来源：期刊VIP网 时间：
作者：范立;李丹勇;刘冰;尤嘉;贾潞;
单位：北京交通大学电子信息工程学院;北京纵横机电科技有限公司;中国铁道科学研究院集团有限公司机车车辆研究所;中国铁道科学研究院集团有限公司电子计算技术研究所;中国铁路北京局集团有限公司北京动车段;
摘要：TEDS是保障动车组运行安全的重要监测设备之一，目前其图像缺陷检测方式主要依赖人工。为了降低劳动强度，提高检测效率，针对现有智能检测算法存在的负样本少、误报率与漏报率高的问题，文中设计了一套基于深度学习的TEDS图像辅助检测系统，该系统采用基于深度可分离卷积方法改进的SOLOv2算法对图像中的零部件进行精确定位，并排除零部件的背景信息以降低误报。提出GAN网络与特征匹配相融合的无监督异常检测算法用于检测异常零部件，解决了单独依赖深度学习方法的检测算法易漏报的问题。试验结果表明，该系统在零漏报的前提下，平均误报率仅为8.66%。不仅保证了检测的准确性，而且减少了检测人员复核误报图像的数量，间接提高了检测人员的检测效率。
关键词：深度学习;;SOLOv2算法;;GAN网络;;特征匹配;;TEDS
基金资助：中国铁路北京局集团有限公司科研课题（2019CC17）;; 北京市自然科学基金（4202059）;; 中央高校基本科研业务费项目（2020JBM011）
