动车组异常图像智能检测系统研究

作     者：陈然诺 

作者单位：北京交通大学 

学位级别：硕士

导师姓名：卢燕飞

授予年度：2023年

学科分类：08[工学] 082304[工学-载运工具运用工程] 080203[工学-机械设计及理论] 080204[工学-车辆工程] 0802[工学-机械工程] 0823[工学-交通运输工程] 

主      题：动车组运行故障图像检测系统 深度学习 图像分割 图像检测流程 图像分类 

摘      要：随着我国铁路行业的高速发展,动车组列车的故障检测成为保证铁路安全运行中重要的一环。当前的故障检测采用动车组运行故障图像检测系统(TEDS)作为辅助。但目前存在的人工检测工作量大、检测效率低和TEDS检测精度低、运算量高的问题,与铁路行业日益增长的运行要求相矛盾。因此,开展动车组异常图像智能检测系统的研究刻不容缓。近年来,人工智能、深度学习得到快速发展,将基于深度学习的图像识别技术与列车图像检测系统相结合,已经成为列车故障检测的主流趋势。根据以上情况,本文将基于深度学习的图像识别技术运用到列车图像检测系统的改进上,以实现列车故障的自动化检测和检测系统的智能化运行。主要工作如下:(1)对动车组列车的主要故障进行归纳分析,选取车身悬挂异物故障的检测作为研究内容。针对异物的故障检测,经过分析和初步实验验证,选择Deep Labv3+作为基础的分割模型。针对于异物检测问题中的数据集受限的问题,设计了数据增强算法来模拟不同光照和拍摄角度条件下的异物故障图像。同时,替换模型原始的CE Loss函数为Dice Loss函数,解决异物图像正负样本不平衡问题。通过进一步的实验,以及与原始U-Net和Deep Labv3+分割模型的对比分析,改进后的Deep Labv3+分割模型在异物检测的精度方面有了较大幅度的提升,能够较好地完成车体悬挂异物检测的工作。(2)针对动车组列车故障类型复杂多样、TEDS运算量高的问题,本文通过研究分析,提出通过在TEDS设置的拍摄机位的基础上,进一步对采集图像进行预分类的优化检测流程。在优化后的流程中,系统只需要对每类图像运行其所对应部位可能会出现的某几种故障类型的检测算法,而不需要对输入图像运行所有的故障检测算法,从而达到优化现有的检测系统的目的。通过提出基于列车采集图像分类的系统运算量模型并计算提出的分类方式对于系统运算量的优化程度,验证了所提出的分类策略的可行性。之后,使用基于深度学习的图像分类网络VGG16和Mobile Net V2网络完成分类策略的实现。经过数据增强算法扩充后的数据集在Mobile Net V2网络上取得了更高的分类准确率与更快的预测速度,更适用于完成对采集图像的分类。同时还给出了后续在实际应用系统中利用检测结果不断优化的整体检测的方案。