科技查新報(bào)告.doc

報(bào)告編號(hào)：科 技 查 新 報(bào) 告（格式） 項(xiàng)目名稱：基于卷積神經(jīng)網(wǎng)絡(luò)的鐵軌扣件識(shí)別檢測(cè) 委 托 人： 趙鑫欣 委托日期： 2014年11月 查新機(jī)構(gòu)（蓋章）： 查新完成日期： 2014年11月14日中 華 人 民 共 和 國(guó) 科 學(xué) 技 術(shù) 部二年制查新項(xiàng)目名 稱中文：基于卷積神經(jīng)網(wǎng)絡(luò)的鐵軌扣件識(shí)別檢測(cè)英文：The recognition detection of rail bolt based on Convolutional Neural Networks查新機(jī)構(gòu)名 稱北京交通大學(xué)通信地址北京市海淀區(qū)上園村郵政編碼100044負(fù) 責(zé) 人鄧要武電 話傳 真聯(lián) 系 人趙鑫欣電 子信箱14125222一、查新目的 信息檢索課作業(yè)二、查新項(xiàng)目的科學(xué)技術(shù)要點(diǎn)1、項(xiàng)目概述、選題的目的、背景和研究意義目前國(guó)內(nèi)外對(duì)于鐵軌扣件檢測(cè)的方法主要是采用視覺信息處理的技術(shù)。但是由于扣件檢測(cè)問題的應(yīng)用環(huán)境較復(fù)雜，易受光照，天氣，鐵軌狀態(tài)的影響，所以直至現(xiàn)在，依然沒有特別實(shí)用的方法。其算法采用了人臉識(shí)別領(lǐng)域中比較成熟的基于Haar特征的Cascade Adaboosting算法。所以，他們將這個(gè)方法應(yīng)用到了扣件識(shí)別上，也獲取了很好的效果。但是Haar特征對(duì)物體的描述具有旋轉(zhuǎn)不變性，而正常的扣件的朝向是固定的，所以這種特性在扣件檢測(cè)上并沒有優(yōu)勢(shì)，反而會(huì)增加計(jì)算復(fù)雜度，同時(shí)Adaboosting算法也需要大量的訓(xùn)練，必須擁有大量的正負(fù)樣本，并且使用大量的訓(xùn)練時(shí)間，而且其最終的分類效果也和樣本的選取密切相關(guān)。本項(xiàng)目對(duì)鐵軌扣件的識(shí)別檢測(cè)算法是基于卷及神經(jīng)網(wǎng)絡(luò)并行算法的，具有參數(shù)少、計(jì)算效率高、得到的邊緣連續(xù)完整等優(yōu)點(diǎn)。利用卷及神經(jīng)網(wǎng)絡(luò)算法對(duì)鐵軌扣件進(jìn)行檢測(cè)，并將其檢測(cè)結(jié)果與傳統(tǒng)的檢測(cè)器進(jìn)行對(duì)比。取一定數(shù)量的樣本，通過調(diào)整算子中的高低閾值，找到更加適檢測(cè)的閾值。為后續(xù)的扣件檢測(cè)操作奠定基礎(chǔ)。2、主要研究?jī)?nèi)容（著重說明技術(shù)內(nèi)容）(1)鐵軌扣件檢測(cè)扣件檢測(cè)算法中對(duì)扣件分類的方法使用了固定閾值的方法。這種方法雖然能夠非常髙效地對(duì)扣件進(jìn)行分類,判斷出扣件區(qū)域內(nèi)扣件是否存在。但是經(jīng)過后期的大量實(shí)驗(yàn)發(fā)現(xiàn),不同線路、甚至同一線路不同時(shí)間段或者不同路段的扣件與非扣件的差異度非常大。不能通過一種簡(jiǎn)單的線性方法對(duì)扣件與非扣件進(jìn)行劃分。因此,使用固定閩值的方法并不能很好地解決扣件檢測(cè)的問題。