科技查新报告
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
查新机构
名称
北京交通大学
通信地址
北京市海淀区上园村
邮政编码
100044
负责人
邓要武
电话
传真
联系人
赵鑫欣
电话
电子信箱
一、查新目的
《信息检索》课作业
二、查新项目的科学技术要点
1、项目概述、选题的目的、背景和研究意义
目前国内外对于铁轨扣件检测的方法主要是采用视觉信息处理的技术。但是由于扣件检测问题的应用环境较复杂，易受光照，天气，铁轨状态的影响，所以直至现在，依然没有特别实用的方法。其算法采用了人脸识别领域中比较成熟的基于Haar特征的Cascade Adaboosting算法。所以，他们将这个方法应用到了扣件识别上，也获取了很好的效果。但是Haar特征对物体的描述具有旋转不变性，而正常的扣件的朝向是固定的，所以这种特性在扣件检测上并没有优势，反而会增加计算复杂度，同时Adaboosting算法也需要大量的训练，必须拥有大量的正负样本，并且使用大量的训练时间，而且其最终的分类效果也和样本的选取密切相关。
3、((卷积神经网络) 或 (深度学习) )与 (识别检测) 与 (铁轨扣件)
检索的中文数据库：
1、万方数据资源系统包库入口（期刊）
2、CNKI包库入口1(博硕士)
外文检索词：
1、boltrecognition
2、deep learning
3、dynamic template set
4、HoG descriptor
题 名：一种基于计算机视觉的铁轨扣件缺失检测方法
作 者：杨樊，陈建政，吴梦
出 处：《电脑知识与技术》
文摘：针对传统扣件检测方法式效率低、可靠性差，不能满足现代铁路检修的需要，提出了一种基于计算机视觉的扣件缺失自动检测方法。在对灰度图像进行Canny边缘检测处理后采用十字交叉定位法对扣件位置进行定位，得到120×200像素的扣件区域，并提取扣件图像的20个边缘特征值；最后，利用模糊C均值聚类算法对这两类的特征量进行聚类分析，通过计算待诊断对象与标准模式的隶属度实现对扣件状态的分类。应用验证表明：采用的图像处理方法和识别分类算法能够有效检出轨道扣件缺失，检测速度快，鲁棒性好，检出率达96%。
检索的外文数据库：
1、ACM镜像入口(proceeding)
2、FirstSearch (OCLC WorldCatDissertations硕博士论文数据库)
五、检索结果
国内检索情况：
通过对2个中文相关数据库、网络资源的检索范围和1个中文检索式的检索，获得密切与较密切相关文献共计2篇，分别是：
[1]万方数据资源系统包库入口（期刊）
本项目对铁轨扣件的识别检测算法是基于卷及神经网络并行算法的，具有参数少、计算效率高、得到的边缘连续完整等优点。利用卷及神经网络算法对铁轨扣件进行检测，并将其检测结果与传统的检测器进行对比。取一定数量的样本，通过调整算子中的高低阈值，找到更加适检测的阈值。为后续的扣件检测操作奠定基础。
2、主要研究内容（着重说明技术内容）
四、文献检索范围及检索策略
中文检索词：
1、扣件识别
2、深度学习
3、动态模板库
4、HoG特征
5、基准测试集
6、图像处理
7、GPU加速
8、并行计算
9、铁轨扣件
10、卷积神经网络
11、有监督学习
12、无监督学习
中文检索式：
1、(图像处理) 与 (扣件识别)
2、(有监督学习 与 并行计算) 非 (无监督学习)
[2]CNKI包库入口1(博硕士)
题 名：基于计算机视觉的铁路扣件缺失快速探测方法研究
作 者：钱广春
出 处：上海交通大学
文摘：铁路扣件是维系铁路运输安全的重要部件,扣件缺失很有可能酿成列车脱轨等重大事故,扣件的自动化探测是发展铁路事业必须要面对的问题。当前我国铁路尤其是高速铁路的快速发展,使得这问题日益突出。如何利用现代科学技术实现快速而准确的扣件探测成为项重要课题。用计算机视觉技术实现扣件自动探测是当前国际上普遍采用的方案。计算机视觉检测使用图像传感器获取被测对象的图像信息,由计算机对图像进行处理,完成测量功能,具有非接触、速度快、精度高、信息量大、智能化程度高、适应能力强等优点。本课题根据国内外扣件探测方法的研究现状,以铁道部“高速铁路轨道扣件缺失探测”为项目背景,研究基于计算机视觉的铁路扣件缺失快速探测方法。主要研究内容是探讨探测系统的整体设计方案,分析并设计探测系统的各部分组成,同时研究扣件识别的快速算法,实现铁路扣件的自动化在线同步检测。基于计算机视觉检测方法的基础,本论文提出了探测系统的硬件设计方案。以工控机为中央控制核心,控制高速相机采集图像,辅以扣件定位系统和照明系统,搭建了完整的扣件探测硬件系统。在正常运行时,定位系统在扣件处于视场中央时给高速相机发送外触发信号,相机采集图像,并将图像发送到工控机。
