轨道结构作为高速列车行车的基础,必须保证其良好的在役服役性能,有效地实现无砟道床板间位移测量是实现铁路无砟轨道结构服役状态保持的重要措施。针对无砟道床板非接触式位移测量中感兴趣区域(Region of interest,ROI)自动提取问题展...轨道结构作为高速列车行车的基础,必须保证其良好的在役服役性能,有效地实现无砟道床板间位移测量是实现铁路无砟轨道结构服役状态保持的重要措施。针对无砟道床板非接触式位移测量中感兴趣区域(Region of interest,ROI)自动提取问题展开研究,提出一种基于Faster R-CNN(Faster Regions with CNN)的ROI区域自动提取方法,阐明无砟道床板间位移机器视觉测量原理和实现方法的计算流程。基于Keras图像数据增强模型进行无砟道床板间位移目标库的增加,建立人工标靶数据集。通过CNN中卷积层对测量数据进行特征映射图提取,计算映射图中每个特征点的标靶概率,通过分类和边框回归,精确标记图像中的人工标靶。通过安装某250 km/h的双块式无砟轨道线路的典型测点进行Faster R-CNN算法的准确性和有效性验证。研究结果表明:道床板ROI自动提取算法的召回率为99.16%,准确率为98.91%,可以有效满足无砟道床板间位移测量中精度和准确率的要求;与其他的常用YOLO v3,SSD和Fast R-CNN等ROI算法相比,Faster R-CNN方法的计算效率较好、准确率最高,虽然计算效率上略有不足,但可满足铁路轨道状态实际监测的需求。建议在无砟轨道位移非接触式测量中采用基于Faster R-CNN的ROI自动提取方法,以有效地监测铁路基础设施服役状态。展开更多
文摘轨道结构作为高速列车行车的基础,必须保证其良好的在役服役性能,有效地实现无砟道床板间位移测量是实现铁路无砟轨道结构服役状态保持的重要措施。针对无砟道床板非接触式位移测量中感兴趣区域(Region of interest,ROI)自动提取问题展开研究,提出一种基于Faster R-CNN(Faster Regions with CNN)的ROI区域自动提取方法,阐明无砟道床板间位移机器视觉测量原理和实现方法的计算流程。基于Keras图像数据增强模型进行无砟道床板间位移目标库的增加,建立人工标靶数据集。通过CNN中卷积层对测量数据进行特征映射图提取,计算映射图中每个特征点的标靶概率,通过分类和边框回归,精确标记图像中的人工标靶。通过安装某250 km/h的双块式无砟轨道线路的典型测点进行Faster R-CNN算法的准确性和有效性验证。研究结果表明:道床板ROI自动提取算法的召回率为99.16%,准确率为98.91%,可以有效满足无砟道床板间位移测量中精度和准确率的要求;与其他的常用YOLO v3,SSD和Fast R-CNN等ROI算法相比,Faster R-CNN方法的计算效率较好、准确率最高,虽然计算效率上略有不足,但可满足铁路轨道状态实际监测的需求。建议在无砟轨道位移非接触式测量中采用基于Faster R-CNN的ROI自动提取方法,以有效地监测铁路基础设施服役状态。