(2卷積神經(jīng)網(wǎng)絡(luò)算法很多隱層的人工神經(jīng)網(wǎng)絡(luò)具有優(yōu)異的特征學(xué)習(xí)能力，學(xué)習(xí)得到的特征對(duì)數(shù)據(jù)有更本質(zhì)的刻劃，從而有利于可視化或分類，深度神經(jīng)網(wǎng)絡(luò)在訓(xùn)練上的難度，可以通過“逐層初始化”來有效克服，逐層初始化是通過無監(jiān)督學(xué)習(xí)實(shí)現(xiàn)的。三、查新點(diǎn)與查新要求查新點(diǎn)：卷積神經(jīng)網(wǎng)絡(luò)算法運(yùn)用于鐵軌扣件識(shí)別檢測(cè)。查新要求：對(duì)本查新項(xiàng)目(查新點(diǎn))的新穎性作出判斷；查找國(guó)內(nèi)/外是否有與本項(xiàng)目相同或類似的研究；查找國(guó)內(nèi)/外有關(guān)本項(xiàng)目的科技文獻(xiàn)報(bào)道。四、文獻(xiàn)檢索范圍及檢索策略中文檢索詞：1、扣件識(shí)別2、深度學(xué)習(xí)3、動(dòng)態(tài)模板庫(kù)4、HoG特征5、基準(zhǔn)測(cè)試集6、圖像處理7、GPU加速8、并行計(jì)算9、鐵軌扣件10、卷積神經(jīng)網(wǎng)絡(luò)11、有監(jiān)督學(xué)習(xí)12、無監(jiān)督學(xué)習(xí)中文檢索式：1、(圖像處理) 與 (扣件識(shí)別)2、(有監(jiān)督學(xué)習(xí) 與 并行計(jì)算) 非 (無監(jiān)督學(xué)習(xí))3、(卷積神經(jīng)網(wǎng)絡(luò)) 或 (深度學(xué)習(xí)) )與 (識(shí)別檢測(cè)) 與 (鐵軌扣件)檢索的中文數(shù)據(jù)庫(kù)：1、萬方數(shù)據(jù)資源系統(tǒng)包庫(kù)入口（期刊）2、CNKI包庫(kù)入口1(博碩士)外文檢索詞：1、bolt recognition 2、deep learning3、dynamic template set4、HoG descriptor5、bench mark6、image processing7、GPU acceleration8、parallel computing9、rail bolt10、Convolutional Neural Networks11、Supervised learning12、image detedtion外文檢索式：1、(rail) and (image processing) and (recognition detection)2、(deep learning) and (rail) 3、(Convolutional Neural Networks) or (deep learning) and (bolt detection) and (rail bolt)檢索的外文數(shù)據(jù)庫(kù)：1、ACM鏡像入口(proceeding)2、FirstSearch (OCLC WorldCatDissertations碩博士論文數(shù)據(jù)庫(kù))五、檢索結(jié)果國(guó)內(nèi)檢索情況：通過對(duì)2個(gè)中文相關(guān)數(shù)據(jù)庫(kù)、網(wǎng)絡(luò)資源的檢索范圍和1個(gè)中文檢索式的檢索，獲得密切與較密切相關(guān)文獻(xiàn)共計(jì)2篇，分別是：1萬方數(shù)據(jù)資源系統(tǒng)包庫(kù)入口（期刊）題 名：一種基于計(jì)算機(jī)視覺的鐵軌扣件缺失檢測(cè)方法作 者：楊樊，陳建政，吳夢(mèng)出 處：電腦知識(shí)與技術(shù)文摘：針對(duì)傳統(tǒng)扣件檢測(cè)方法式效率低、可靠性差，不能滿足現(xiàn)代鐵路檢修的需要，提出了一種基于計(jì)算機(jī)視覺的扣件缺失自動(dòng)檢測(cè)方法。