基于并联卷积神经网络的高速铁路车体图像差异分类算法

摘要：

对高速铁路的车体进行安全检查,是高速铁路安全运行的重要保障.但是由于高速铁路车体结构复杂,采集环境多变,导致基于机器视觉的传统检测方法很难提取到车体图片的正确特征.利用深度学习方法,采用卷积神经网络,建立一个并联的差异分类模型,用于检测车体差异部位是否发生异常.为提高识别的准确率,提出一种多形状训练方法;同时,针对此异常检测任务设计合适的损失函数,并加入距离度量的限制项.此外,在并联模型的基础上,建立一种复合并联模型,进一步提升模型性能.试验表明,该模型能够很好地克服光照、污渍、标记等伪异常,正确提取到图片对的差异信息,并对差异信息是否异常做出准确的判断.

关键词：差异分类;卷积神经网络;深度学习;距离度量学习

所属期刊栏目：43

分类号：TP183;TP391;U226.5(自动化基础理论)

资助基金：国家自然科学基金61771409

在线出版日期：2021-11-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：53-59