摘要
随着我国铁路电力机车（本文后面简称为机车）车型不断更新，机车性能不断提升，机车开行密度增大，使得对机车安全检测难度不断加大，针对这一实际问题，我国自主研发了机车故障轨边检测系统（TrainCoachMachineVisionDetectionSystem，TVDS），实现不停车检测，该系统的应用极大提升了机车安全检测的效率，但目前国内所投入使用的机车故障轨边检测系统仅能实现对机车进行图像采集和传输，最终还是需要人力对机车各部位进行检测分析，需要耗费大量成本且检测效率较低。 为实现机车底部异常的自动化检测，本文以部件裂损和丢失为异常检测对象，提出了一种基于深度学习的机车底部异常检测方法，主要工作及研究内容如下： 目前业界尚未存在公开的机车底部异常数据集，而基于深度学习的方法需要大量数据样本训练网络模型，所以本文利用当地铁路局提供的部分机车底部图片以及从网上搜索的相关图片构建数据集，再对图片进行预处理操作以提高图像质量，然后再使用专业标注软件对数据集进行异常标注，最后通过平移、镜像等技术扩充数据集。 在理论分析与大量实验对比多种检测模型的基础上，本文选择采用以Retinanet作为基础网络模型，同时为进一步提升Retinanet网络的检测精度，使其满足实际检测需要，提出对Retinanet网络的改进。首先在原始特征提取网络的残差模块上引入两条支路，加强特征传递，强化骨干网络对特征的提取能力，使模型更有效地利用浅层特征，并引入注意力机制，以提升重要特征的权重；其次通过引入新的损失函数以及Anchorbox优化方法来进一步提升对异常目标的检测效果；最后为验证改进后网络模型的检测性能，引入新的数据集进行训练并测试。 最终，在机车底部缺陷数据集上对设计的网络模型同各主流网络模型进行实验对比，实验结果表明本文所采用的网络模型表现出色，在此基础上改进后的网络模型更是在检测精度上优于当前的主流模型，具有一定的实际应用价值。
NETL