(1)铁轨扣件检测
扣件检测算法中对扣件分类的方法使用了固定阈值的方法。这种方法虽然能够非常髙效地对扣件进行分类,判断出扣件区域内扣件是否存在。但是经过后期的大量实验发现,不同线路、甚至同一线路不同时间段或者不同路段的扣件与非扣件的差异度非常大。不能通过一种简单的线性方法对扣件与非扣件进行划分。因此,使用固定闽值的方法并不能很好地解决扣件检测的问题。
报告编号：
科技查新报告（格式）
项目名称：基于卷积神经网络的铁轨扣件识别检测
委托人：赵鑫欣
委托日期：2014年11月
查新机构（盖章）：
查新完成日期：2014年11月14日
中华人民共和国科学技术部
二○○○年制
查新项目名称
中文：基于卷积神经网络的铁轨扣件识别检测
英文：The recognition detection of rail bolt based onConvolutional Neural Networks
(2卷积神经网络算法
很多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻划，从而有利于可视化或分类，深度神经网络在训练上的难度，可以通过“逐层初始化”来有效克服，逐层初始化是通过无监督学习实现的。
三、查新点与查新要求
查新点：卷积神经网络算法运用于铁轨扣件识别检测。
查新要求：对本查新项目(查新点)的新颖性作出判断；查找国内/外是否有与本项目相同或类似的研究；查找国内/外有关本项目的科技文献报道。
5、bench mark
6、image processing
7、GPU acceleration
8、parallel computing
9、rail bolt
10、Convolutional Neural Netຫໍສະໝຸດ Baiduorks
11、Supervised learning
12、image detedtion
外文检索式：
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)
名称
北京交通大学
通信地址
北京市海淀区上园村
邮政编码
100044
负责人
邓要武
电话
传真
联系人
赵鑫欣
电话
电子信箱
一、查新目的
《信息检索》课作业
二、查新项目的科学技术要点
1、项目概述、选题的目的、背景和研究意义
目前国内外对于铁轨扣件检测的方法主要是采用视觉信息处理的技术。但是由于扣件检测问题的应用环境较复杂，易受光照，天气，铁轨状态的影响，所以直至现在，依然没有特别实用的方法。其算法采用了人脸识别领域中比较成熟的基于Haar特征的Cascade Adaboosting算法。所以，他们将这个方法应用到了扣件识别上，也获取了很好的效果。但是Haar特征对物体的描述具有旋转不变性，而正常的扣件的朝向是固定的，所以这种特性在扣件检测上并没有优势，反而会增加计算复杂度，同时Adaboosting算法也需要大量的训练，必须拥有大量的正负样本，并且使用大量的训练时间，而且其最终的分类效果也和样本的选取密切相关。
3、((卷积神经网络) 或 (深度学习) )与 (识别检测) 与 (铁轨扣件)
检索的中文数据库：
1、万方数据资源系统包库入口（期刊）
2、CNKI包库入口1(博硕士)
外文检索词：
1、boltrecognition
2、deep learning
3、dynamic template set
4、HoG descriptor
题 名：一种基于计算机视觉的铁轨扣件缺失检测方法
作 者：杨樊，陈建政，吴梦
出 处：《电脑知识与技术》
文摘：针对传统扣件检测方法式效率低、可靠性差，不能满足现代铁路检修的需要，提出了一种基于计算机视觉的扣件缺失自动检测方法。在对灰度图像进行Canny边缘检测处理后采用十字交叉定位法对扣件位置进行定位，得到120×200像素的扣件区域，并提取扣件图像的20个边缘特征值；最后，利用模糊C均值聚类算法对这两类的特征量进行聚类分析，通过计算待诊断对象与标准模式的隶属度实现对扣件状态的分类。应用验证表明：采用的图像处理方法和识别分类算法能够有效检出轨道扣件缺失，检测速度快，鲁棒性好，检出率达96%。
检索的外文数据库：
1、ACM镜像入口(proceeding)
