程雨
- 作品数：4 被引量：26H指数：2
- 供职机构：中国铁道科学研究院更多>>
- 发文基金：中国铁道科学研究院行业服务技术创新项目国家重点基础研究发展计划更多>>
- 相关领域：交通运输工程自动化与计算机技术更多>>
- 基于动态蛇形卷积的钢轨RGB图像光带分割方法
- 2025年
- 针对钢轨光带边缘存在的锯齿状现象导致对灰度图像进行光带分割算法精度不高的问题,提出基于动态蛇形卷积的钢轨RGB图像光带分割方法。设计和实现基于彩色线阵相机与白激光光源的RGB图像采集模块,通过嵌入动态蛇形卷积加强锯齿状不规则特征的提取,改进DeepLabv3+分割网络,完成基于RGB图像光带与轨面的一体化分割,实现对光带的分类检测。结果表明:对非道岔区段RGB图像分割的平均交并比为93.50%,类别平均像素准确率为96.39%,像素准确率为98.85%;包含道岔区段RGB图像分割的平均交并比、类别平均像素准确率以及像素准确率分别为91.87%,96.04%和98.60%;RGB图像可较好地还原钢轨表面的真实状态,加入动态蛇形卷积改进的分割网络能够实现对钢轨光带区域的精确提取,比现有方法的平均交并比提升了2.25%。
- 程雨刘金朝刘金朝张长伦张国粹顾子晨王乐宋浩然
- 关键词：钢轨RGB图像
- 多模态深度学习在钢轨顶面伤损检测中的应用研究综述
- 2025年
- 针对基于深度学习的多模态钢轨顶面伤损检测问题,分析使用多模态数据进行病害识别的优势,阐述多模态深度学习的最新成果及其在钢轨顶面伤损检测中的应用,并明确基于深度学习的多模态病害检测面临的挑战和未来的研究方向。从多模态联合与协同特征表示、多模态显式对齐与隐式对齐以及不同方式的多模态融合方法等方面分析多模态深度学习基本理论和研究现状;结合钢轨振动信号、巡检图像和三维点云等多模态数据,梳理当前最新的基于深度学习的不同模态间数据融合算法和病害检测方法。结果表明:针对钢轨多模态数据,当前研究方向主要有多模态表示、多模态对齐和多模态融合3种与识别检测有关的方法;针对基于深度学习的多模态钢轨顶面伤损检测,当前研究主要包含振动信号与巡检图像融合检测、灰度图像数据与三维点云数据融合检测方法;总体上,使用多模态深度学习技术对钢轨进行病害识别能有效提高准确率,在一定程度上排除错检的情况。对钢轨的多模态数据基于增强语义的共享性和互补性学习特征表示、结合特征点对齐和隐式对齐的混合对齐模型、基于转换器网络的多模态融合检测以及缺失模态融合检测会成为钢轨顶面伤损检测未来研究方向,将为工程应用提供有价值的参考。
- 程雨刘金朝张长伦张国粹
- 关键词：钢轨病害识别多模态融合
- 基于深度学习的铁道塞钉自动检测算法被引量：23
- 2017年
- 根据高铁巡检车所采集轨腰图像中铁道塞钉图像的特点,在既有计算机视觉的目标检测算法的基础上,提出基于深度学习的铁道塞钉自动检测算法。在目标检测的区域选择阶段,借鉴显著性检测的思路,提出余谱区域候选(Spectrum Residual Region Proposal,SRP)算法,即利用含塞钉的轨腰图像与不含塞钉的轨腰平均图像之间的频谱差异,通过快速傅里叶变换,得到两图像间的幅度谱差的绝对值(余谱),再通过快速傅里叶反变换及后处理,得到候选目标区域;然后在目标检测的特征提取阶段,设计塞钉卷积神经网络(plug Convolution Neural Network,pCNN),该网络通过4个卷积层、3个池化层、3个非线性变换层、3个规范化层、2个全连接层和1个泄露层,自动从候选目标区域逐层提取最能表现塞钉特征的特征图像;最后基于特征图像采用支持向量机(SVM)的分类器判断候选目标区域是否含有塞钉,从而实现塞钉的自动定位。大量实际测试以及与其他算法比较的结果表明,该算法的检测效果最优。
- 杜馨瑜戴鹏李颖程雨王胜春韩强王昊
- 关键词：轨道电路目标检测图像识别高速铁路
- 高速铁路轨腰塞钉巡检系统研究被引量：3
- 2015年
- 轨腰塞钉是关系到行车安全的重要电务轨旁设备。在巡检车上安装图像采集装置,巡检车开行时可获取沿线轨腰塞钉的图像数据,由高性能图像处理工控机完成图像的采集、预处理和存储工作,车载服务器对图像数据实时分析处理,实现轨腰塞钉自动筛选,结合地面数据和车载定位信息准确定位设备位置,切实指导养护维修。
- 吴楠高利民杜馨瑜程雨王晓东
- 关键词：轨道电路车载设备巡检系统