在對(duì)灰度圖像進(jìn)行Canny邊緣檢測(cè)處理后采用十字交叉定位法對(duì)扣件位置進(jìn)行定位，得到120200像素的扣件區(qū)域，并提取扣件圖像的20個(gè)邊緣特征值；最后，利用模糊C均值聚類算法對(duì)這兩類的特征量進(jìn)行聚類分析，通過計(jì)算待診斷對(duì)象與標(biāo)準(zhǔn)模式的隸屬度實(shí)現(xiàn)對(duì)扣件狀態(tài)的分類。應(yīng)用驗(yàn)證表明：采用的圖像處理方法和識(shí)別分類算法能夠有效檢出軌道扣件缺失，檢測(cè)速度快，魯棒性好，檢出率達(dá)96%。 2CNKI包庫(kù)入口1(博碩士)題 名：基于計(jì)算機(jī)視覺的鐵路扣件缺失快速探測(cè)方法研究作 者：錢廣春出 處：上海交通大學(xué) 文摘：鐵路扣件是維系鐵路運(yùn)輸安全的重要部件,扣件缺失很有可能釀成列車脫軌等重大事故,扣件的自動(dòng)化探測(cè)是發(fā)展鐵路事業(yè)必須要面對(duì)的問題。當(dāng)前我國(guó)鐵路尤其是高速鐵路的快速發(fā)展,使得這問題日益突出。如何利用現(xiàn)代科學(xué)技術(shù)實(shí)現(xiàn)快速而準(zhǔn)確的扣件探測(cè)成為項(xiàng)重要課題。用計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)扣件自動(dòng)探測(cè)是當(dāng)前國(guó)際上普遍采用的方案。計(jì)算機(jī)視覺檢測(cè)使用圖像傳感器獲取被測(cè)對(duì)象的圖像信息,由計(jì)算機(jī)對(duì)圖像進(jìn)行處理,完成測(cè)量功能,具有非接觸、速度快、精度高、信息量大、智能化程度高、適應(yīng)能力強(qiáng)等優(yōu)點(diǎn)。本課題根據(jù)國(guó)內(nèi)外扣件探測(cè)方法的研究現(xiàn)狀,以鐵道部“高速鐵路軌道扣件缺失探測(cè)”為項(xiàng)目背景,研究基于計(jì)算機(jī)視覺的鐵路扣件缺失快速探測(cè)方法。主要研究?jī)?nèi)容是探討探測(cè)系統(tǒng)的整體設(shè)計(jì)方案,分析并設(shè)計(jì)探測(cè)系統(tǒng)的各部分組成,同時(shí)研究扣件識(shí)別的快速算法,實(shí)現(xiàn)鐵路扣件的自動(dòng)化在線同步檢測(cè)?；谟?jì)算機(jī)視覺檢測(cè)方法的基礎(chǔ),本論文提出了探測(cè)系統(tǒng)的硬件設(shè)計(jì)方案。以工控機(jī)為中央控制核心,控制高速相機(jī)采集圖像,輔以扣件定位系統(tǒng)和照明系統(tǒng),搭建了完整的扣件探測(cè)硬件系統(tǒng)。在正常運(yùn)行時(shí),定位系統(tǒng)在扣件處于視場(chǎng)中央時(shí)給高速相機(jī)發(fā)送外觸發(fā)信號(hào),相機(jī)采集圖像,并將圖像發(fā)送到工控機(jī)。國(guó)外檢索情況：1ACM鏡像入口(proceeding)題 名：Inspection ofrailsurface defects based onimageprocessing作 者：Ze Liu,Wei Wang,Xiaofei Zhang,Wei Jia出 處：Proceedings of the 2nd international Asia conferenceonInformatics in control, automation and robotics文摘：（寫中文）本文提出了一種鋼軌表面缺陷檢測(cè)方法的基礎(chǔ)上的自動(dòng)化機(jī)器視覺系統(tǒng)。