基于卷积神经网络的机车文字区域检测研究

发布时间：2024-03-01 01:36

　　当今中国铁路行业高速发展,随着运输效率的提高,列车数量也急剧增加,对机车(即列车车头)的检修和维护也成为铁路列车正常运营的重要保障。当前国内机车维修点一般依靠人工进行机车故障检测,而人工检测的效率较低,工作人员易疲劳,有一定的危险性,从而影响到机车的正常运作。在铁路机车运输的高速发展中,传统的铁路工作模式迫切需要实现自动化、智能化、信息化管理。本文立足铁路机车维修点的信息化管理需求,基于深度学习和图像处理的方法,对机车侧面的文字区域进行多尺度多目标的自动提取,本文工作可作为后续识别及自动化管理等信息处理工作的基础。本文根据机车样本实际情况,实现了文字区域精确定位,主要工作包括如下:(1)针对机车现场样本特点,设计了图像预处理方法。由于铁路现场机车样本的特殊性,对于干扰因素较多的样本图片需要进行预处理,去除雨水、泥沙等噪声,如利用高斯滤波去掉样本图像的噪声。对于夜间样本需要对样本图片进行增强,由于夜间样本处理后还存在光斑影响,需要使用滤波方法进行去噪;(2)对机车样本文字区域进行基于卷积神经网络的粗定位。采用自定义结构的卷积神经网络来提取预处理后的样本图片中的文字区域的特征,经过训练学习...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
    1.3 本文主要研究内容
第2章 相关理论基础
    2.1 彩色图像灰度化
    2.2 RETINEX图像增强算法
    2.3 滤波算法
        2.3.1 高斯滤波
        2.3.2 中值滤波
    2.4 卷积神经网络
        2.4.1 卷积神经网络结构
        2.4.2 卷积运算
        2.4.3 池化运算
        2.4.4 权值的初始化
    2.5 本章小结
第3章 基于卷积神经网络的机车文字区域粗定位
    3.1 样本图像预处理
        3.1.1 夜间样本的处理
        3.1.2 高斯滤波处理
        3.1.3 中值滤波处理
    3.2 准备训练样本
        3.2.1 准备正负样本
        3.2.2 生成训练样本
    3.3 卷积网络结构设计
    3.4 特征提取
    3.5 标记目标区域
        3.5.1 目标区域标记方法
        3.5.2 神经网络的训练
        3.5.3 基于二分类的目标区域标记
        3.5.4 基于多分类的目标区域标记
    3.6 本章小结
第4章 基于粗定位区域网格的区域合并算法
    4.1 区域合并算法基本思想
    4.2 纵向合并小标记区域
    4.3 横向合并大标记区域
    4.4 本章小结
第5章 检测模块设计及算法结果分析
    5.1 实验平台与样本来源
        5.1.1 实验平台
        5.1.2 实验样本介绍
        5.1.3 正负样本的选取
    5.2 检测模块设计
        5.2.1 系统结构
        5.2.2 算法测试
    5.3 不同分辨率训练样本结果的比较
    5.4 不同网络结构的结果对比
    5.5 与传统图像处理的方法进行比较
    5.6 与FAST R-CNN的方法进行比较
    5.7 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
参考文献
附录A 在校期间参与项目及科研成果
    1 在校期间参与项目
    2 软件著作权
致谢



本文编号：3915239