检索结果-南通市图书馆

作者：刘宏飞北京交通大学

学位级别：硕士

随着铁路货运的高速发展,提高运载效率和保障运输安全的需求日益增大。TFDS系统通过快速采集运行列车的图像信息,改变了传统停车检修的列检方式,但是该系统不具备自动识别图像故障的功能,采集到的图像只能依靠人工查看,对列检员的经验... 详细信息

随着铁路货运的高速发展,提高运载效率和保障运输安全的需求日益增大。TFDS系统通过快速采集运行列车的图像信息,改变了传统停车检修的列检方式,但是该系统不具备自动识别图像故障的功能,采集到的图像只能依靠人工查看,对列检员的经验和注意力要求较高,存在人力成本高和智能化不足等缺点。现有的TFDS图像故障自动识别方法也存在识别故障种类单一、识别准确度不高以及识别速度慢等问题,难以实际应用。为了解决上述问题,本文以结构复杂、故障发生率较高的货运列车底部图像为研究对象,提出了一种基于深度学习理论的TFDS图像故障自动识别方法,该方法能够快速准确地识别出图像中存在的典型故障,替代列检员完成看图作业,对于提高TFDS系统的检测效率和准确性,减少人力成本,保障铁路货车运行安全具有重要意义。由于发生故障的零部件一般只占原图像的一小部分,直接在原图像上进行故障识别难以保证其准确性,因此,本文将图像故障识别任务分为了零部件定位和故障识别两个阶段。在零部件定位阶段,设计定位模型从整张图像中找出所有关注的零部件子图像。首先,建立了TFDS定位数据集,在此基础上设计了基于目标检测算法的定位模型CBAM-DIo U＿NMS-SIo U＿Loss-YOLO v5s,该模型通过CBAM注意力模块抑制无用信息以提升准确率,通过DIo U＿NMS减少漏检目标以提升召回率,通过SIo U＿Loss约束边界框匹配方向以加快收敛速度。本文设计的定位模型在TFDS定位数据集上达到了99%以上的检测准确率,52FPS的检测速度,取得了较好的效果。在故障识别阶段,设计识别模型判断各零部件子图像是否存在故障。首先,根据典型故障的图像特征和故障属性将其分为了丢失类、塞门关闭类、厚度超限类以及弯曲类故障,在此基础上设计了相应的识别模型。针对样本数量较多的前三类故障设计了基于Moblie Net v3分类网络的识别方法,构建了相应的TFDS识别数据集,具体为通过Small模型识别丢失类故障,通过Large模型识别塞门关闭类故障,通过引入NAM模块的Large模型识别厚度超限类故障。以上模型在测试集上的准确率分别为100%、100%、98.63%,识别速度均在98FPS以上。针对交叉杆弯曲故障,由于样本太少而无法构建分类数据集,因此无法使用分类网络的方法,本文根据其轮廓的直线特征设计了基于直线检测的识别方法,通过M-LSD模型检测出交叉杆的轮廓直线,再计算直线之间的角度差值,获得杆件的弯曲度,从而判别其是否发生故障。由于没有测试数据集,本文以TFDS系统采集的多列货车交叉杆图像实际测试上述方法的性能,证明了其具有较高的准确率和识别速度。在以上定位模型和识别模型的基础上,本文还开发了一套基于深度学习的货车底部图像故障识别系统,基于Py QT完成了图形用户界面的设计,实现了数据接收、故障识别、故障信息存储以及数据库更新等功能。该系统能够从TFDS系统获取输入图像,在完成故障识别后再与现场工作人员进行信息交互,可以满足铁路现场实际使用的需求。

关键词：货运列车目标检测图像故障识别 TFDS

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积神经网络的故障视频图像识别与诊断技术研究与实现

基于卷积神经网络的故障视频图像识别与诊断技术研究与实现

引用

作者：陈凌云华中师范大学

学位级别：硕士

在进行数字图像处理的过程中,视频图像的质量会受到硬件采集设备、图像处理方式、环境变化、噪声信号等因素的影响,出现失真和降质的现象,不仅会造成信息的损失,而且会影响后续图像处理工作的进行,因此需要检测与识别视频图像质量。传... 详细信息

