本文是计算机论文，相比于传统机器学习方法，使用深度学习方法效果更好。经过调研发现，目前鲜有学者将深度学习引入基于计算机视觉的钢轨螺栓故障诊断。基于此，本文将卷积神经网络引入螺栓故障诊断，进行一定程度探究。本文主要研究成果以及结论介绍如下。（1）针对SGD优化器训练慢的问题，结合Adam的快速下降的特点，将Adam与SGD结合，实验结果表明，融合算法可以在训练前期，损失值可以快速下降。（4）将可微分的深度模型剪枝算法应用在YOLOv4的模型缩小化中。虽然本文在钢轨螺栓组件故障诊断中做出了不少工作，分别建立了专业数据集和改进了优化器，但是还有一些问题需要深入研究。（1）不同钢轨螺栓故障的诊断方法有不同的优缺点，螺栓大小也不一样，本文建立的数据集和所有的实验采用的螺栓标准是60KG国标钢轨的螺栓，为了扩大检测范围，应用场合，需要建立轨道螺栓全行业数据集，是未来可以探究的一个方向.（2）在螺栓组件的各种故障的检测效果中，松弛的精准率为50%左右，有待于优化提高。两根独立的钢轨通过钢轨接头进行固定连接，钢轨接头由夹板、螺栓组件等组成。两段钢轨接头通过钢轨内外两侧的夹板用4组或6组螺栓进行固定，通过两者的固定保持了钢轨的连续性，但是不能真正实现两根钢轨的“一体性”。
......
第1章绪论
交通作为社会进步和经济发展的先行基础，被称为国家经济的命脉。铁路作为一个国家的重要交通基础设施和国家经济的大动脉，是陆上交通的重要组成部分。通畅的铁路运输可以助力国家经济新腾飞[1]。近年来，随着国家公路治超力度逐年加大，中国公路运输成本上升，铁路由于其绿色、环保、经济等优势，受到社会物流企业的普遍青睐[2]。铁路运输为跨地区的经济融合、社会沟通和人文互动做出了重要贡献，提高了人们生活幸福感，扩大了人民的出行范围。铁路运输是全世界内陆运输的主要担当，其承担的运输总量占陆地上所有交通工具运输总量的40%-50%。在幅员辽阔的中国，更适合发挥铁路远距离运输的优点，铁路运输的地位更加重要，占全国运输总量的60%以上。新时代要实现经济的快速发展，就必须消除影响铁路运输安全运行的任何隐患，并保证铁路交通的安全和稳定[3]。受生产和运输空间的限制，轨道所铺设的钢轨不可能是连续、完整的一根，每个国家都有各自的钢轨标准，中国的钢轨有12.5米和25米两种规格，日本的为25米，德国的为30米[4]。而当重载火车高速碾压钢轨连接处时，瞬间的碰撞和冲击，所产生的附加动力，为正常轮载的2-3倍，导致两根钢轨连接处产生的病害数量和危险性也远超钢轨的其他部位。根据2019年上半年全国各个铁路局的调查统计，钢轨线路的各种故障、病害问题越来越明显，2019年上半年有731处，其中超过1/2的维修工作集中在钢轨接头部位，为铁路安全运输带来隐患，亟需解决。
......
