基于U-Net的多阶段注意力感知列车图像识别与故障检测方法

摘要

铁路运输在现代社会的交通运输系统中起着至关重要的作用，与人们的衣、食、住、行息息相关，而对于列车运行安全的保障则是铁路运输中最为基础的要求，实现高效、精准的列车故障检测能够大大提升生产力。得益于近年来TFDS运行列车安全故障检测系统的广泛使用，为列车故障检测研究积累了大量图像数据以及列检经验。考虑到深度学习技术在许多领域中均取得了成功，本文从计算机视觉角度出发，旨在实现对列车故障的机器化检测，提升列检效率以及检测准确率，减轻列检人员负担。　　本论文研究实现了一种多阶段注意力感知列车图像识别与故障检测方法，并提出了一个改进的注意力分割网络APP-UNet16。主要研究工作如下：　　(1)提出了一种多阶段注意力感知列车图像识别与故障检测方法。该方法由图像预处理模块、粗定位模块、细分割模块以及故障程度预估模块所组成。仿照人类视觉注意力机制，提取图像中最重要的特定目标部件区域，去除多余背景信息的干扰。故而图像分割网络能够对缺陷区域实现更加细化的像素级分割。　　(2)提出了一种基于U-Net的注意力分割网络APP-UNet16。在网络多个尺度上引入注意力跳跃连接，连接高维特征与低维特征，通过注意力加权自动学习更为重要的特征。通过预训练VGG-16网络构造网络编码器，减少重新训练网络参数的时间损耗。实现了一个金字塔池化连接器串联网络的收缩路径与扩张路径，更加充分地将全局上下文信息利用起来。　　(3)将多阶段注意力感知列车图像识别与故障检测方法、以及改进的注意力分割网络APP-UNet16应用在本文所建立的列车滚动轴承、锁紧板数据集中，实现了轴承甩油、锁紧板移位故障检测。并通过实验证明了本文所提出的多阶段列车图像识别与故障检测方法相比单阶段方法实现了20.36%的Dice性能提升，注意力分割网络APP-UNet16相比传统U-Net改善了14.38%的Dice分割性能。

目录

声明

第 1 章 绪 论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 深度学习发展现状

1.2.2 列车故障检测研究现状

1.3 论文的主要工作

1.4 论文的组织结构

第 2 章 相关背景及技术介绍

2.1 列车故障相关背景

2.2 深度学习相关技术

2.2.1 目标检测技术

2.2.2 图像分割技术

2.2.3 注意力机制

2.3 本章小结

第 3 章 多阶段列车图像识别与故障检测方法

3.1 图像预处理模块

3.1.1 图像标注

3.1.2 图像增强

3.2 粗定位模块

3.2.1 模型训练及参数设定

3.2.2 部件定位

3.3 细分割阶段

3.4 故障程度预估阶段

3.4.1 轴承甩油故障程度预判

3.4.2 锁紧板移位故障程度预判

3.5 多阶段检测方法的集成实现

3.6 本章小结

第 4 章 一种基于 U-Net 的注意力图像分割网络

4.1 APP-UNet16的基础架构

4.2 注意力跳跃连接

4.3 金字塔池化连接器

4.4 模型训练及参数设定

4.5 本章小结

第 5 章 实验和结果分析

5.1 数据集的介绍与描述

5.2 性能度量标准

5.3 轴承甩油故障检测实验

5.3.1 多阶段列车图像识别与故障检测方法实验

5.3.2 粗定位阶段实验

5.3.3 注意力分割网络 APP-UNet16 的相关实验

5.3.4 故障程度预估实验

5.4 锁紧板移位故障检测实验

5.5 本章小结

结 论

参考文献

附录 A 攻读硕士学位期间学术成果

附录 B 攻读硕士学位期间所参与的学术科研活动

致 谢