基于遷移學習的鐵路異物檢測算法研究.pdf

1、由于人為因素或自然災害，異物侵入鐵路限界的現(xiàn)象時有發(fā)生，對鐵路運行安全構成潛在威脅，因此，實時監(jiān)測線路周界安全，實現(xiàn)異物入侵的預警、報警和分類具有十分重要的意義。隨著我國高速鐵路的迅速發(fā)展，迫切需要一種識別準確率高、實時性好、性價比高的鐵路異物檢測技術。本論文針對既有高速鐵路綜合監(jiān)控視頻，研究基于深度神經(jīng)網(wǎng)絡的視頻快速處理算法，利用遷移學習高效地實現(xiàn)了不同監(jiān)控場景下處理算法的優(yōu)化與異物準確檢測的難題。
　　論文首先針對高速鐵路異物

2、檢測的需求特點，設計了基于深度信念網(wǎng)絡和遷移學習的檢測算法框架。然后利用鐵路沿線相機采集的視頻資源，對其進行樣本圖像的采集與存儲，整理出各種列車、異物、天氣、光線等條件下的典型樣本，并進行異物標注以及灰度化、降采樣等預處理操作，創(chuàng)建了包含80000個樣本的海量圖像數(shù)據(jù)庫作為深度神經(jīng)網(wǎng)絡訓練和測試的樣本集。接著，以深度信念網(wǎng)絡為算法架構研究設計預訓練模型的結構和參數(shù)，最終確立了包括一個圖像輸入層，三個特征提取層和一個分類識別層在內(nèi)的五層結

3、構模型。利用單一相機的大訓練樣本集對此預訓練模型進行訓練，異物識別準確率可以達到99％。針對單一相機樣本訓練得到的預訓練模型，研究可進行遷移的參數(shù)和結構進行選擇，通過對比實驗，找到遷移學習效果較好的權值參數(shù)將其提出來用到其他相機的訓練和異物識別中去。測試結果表明，利用小訓練樣本，遷移后算法的異物識別準確率仍然可以達到99％。
　　本文將遷移學習的方法引入到對鐵路異物侵限進行檢測的工作中，利用遷移學習可以通過領域或知識間的遷移解決新