第2章钢轨螺栓组件故障分析、图像采集与预处理
2.1钢轨螺栓组件故障分类及产生原因分析
钢轨接头螺栓是固定两个相接钢轨的重要部件。在重载火车的冲击作用下螺杆可能会出现拉伸、弯曲；螺母出现螺纹磨损、断裂；夹板和螺栓头，夹板和弹性垫圈之间都会发生挤压或疲劳断裂[31]，造成预紧力下降，从而造成松动或断裂。为了保证连接件之间的可靠性和紧密性，螺栓连接必须要有一定的预紧力。预紧力过大和过小都会对螺栓产生致命的后果，因此为了保证被连接件紧密性的同时，还要保证连接件的可靠性，不至于因为过载而断裂，这就要求连接件和被连接件之间要有一定的预紧力。循环应力疲劳断裂的过程分为三个阶段：第一阶段由于存在应力集中进而造成初始裂纹的产生，第二阶段随着不断叠加在裂纹上的切应力造成裂纹进一步扩展，第三阶段当裂纹静强度不足以承担最大承载性能的时候就会发生断裂。这个从初始裂纹产生到最后断裂过程所经历的时间或者所能承受载荷的次数就是零件的疲劳寿命。由于热胀冷缩的物理现象的存在，会导致螺栓组件的伸缩断裂。钢轨当处于夏天的时候会由于温度的提高使得钢轨膨胀伸长，或者当处于冬季的时候，钢轨会由于温度的降低而收缩，这些都会使得钢轨的连接件承受剪切应力的作用，进而导致螺栓组件的断裂。由于设计螺栓的时候人为的加上了一段时间的磨合期，处于磨合期之间的螺栓的松紧度会有一定的预紧力损失。这种预紧力损失是由于连接件之间或者被连接件之间的相互嵌入形成的，无论是硬质材料或者是软质材料，若连接件设计不当，那么就可能由于预紧力的一部分损失造成最终的预紧力不足，进而发生松动。
2.2螺栓组件图像增强处理方法研究
目前存在有很多专业或者通用的图像数据集，方便、快捷的数据获取方式已经快速推进了某些专业领域的快速发展，比如交通识别、人脸识别，但是一些特定领域的目标检测识别应用如轨道螺栓检测识别任务，数据集的匮乏导致了目前深度学习技术难以在轨道螺栓检测识别方面获得发展，从而很难在实际检测识别中得到真正应用。目前一些公开的图像数据集比如VOC[38]、COCO[39]、SUN[40,41]，关注点在日常生活，数据集里包含人、车、马、房屋等常见日常事物，而就轨道交通领域而言，这些数据集里包含的是五颜六色的火车和模糊的轨道整体，无法作为研究基准在轨道螺栓表面故障检测识别领域使用。因此，针对钢轨螺栓检测识别任务存在缺乏基准数据集的问题，构建了新型大规模轨道螺栓检测识别数据集。结合现实条件分析，钢轨螺栓检测场景分为白天检测环境和夜晚检测场景两种，共同建立钢轨螺栓图像数据集RailBoltDataset（RBDataset）。我们还可以将数据集公开发布，以期加深基于深度学习的目标识别检测技术在轨道交通领域的学习和交流。下文将着重介绍钢轨螺栓组件识别数据集的基本情况，主要包括图像采集平台、数据采集、数据集标记、信息统计与数据集划分等方面。在RBDataset数据集图像采集中，依靠钢轨螺栓检测机器人作为数据集图像采集装置，并经过1年以上的数据积累，参考常见目标识别数据集的建立过程，建立了包含丰富目标样本的钢轨螺栓组件图像识别数据集，完成对该数据集的构建。钢轨螺栓组件故障形态为自然形成和数控机床模拟切割制造两种方式。其中加工损伤时尽可能做到裂纹多样化和深浅不一，用于模拟钢轨组件实际损伤形态。
均值滤波
第3章钢轨螺栓组件故障目标检测与识别模型的研究...........................23
3.1深度学习理论................................................23
3.2目标检测与识别模型26
3.3目标检测与识别模型重要评价指标.........................30
3.4目标检测与识别模型对比试验和性能分析.................................................32
第4章基于YOLOv4的螺栓组件检测与识别模型的优化....................................41
4.1实验环境搭建..........................................41
4.2基于维度聚类的先验框尺寸优化方法及实验结果分析...............................41
第5章实验分析.................................................55
5.1实验平台系统总体构成.........................55
5.2系统测试及结果分析..............58
......
