DR-CNN:一种用于地铁列车故障检修的残差卷积神经网络模型

摘要

地铁运营部每天都要对列车进行详细的检修,并制定了规范的检修流程来保障地铁列车安全运行.但却因人工巡检,很难精准监督,容易造成各种漏检,带来了安全隐患.随着深度学习的突破,人工智能技术在很多特定的领域超越人类.尤其是在计算机视觉领域,卷积神经网络CNN(Convolutional neural networks)能够自主地学习到图像低层的信号和高层的语义信息,强大的视觉信息处理能力有利于区分不同的目标.基于地铁检修过程中工人拍摄的图片,本文提出一种深度残差卷积神经网络DR-CNN(Deep Residual Convolutional Neural Networks)模型,通过识别检修图片来监督检修作业,并自动识别关键检修部件故障,从而提升检修可靠度.实验在收集的13266张,31类地铁检修图片集上,相比于常用网络模型AlexNet、VGG-16,DR-CNN在图片分类识别上识别率提升了2％-5％,关键点故障检测准确率提升了34％-52％.