论文部分内容阅读
随着我国铁路的快速发展,铁轨表面缺陷与铁路运输的安全息息相关,因此对于铁轨表面的缺陷检测至关重要,目前已有的传统检测方法很难满足精确且高效的检测要求。而卷积神经网络因为能够自动学习样本特征的特点,所以在图像处理领域相比较其他深度学习模型有着较大的优势。基于卷积神经网络模型的RCNN、Fast RCNN以及Faster RCNN网络结构模型在目标检测方面都比传统的算法有着很大的进步。本文以深度学习为基础,以卷积神经网络的网络结构为核心,从特征提取网络、锚窗设定、输出结果调整以及实验参数设置等方面对Faster RCNN网络模型进行优化与改进,然后采用优化与改进后的网络模型对铁轨表面缺陷进行检测研究,最终能够精确且高效的检测到铁轨表面缺陷。本文针对区域生成网络以及选择搜索算法对于候选区域的提取进行了对比分析,验证了区域生成网络提取候选区域的质量要优于选择搜索算法。同时,在针对Faster RCNN网络结构模型中对于铁轨图像中较小尺寸难以有效检测的问题,通过实验结果表明,使用本文改进的锚窗设定能够准确的检测到较小尺寸的铁轨表面缺陷。实验结果表明,无论在平均检测准确率还是在平均检测时间上,本文采用的检测方法的检测性能要优于基于图像处理的检测方法以及基于未改进的Faster RCNN网络模型的检测方法,在整个铁轨表面缺陷检测中,本文采用的方法在检测准确性和实时性方面都达到了较优的效果。