第5章实验分析
5.1实验平台系统总体构成
本文首先介绍钢轨螺栓故障检测研究背景和研究意义，接着阐述国内外本系统的总体设计为基于YOLOv4优化算法的钢轨螺栓组件多目标故障检测识别。视觉目标检测识别主要基于钢轨螺栓检测机器人系统平台展开，机器人的机械平台和控制系统主要有其他课题成员负责，该系统除了视觉目标检测识别系统外，主要还有行走系统、机械结构、信息管理系统，系统整体结构图如下。JetsonTX1SoM设计满足低功耗环境要求，集成先进的3D图形、视频和图像处理；并行计算、机器视觉、机器学习能力；32bit和64bit的操作能力。除了性能和功耗，TX1还具有丰富的I/O、小尺寸，从而减少系统集成的复杂度。TX1是移动设备的理想选择，包括：无人机、机器人、游戏设备、虚拟现实（VR）、增强现实（AR）、袖珍医学设备等。本研究的目标检测识别系统作为项目的关键组成部分，主要目标是在钢轨螺栓检测机器人硬件平台上实现对螺栓组件的状态检测识别，识别出螺栓、螺母、垫圈和它们的组合故障，针对钢轨螺栓检测机器人目标识别检测系统的检测目标要求，基于钢轨螺栓检测机器人平台的硬件结构及电气、控制部分的基础上，进行目标识别检测系统设计和针对检测目标进行检测算法研究和优化。钢轨螺栓检测机器人样机如图5-3所示。数据照片采集界面，界面左侧为选择当前所用的拍摄相机，右上部为所选择相机当前拍的图片或视频，右下部为已采集的图片或视频。左小角为电池一和电池二的剩余电量显示。
直方图均衡化后的直方图
5.2系统测试及结果分析
本钢轨螺栓组件检测机器人在系统完成，调试过程中多次前往天津市滨海新区废旧火车轨道进行现场实验测试，完成了钢轨螺栓组件检测机器人螺栓组件的故障目标识别与检测系统的测试和验证。将训练好的模型文件移植到钢轨螺栓组件检测机器人上，并整合信息系统进行联机调试，以下图5-6为信息系统显示实时检测结果展示。实时检测画面，左侧为可选择切换的实时检测相机，界面中上部显示为已行驶的路程和所检测出的故障的地点（12KM处），中下部为实时检测画面，右下部为已检测到的故障照片。第三章选择了合适的目标检测模型，第四章针对钢轨螺栓组建的特点进行了检测模型优化和模型剪枝。本章通过实验场景来验证改进目标检测模型对于螺栓组件各故障识别检测的可靠性。本章将优化后的YOLOv4目标检测模型移植到钢轨螺栓机器人上，并结合信息系统进行联合测试，并取得了良好的检测效果。对于采集图像中的目标物体特征的识别是依赖检测识别算法。经典的目标检测算法如HOG+SVM[5]、HOG+Cascade等[6]，但是这些传统的检测识别算法只能在特定环境下检测出目标物体，检测识别的目标物体和操作环境较为单一，因此，传统检测算法的泛化性较低。在某些较复杂的背景下，传统的目标检测算法效果往往不甚理想，在实际检测过程中，当目标物体的位置发生偏移、旋转、翻转，目标物体的部分特征信息被遮挡、缺失时，传统的检测算法检测效果较差；传统的检测算法在对目标物体识别前，需要大量的人力对目标物体进行特征设计和提取，因此，基于传统视觉检测算法的目标物体检测识别时间成本的投入增加，降低了生产效率。
......
第6章结论与展望
随着计算机软硬件的发展，计算机的图像处理能力呈几何倍数增加，图像中目标物体特征信息的自动提取算法研究的不断提高，避免了人工提取目标物体特征信息，提高了目标识别检测算法的检测和识别效率。而深度学习算法作为目标物体特征信息自动提取算法的代表，其识别检测速度快、检测精度高、泛化性和稳定性较高，使得基于深度学习的目标识别检测算法成为现阶段最流行的目标检测算法。为了提高钢轨螺栓组件检测速度、识别准确度和定位精度，提出了一种基于机器视觉改进算法的钢轨螺栓组件检测和识别方法，实现了钢轨连接处螺栓组件的自动识别检测。借助深度学习预训练，视觉检测具有较高的泛化能力和稳定性。关于机器视觉在轨道交通检测的研究现状和研究方法，其中重点介绍基于深度学的视觉的钢丝目标检测方法。深度学习方法自2010年以来取得重大突破，在诸多领域特别是图像识别领域有着广泛应用。近年来，基于深度学习的故障检测方法已经在诸多无损检测领域中取得一定成果。综合检测结果如表5-2所示。该系统在真实环境对钢轨螺栓缺陷进行了验证。对上表中的数据分析可以看出，本钢轨螺栓检测机器人视觉检测系统对钢轨螺栓组件各种故障的检测识别效果和84.8%的准确率，FPS为20.12fps，基本达到钢轨维护人员对于钢轨组件的日常维修、保养的要求。
参考文献（略）
参考文献（略）
