科技查新报告剖析.doc

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 on Convolutional Neural Networks 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bjtu.edu.cn 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。 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） (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。 (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。 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) 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 2、deep learning 3、dynamic template set 4、HoG descriptor 5、bench mark 6、image processing 7、GPU acceleration 8、parallel computing 9、rail bolt 10、Convolutional Neural Networks 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) 检索的外