的FLDF模型 |
4.4.1 特征维度 |
4.4.2 融合特征归一化 |
4.4.3 权重分配 |
4.5 实验及结果分析 |
4.5.1 实验配置及数据 |
4.5.2 扣件状态识别实验 |
4.5.3 光照适应性实验 |
4.6 本章小结 |
总结与展望 |
致谢 |
参考文献 |
攻读硕士学位期间发表的论文及科研成果 |
(9)基于车载的轨道多参数采集系统设计及实现(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题来源及背景意义 |
1.1.1 课题来源 |
1.1.2 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 基于惯性基准法检测系统研究 |
1.2.2 基于轮轨作用力检测系统研究 |
1.2.3 基于视觉技术检测系统研究 |
1.2.4 基于多传感器融合技术检测系统研究 |
1.3 研究内容和论文结构 |
1.3.1 研究内容 |
1.3.2 论文结构 |
1.4 本章小结 |
第二章 基于车载的轨道多参数采集系统原理 |
2.1 轨道关键参数采集 |
2.1.1 轨道扣件图像信息采集 |
2.1.2 车辆加速度信息采集 |
2.1.3 车辆角度信息采集 |
2.1.4 车辆角速度信息采集 |
2.2 轨道多参数采集系统工作原理 |
2.2.1 测速及速度补偿模型 |
2.2.2 线阵相机的等距触发 |
2.2.3 多传感器信号的同步采集 |
2.3 本章小结 |
第三章 基于车载的轨道多参数采集系统的设计及实现 |
3.1 系统的总体设计 |
3.2 硬件系统设计 |
3.2.1 采集系统选型 |
3.2.2 传感器选型 |
3.2.3 关键电路设计 |
3.3 基于Lab View实现FPGA采集控制功能 |
3.3.1 线阵相机等距触发控制 |
3.3.2 多传感器信息同步采集控制 |
3.4 采集系统上位机软件设计 |
3.4.1 上位机软件要求 |
3.4.2 轨道扣件图像采集模块 |
3.4.3 传感器数据采集模块 |
3.4.4 数据存储模块 |
3.5 本章小结 |
第四章 实验验证 |
4.1 实验验证方案 |
4.2 实验平台搭建及功能测试 |
4.2.1 系统硬件调试 |
4.2.2 PXIe-7856R采集驱动功能测试 |
4.2.3 模拟运行测试 |
4.3 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
致谢 |
(10)基于卷积神经网络的钢轨扣件检测算法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究的背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 钢轨扣件检测国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 深度学习图像检测方法研究现状 |
1.4 研究内容 |
1.5 创新点 |
1.6 文章结构安排 |
第二章 钢轨扣件图像检测方案设计及实现 |
2.1 钢轨扣件检测系统方案 |
2.2 数据集的建立 |
2.3 钢轨扣件检测算法设计 |
2.3.1 区域建议 |
2.3.2 特征提取 |
2.3.3 分类器 |
2.4 钢轨扣件检测网络设计 |
2.5 本章小结 |
第三章 基于Caffe的钢轨扣件检测实验 |
3.1 Caffe深度学习框架 |
3.2 实验平台 |
3.3 评价指标 |
3.4 基础实验 |
3.4.1 传统计算机视觉检测方法 |
3.4.2 基于深度学习计算机视觉图像检测方法 |
3.5 本章小结 |
第四章 钢轨扣件检测模型优化 |
4.1 特征提取网络优化 |
4.2 数据增强 |
4.3 在线困难样本挖掘 |
4.4 模型速度优化 |
4.5 小样本训练 |
4.6 泛化能力测试 |
4.7 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
四、德国RAILCHECK光电式自动化钢轨检测系统在轨道检查车中的应用(论文参考文献)
- [1]钢轨廓形动态在线检测系统研究[D]. 孟宇. 冶金自动化研究设计院, 2021(01)
- [2]深圳城市轨道交通综合检测列车方案研究及实施[D]. 徐炜彤. 中国铁道科学研究院, 2021(01)
- [3]基于卷积神经网络的轨道扣件缺陷图像识别方法研究[D]. 吕德芳. 兰州交通大学, 2021(02)
- [4]钢轨螺栓组件故障检测与识别方法研究[D]. 王振. 天津职业技术师范大学, 2021(06)
- [5]机器视觉在轨道交通系统状态检测中的应用综述[J]. 魏秀琨,所达,魏德华,武晓梦,江思阳,杨子明. 控制与决策, 2021(02)
- [6]轨检仪轨距智能检测系统设计[D]. 王刚. 内蒙古大学, 2020(05)
- [7]面向高速铁路运行安全的智能图像识别方法研究[D]. 周雯. 中国铁道科学研究院, 2020(01)
- [8]基于深度学习的高铁扣件检测算法研究[D]. 李兆洋. 西南交通大学, 2020(07)
- [9]基于车载的轨道多参数采集系统设计及实现[D]. 李鑫. 上海工程技术大学, 2020
- [10]基于卷积神经网络的钢轨扣件检测算法研究[D]. 姜佳男. 北京邮电大学, 2019(05)
标签:扣件论文; 机器视觉系统论文; 神经网络模型论文; 城市轨道交通系统论文; 无缝钢轨论文;