第一篇《基于 Faster R-CNN 的 铁路扣件定位方法研究》论文阅读

[1]白堂博,杨建伟,许贵阳,邱实.基于Faster R-CNN的铁路扣件定位方法研究[J].铁道科学与工程学报,2021,18(02):502-508.
基于Faster R-CNN的铁路扣件定位方法研究

1、文章本身

1. 文章的研究问题是什么？
提高扣件定位的准确性，提高检测效率。

2. 文章的实证假设是什么？
本论文根据扣件定位的特点（对称排列），改进了 Faster R-CNN 的网络结构，并设计了扣件检测模型，以实现准确、快速定位的目的。

3. 该实证研究用了什么方法收集数据、测量变量、分析数据？

• 首先进行轨道图像检测，对图像分组及标注，建立数据集并提供网络输入图像
• 然后根据标注信息优化 RPN 网络，并利用建立的 Faster R-CNN网络进行分类和回归，输出扣件位置边框，
• 对输入图像进行标识，完成扣件定位。

3.1 收集数据：
使用轨道检测设备-北京某公司设计制造的新型轨道巡检仪，选取其中 600 张作为训练图像数据集，600 张作为测试图像数据集
3.2 试验线路：
某市高铁线路正线，检测长度为 10 km，检测获得有砟轨道和无砟轨道扣件

3.3 分析数据：
目标检测标注：LabelImg 软件进行图像标注，将单张图像中的有效扣件作为目标检
测区域


3.4 评价检测结果
为评价扣件定位检测结果，本文选择了检出率和准确率 2 个指标。
检出率 Rd是指检出的扣件正确检测的占所有待检测扣件的比例;
准确率 Ra是指检出扣件中正确检测的占所有检出扣件的比例。

4. 该研究发现了什么研究结果？
改进了 Faster R-CNN 的网络结构，并设计了扣件检测模型，实现了准确、快速定位的目的。

2、本文所学到的

1. 有哪些重要的观点你想要记住，或是将来可能会引用到 ？
轨道扣件检测方法概览

1.1 前期
基于振动、噪声、机器视觉等的检测方法
优点：对于轨面伤损效果较好
缺点：扣件移位、断裂造成的振动、噪声较小，难以有效对其进行检测

1.2 中期
用图像增强、特征提取等方法
优点：是计算效率高
缺点：针对不同的线路条件与扣件类型，需要针对性修改算法，适应
性低

1.3 当下
基于深度神经网络的目标检测算法应用到扣件定位中（Faster R-CNN）
优点：不经过特征提取直接对图像中目标区域进行检测，算法适应性强，有高检测精度。
缺点：计算量大，效率低

1.4 作者
基于改进 Faster R-CNN 的扣件定位算法
优点：提高计算精度的基础上，大幅提高了运算速度

2. 有哪些结论你将来可能用到？

3. 有哪些方法你将来可能用到？

Faster R-CNN 网络结构如图 1 所示，主要可分为特征提取、区域候选、分类回归 3 大部分。

• 进行目标检测时先进行利用卷积层提取特征图；
• 然后经过 RPN 网络，通过 oftmax 判断锚点背景属性；
• 然后利用边框回归修正锚点，从而生成较为精确的候选区域；
• 最后综合卷积层提取的特征图与候选区域进行感兴趣区域(Region of interest, ROI)池化提取候选特征图，并进一步进行分类和边框回归，输出检测类别和位置信息

4. 文章在研究设计上有哪些不足?有没有更好的改进方法？
2021年9月30日暂未看出来

5. 文章让你想到了哪些观点类似或者完全不同的其他文章？
2021年9月30日待补充

3、总结

1. 你对文章中观点、论述、方法、讨论等部分有什么想法和critique？

• 基于位置对称、形状标准等扣件的特点，铁路轨道扣件检测比其他物体检测起来更具有便利性。
• 改进的part到底是怎么操作的？修改了什么参数还是引入了什么框架
• 本文改进的方法有什么缺点？