典型文献
铁路道岔场景识别与间距检测
文献摘要：
针对目前铁路道岔人工检测方法效率低、精度差的问题,提出一种基于深度学习的快速识别道岔场景及检测道岔间距的方法.采用线阵工业相机扫描获取铁路点云信息,设计残差连接的铁路道岔场景识别网络,采用树结构Parzen估计算法搜索最优超参数,采用Focal Loss损失函数解决样本数量不均衡问题,实现铁路道岔场景的准确快速识别.利用识别出的铁路道岔场景图像,开发了一种道岔基本轨与尖轨的边缘提取算法,准确测量道岔基本轨与尖轨的内侧间距.实验结果证明,该方法的识别准确率达到97.5％,识别时间在0.02 s内,道岔间距计算误差小于0.2 mm,相比人工检测方法,检测效率与检测精度均大幅提升,满足道岔检测的要求.
文献关键词：
铁路道岔;深度学习;场景识别;边缘提取;间距测量
中图分类号：
作者姓名：
何森;刘少丽;方玥;刘检华;黄浩;刘威
作者机构：
北京理工大学 机械与车辆学院数字化制造研究所,北京 100081;中国铁道科学研究院集团有限公司 基础设施检测研究所,北京 100000
文献出处：
引用格式：
[1]何森;刘少丽;方玥;刘检华;黄浩;刘威-.铁路道岔场景识别与间距检测)[J].计算机集成制造系统,2022(06):1823-1834
A类：
B类：
铁路道岔,场景识别,快速识别,线阵,工业相机,点云,残差连接,识别网络,树结构,Parzen,估计算法,优超,超参数,Focal,Loss,损失函数,样本数量,均衡问题,准确快速,场景图像,尖轨,边缘提取,准确测量,识别准确率,间距计算,计算误差,比人,检测效率,检测精度,间距测量
AB值：
0.372572
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