兩種缺陷圖像包括在鋼軌表面裂紋，用此方法分析。一些相關(guān)的算法，包括圖像去噪，圖像分割和特征提取是應(yīng)用在鋼軌表面缺陷圖像處理。然后缺陷準(zhǔn)確提取區(qū)域和動(dòng)態(tài)閾值和特征匹配識(shí)別。計(jì)算下的鋼軌頭部缺陷檢查評(píng)價(jià)裂縫的表面磨損的鋼軌頭部和長(zhǎng)度的百分比。2 FirstSearch (OCLC WorldCatDissertations碩博士論文數(shù)據(jù)庫(kù))題 名：Visual inspection of railroad tracks作 者：Babenko, Pavel出 處：University of Central Florida文摘：（寫中文）在本文中，我們已經(jīng)開發(fā)了軌距測(cè)量的計(jì)算機(jī)視覺的方法，并在鐵路和軌道結(jié)構(gòu)缺陷定位可靠的鑒定。軌距是兩個(gè)平行的鋼軌內(nèi)側(cè)面之間的距離。我們已經(jīng)開發(fā)了軌距評(píng)價(jià)兩種方法。針對(duì)不同的硬件設(shè)置，這些方法：第一種方法與兩對(duì)未對(duì)齊的攝像機(jī)，而第二種方法與深度圖生成由成對(duì)的激光測(cè)距掃描儀。我們還開發(fā)了一種用于如損壞或漏鋼軌扣件，軌道缺陷檢測(cè)方法，基于相關(guān)的MACH過濾器。最后，為了使我們的算法的實(shí)時(shí)執(zhí)行，我們已經(jīng)開發(fā)了基于GPU的并行計(jì)算算法。六、查新結(jié)論針對(duì)“基于卷積神經(jīng)網(wǎng)絡(luò)的鐵軌扣件識(shí)別檢測(cè)” 課題進(jìn)行了國(guó)內(nèi)外資源的檢索，共查找4個(gè)有關(guān)數(shù)據(jù)庫(kù)，從其存儲(chǔ)的國(guó)內(nèi)外文獻(xiàn)和專利中得到較密切相關(guān)文獻(xiàn)4篇。對(duì)文獻(xiàn)分析如下： 在國(guó)內(nèi)有一種基于計(jì)算機(jī)視覺的鐵軌扣件缺失檢測(cè)方法；基于計(jì)算機(jī)視覺的鐵路扣件缺失快速探測(cè)方法研究；國(guó)外有Inspection ofrailsurface defects based onimageprocessing；Visual inspection of railroad tracks；等的公開報(bào)導(dǎo)通過檢索，將檢出的相關(guān)文獻(xiàn)與本課題研究?jī)?nèi)容進(jìn)行全面的比較、分析，可以得出如下結(jié)論：該項(xiàng)目以卷積神經(jīng)網(wǎng)絡(luò)的鐵軌扣件識(shí)別檢測(cè)作為研究方向，以卷及神經(jīng)網(wǎng)絡(luò)檢測(cè)算法作為檢測(cè)方法，對(duì)鐵軌扣件的圖像進(jìn)行更加有效的識(shí)別檢測(cè)，目的在于為圖像增強(qiáng)、目標(biāo)區(qū)域分析與識(shí)別、圖像分割、紋理特征提取等圖像處理領(lǐng)域奠定重要基礎(chǔ)，從而采用有效的識(shí)別手段，達(dá)到鐵軌檢測(cè)的作用。通過比較幾種常用的檢測(cè)方法對(duì)鐵軌扣件圖像的識(shí)別檢測(cè)結(jié)果，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)算法,采用迭代算法計(jì)算最佳高低雙閾值。