在进行数字图像处理的过程中,视频图像的质量会受到硬件采集设备、图像处理方式、环境变化、噪声信号等因素的影响,出现失真和降质的现象,不仅会造成信息的损失,而且会影响后续图像处理工作的进行,因此需要检测与识别视频图像质量。传统的视频质量检测多依靠人工经验对图像的特征进行提取和分析,实现检测的目的。鉴于产生视频图像质量异常的原因有很多,且这些异常呈现出多样性、复杂性的特点,在进行实际应用的过程中,使用单一或者少量的特征对视频进行质量检测的可靠性和稳定性比较差。卷积神经网络模型是一种多层次体系结构,具有高容错性、并行计算能力和高效的计算特性,目前已被广泛应用于模式识别、智能图像分析等领域。它通过局部感受野、权值共享机制降低了结构复杂性,在参数的量上进行了减少,实现对目标图像特征的提取和学习。将卷积神经网络应用于视频图像质量的检测与分类,具有良好应用前景。本文基于卷积神经网络构建故障视频图像识别与检测的模型,实现对清晰度异常和偏色异常图像的分类,主要做了以下几个方面的工作:研究CNN的相关基础理论与相关应用,对BP算法、激活函数、池化等问题进行探究;通过对现有的几个显著应用模型文字识别系统、ImageNet模型以及人脸检测模型进行分析,归纳网络设置过程中数据集、网络层数等因素对模型的影响。设计和实现了故障图像识别的卷积神经网络结构,获得了特征模型,并通过扩大数据集、调整网络层数和网络参数等措施对模型进行优化。实验研究证明,本文提出的卷积神经网络模型能够对异常图像和正常图像进行区分,并取得了良好效果。

关键词：图像故障识别深度学习卷积神经网络清晰度故障偏色故障

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于SVM的故障视频图像识别与诊断技术研究与实现

基于SVM的故障视频图像识别与诊断技术研究与实现

引用

作者：潘瑞雪华中师范大学

学位级别：硕士

数字图像和视频在人们日常生活中的应用范围越来越广泛;与此同时,人们也非常希望能够得到较高质量的数字图像和视频。但由于其特殊性,在传输和处理时,容易受到成像系统、处理方法、传输介质以及记录设备等方面的影响,不可避免地会产生... 详细信息

数字图像和视频在人们日常生活中的应用范围越来越广泛;与此同时,人们也非常希望能够得到较高质量的数字图像和视频。但由于其特殊性,在传输和处理时,容易受到成像系统、处理方法、传输介质以及记录设备等方面的影响,不可避免地会产生各类故障现象,这就需要对数字图像和视频的故障进行识别与诊断。对数字图像和视频故障的识别与诊断可以借鉴数字图像质量评价技术。利用人工对图像故障识别无疑是非常好的选择,但是如今数字图像和视频应用范围越来越广泛,例如大规模的数字视频监控系统中,集成了几百甚至上千路摄像头的画面,仅仅单纯地依靠人工对视频图像故障进行识别,工作量是相当巨大的。而现有的一些视频图像故障检测系统也需要经过大量的实验确定一个经验阈值进行判定,这个经验阈值并不能满足不同场景的需要,当应用到一个新的场景时,需要再次进行大量实验来确定这个阂值。因此本文引入了机器学习的SVM方法,利用图像质量的客观评价算法提取图像的视觉特征,建立故障视频图像识别模型,不仅可以应对大规模的监控系统,而且可以突破不同场景的限制。本文基于机器学习的SVM方法,结合数字图像质量客观评价技术实现了对数字图像和视频故障的识别和诊断,主要做了如下几方面的工作： (1)研究了机器学习理论,着重介绍了本文使用的SVM理论,包括线性支持向量机、非线性支持向量机、核函数、SVM学习算法的步骤等。 (2)研究了数字图像质量评价方法,着重分析了图像的清晰度故障和色偏故障的评价函数,提取故障特征作为SVM分类器的输入向量。 (3)深入分析SVM的核函数及其参数对分类模型的影响,分析了核函数、核参数的选优方法以及SVM多类分类问题;设计和实现了一种图像故障识别模型,可以实现对图像故障的自动识别,并对识别错误的负样本加入训练集,进行模型更新,提高了模型的识别率;将设计的基于SVM的图像故障识别模型应用于视频故障识别中,实验证明,这种方法是可行的。 (4)设计开发了一个基于SVM的视频图像故障诊断系统。

关键词：图像故障识别机器学习支持向量机清晰度故障色偏故障

来源：

同方学位论文库评论