论文部分内容阅读
铁路作为我国输送旅客和货物的主要途径之一,组成系统异常复杂,任何细小部件的微小损伤都有可能对铁路的安全运行造成极大的影响。现有的铁路故障检测系统采用人机结合的方式审核排查可能存在的安全隐患。一方面,庞大的数据给技术人员带来极大的工作负荷,产生的视觉疲劳直接导致误判错判。另一方面,人工排查的延时性,不能确保数据处理的及时性。随着人工智能技术的发展成熟,深度学习将充分利用采集到的列车数据,实现列车图像智能、高效故障检测,保证高速铁路的安全运行。动车组缺陷检测存在列车与部件尺寸分辨率变化明显,现存的缺陷样本库少且部件缺陷形态多样、无法预测的问题,给列车部件定位和缺陷特征学习、检测分析带来较为艰巨的挑战。本文在空间重叠图像裁片预处理的基础上,利用卷积神经网络YOLO V3实现部件定位识别,并提出一种新式的无监督的部件缺陷学习诊断方法IRGAN（image-reconstruction generative adversarial networks）。利用Qt技术封装整个图像训练过程中离散子程序的调用,并在动车组辅助识别检测软件实现缺陷部件的智能化检测。主要的研究内容及成果如下:（1）基于YOLO V3卷积神经网络的目标检测算法,解决了因捕获的列车图像与待检测精密部件之间尺寸变化较大,底层网络分辨率损失严重,精小部件无法精确识别的问题。（2）基于无监督的故障图像学习算法,提出一种新式的异常部件图像无监督学习的故障部件检测方式,利用缺陷异常诊断网络的无监督学习打造可以识别已存在或可能存在异常的模板图像,保证了对故障部件的不漏检。（3）由于卷积神经网络对图像的训练过程需要调用的子程序多且离散,需要专业的开发人员花费大量的人力且效率较低,本文基于Qt技术开发了一套集成化的图像训练流程软件,实现铁路数据训练过程的自动化,提高图像训练的效率。（4）基于对动车组大量精密部件数据的特征训练学习,研发了一套高速列车TEDS（Trouble of moving EMU Detection System）图像智能辅助识别系统,实现对铁路信息采集管理中心提供图像的高效缺陷检测处理,为高速铁路列车的安全运行提供保障。