基于深度学习的动车组击打变形智能检测方法

为了保证动车组的安全运行，需要在动车组运行时进行实时在线故障监测，以便及时、准确地对故障进行检修。目前采用的是当前图像和历史图像进行对比的方法，实现列车运行状况的检测及自动预警。由于设备在不同时间所采集的图像不完全一致，所以基于该方法在识别过程中会出现误报率较高的情况，并给人工看图徒增大量的时间。文章以击打变形类的故障作为研究对象，基于改进的RetinaNet算法进行故障检测。使用CondenseNet网络替换原主干网络ResNet，极大地减小了模型计算量，整体损失也有所下降。采用Swish函数作为特征的非线性激活，在准确率上有0.7%的提升。使用多尺度特征融合对不同大小目标进行检测，试验结果表明，算法改进后有效提升了网络性能，识别率可达94.3%。