基于深度学习的列车门窗检测算法研究

摘要

铁路运输是目前世界上最主要的运输方式之一，如何提高其安全性是相关行业长久以来研究的问题。在列车安全运营过程中，车辆状态监测是一项重要却繁杂的工作，其中列车门窗的识别与检测研究是其他相关研究展开的基础。目前，除了通过列车门窗中安装感应设备进行检测之外，只能通过人工核查。然而，人工核查环节中存在着诸多主观因素的影响，易对列车运营安全产生严重隐患，如:人的疲劳、注意力分散、各种误检等。为消除主观、疲劳等不稳定因素的影响，以人工智能的自动化检测方式取代人工，是未来列车状态实时监测的大势所趋。 基于此研究目标，本文提出了一种基于可变窗卷积神经网络(Convolutional Neural Network，CNN)的检测方法，该方法中设计了一种基于滑动窗式的兴趣区域(Region of Interest，RoI)选择方法，通过渐变式窗口采集同中心点且具有多尺寸感受野的图像组，所有图像组中元素分别经不同全连接层，映射至同一维度空间，最后通过基础CNN进行特征提取与分类器训练，以用于目标检测。同时，本文在此基础之上进行了性能优化与改进，进一步提出了基于组合式多层分类器的CNN模型，该方法利用组合式分类器，使不同组合的分类器针对不同深浅层次的网络进行分类操作，并通过综合利用基于滑动式窗口的多尺度感受野特征提取和组合式多层分类器识别判断，对CNN中不同深浅的特征提取进行控制与提炼，最终取得了更高的检测精度。 最终，通过与其他方法的实验分析与对比，本文提出的基于滑动窗和基于组合式多分类器的检测方法能够有效地完成在线运行列车门窗的检测和识别任务。与此同时，各项试验结果表明，基于本文所提供的训练集、验证集与测试集，在列车门窗安全检测和识别任务上，本文所提出方法的检测精度和性能已经优于其他相关先进方法。