其應(yīng)用動(dòng)態(tài)閾值作為檢測(cè)的準(zhǔn)則,在圖像的檢測(cè)中有效地避免了因?yàn)橛霉潭ㄩ撝颠M(jìn)行邊緣檢測(cè)很可能導(dǎo)致識(shí)別丟失(或者表現(xiàn)為邊界上的不連續(xù)性)等問題。實(shí)驗(yàn)結(jié)果表明,該算法可減少干擾邊緣和噪聲的影響,能突顯鐵軌扣件圖像的檢測(cè)特征。查新員（簽字）： 查新員職稱： 審核員（簽字）： 審核員職稱： （科技查新專用章） 年 月 日七、查新員、審核員聲明查新員（簽字）： 審核員（簽字）： 年 月 日 年 月 日八、附件清單九、備注填寫說明一、在填寫本報(bào)告之前，應(yīng)當(dāng)仔細(xì)閱讀科技查新規(guī)范的第9部分。二、查新報(bào)告格式說明本報(bào)告采用A4紙，左、右頁(yè)邊距為28mm，上、下頁(yè)邊距為30mm。每欄的大小可隨內(nèi)容調(diào)整。三、報(bào)告內(nèi)容應(yīng)當(dāng)打印；簽字使用鋼筆或者炭素筆。四、“報(bào)告編號(hào)”的填寫方法報(bào)告編號(hào)為十四位，左起第一至四位為公歷年代號(hào)，第五、六位為省、自治區(qū)、直轄市編碼，第七、八、九位為查新機(jī)構(gòu)編號(hào)，第十至十四位為報(bào)告序號(hào)，以上編號(hào)不足位的補(bǔ)零。五、查新目的可分為立項(xiàng)查新、成果查新等。立項(xiàng)查新包括申報(bào)各級(jí)、各類科技計(jì)劃，科研課題開始前的資料收集等；成果查新包括為開展成果鑒定、申報(bào)獎(jiǎng)勵(lì)等。六、查新項(xiàng)目的科學(xué)技術(shù)要點(diǎn)本報(bào)告中的科學(xué)技術(shù)要點(diǎn)應(yīng)當(dāng)以查新合同中的科學(xué)技術(shù)要點(diǎn)為基礎(chǔ)，參照查新委托人提供的科學(xué)技術(shù)資料做扼要闡述。七、查新點(diǎn)與查新要求本報(bào)告中的查新點(diǎn)和查新要求應(yīng)當(dāng)與查新合同中的一致。查新點(diǎn)是指需要查證的內(nèi)容要點(diǎn)。查新要求是指查新委托人對(duì)查新提出的具體愿望。一般分為以下四種情況：（1）希望查新機(jī)構(gòu)通過查新，證明在所查范圍內(nèi)國(guó)內(nèi)外有無相同或類似研究；（2）希望查新機(jī)構(gòu)對(duì)查新項(xiàng)目分別或綜合進(jìn)行國(guó)內(nèi)外對(duì)比分析；（3）希望查新機(jī)構(gòu)對(duì)查新項(xiàng)目的新穎性作出判斷；（4）查新委托人提出的其他愿望。八、文獻(xiàn)檢索范圍及檢索策略應(yīng)當(dāng)列出查新員對(duì)查新項(xiàng)目進(jìn)行分析后所確定的手工檢索的工具書、年限、主題詞、分類號(hào)和計(jì)算機(jī)檢索系統(tǒng)、數(shù)據(jù)庫(kù)、文檔、年限、檢索詞等。九、檢索結(jié)果應(yīng)當(dāng)根據(jù)查新項(xiàng)目的科學(xué)技術(shù)要點(diǎn)，將檢索結(jié)果分為密切相關(guān)文獻(xiàn)和一般相關(guān)文獻(xiàn)。通過對(duì)所檢數(shù)據(jù)庫(kù)和工具書命中的相關(guān)文獻(xiàn)情況及對(duì)相關(guān)文獻(xiàn)的主要論點(diǎn)進(jìn)行對(duì)比分析的客觀情況，按下列書寫層次撰寫：對(duì)所檢數(shù)據(jù)庫(kù)和工具書命中的相關(guān)文獻(xiàn)情況進(jìn)行簡(jiǎn)單描述；依據(jù)檢出文獻(xiàn)的