2、FirstSearch (OCLC WorldCatDissertations硕博士论文数据库)
五、检索结果
国内检索情况：
通过对2个中文相关数据库、网络资源的检索范围和1个中文检索式的检索，获得密切与较密切相关文献共计2篇，分别是：
[1]万方数据资源系统包库入口（期刊）
本项目对铁轨扣件的识别检测算法是基于卷及神经网络并行算法的，具有参数少、计算效率高、得到的边缘连续完整等优点。利用卷及神经网络算法对铁轨扣件进行检测，并将其检测结果与传统的检测器进行对比。取一定数量的样本，通过调整算子中的高低阈值，找到更加适检测的阈值。为后续的扣件检测操作奠定基础。
2、主要研究内容（着重说明技术内容）
四、文献检索范围及检索策略
中文检索词：
1、扣件识别
2、深度学习
3、动态模板库
4、HoG特征
5、基准测试集
6、图像处理
7、GPU加速
8、并行计算
9、铁轨扣件
10、卷积神经网络
11、有监督学习
12、无监督学习
中文检索式：
1、(图像处理) 与 (扣件识别)
2、(有监督学习 与 并行计算) 非 (无监督学习)
[2]CNKI包库入口1(博硕士)
题 名：基于计算机视觉的铁路扣件缺失快速探测方法研究
作 者：钱广春
出 处：上海交通大学
文摘：铁路扣件是维系铁路运输安全的重要部件,扣件缺失很有可能酿成列车脱轨等重大事故,扣件的自动化探测是发展铁路事业必须要面对的问题。当前我国铁路尤其是高速铁路的快速发展,使得这问题日益突出。如何利用现代科学技术实现快速而准确的扣件探测成为项重要课题。用计算机视觉技术实现扣件自动探测是当前国际上普遍采用的方案。计算机视觉检测使用图像传感器获取被测对象的图像信息,由计算机对图像进行处理,完成测量功能,具有非接触、速度快、精度高、信息量大、智能化程度高、适应能力强等优点。本课题根据国内外扣件探测方法的研究现状,以铁道部“高速铁路轨道扣件缺失探测”为项目背景,研究基于计算机视觉的铁路扣件缺失快速探测方法。主要研究内容是探讨探测系统的整体设计方案,分析并设计探测系统的各部分组成,同时研究扣件识别的快速算法,实现铁路扣件的自动化在线同步检测。基于计算机视觉检测方法的基础,本论文提出了探测系统的硬件设计方案。以工控机为中央控制核心,控制高速相机采集图像,辅以扣件定位系统和照明系统,搭建了完整的扣件探测硬件系统。在正常运行时,定位系统在扣件处于视场中央时给高速相机发送外触发信号,相机采集图像,并将图像发送到工控机。
(1)铁轨扣件检测
扣件检测算法中对扣件分类的方法使用了固定阈值的方法。这种方法虽然能够非常髙效地对扣件进行分类,判断出扣件区域内扣件是否存在。但是经过后期的大量实验发现,不同线路、甚至同一线路不同时间段或者不同路段的扣件与非扣件的差异度非常大。不能通过一种简单的线性方法对扣件与非扣件进行划分。因此,使用固定闽值的方法并不能很好地解决扣件检测的问题。
报告编号：
科技查新报告（格式）
项目名称：基于卷积神经网络的铁轨扣件识别检测
委托人：赵鑫欣
委托日期：2014年11月
查新机构（盖章）：
查新完成日期：2014年11月14日
中华人民共和国科学技术部
二○○○年制
查新项目名称
中文：基于卷积神经网络的铁轨扣件识别检测
英文：The recognition detection of rail bolt based onConvolutional Neural Networks
(2卷积神经网络算法
很多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻划，从而有利于可视化或分类，深度神经网络在训练上的难度，可以通过“逐层初始化”来有效克服，逐层初始化是通过无监督学习实现的。
三、查新点与查新要求
查新点：卷积神经网络算法运用于铁轨扣件识别检测。
查新要求：对本查新项目(查新点)的新颖性作出判断；查找国内/外是否有与本项目相同或类似的研究；查找国内/外有关本项目的科技文献报道。
5、bench mark
6、image processing
7、GPU acceleration
8、parallel computing
9、rail bolt
10、Convolutional Neural Netຫໍສະໝຸດ Baiduorks
11、Supervised learning
12、image detedtion
外文检索式：
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)