<listing id="vjp15"></listing><menuitem id="vjp15"></menuitem><var id="vjp15"></var><cite id="vjp15"></cite>
<var id="vjp15"></var><cite id="vjp15"><video id="vjp15"><menuitem id="vjp15"></menuitem></video></cite>
<cite id="vjp15"></cite>
<var id="vjp15"><strike id="vjp15"><listing id="vjp15"></listing></strike></var>
<var id="vjp15"><strike id="vjp15"><listing id="vjp15"></listing></strike></var>
<menuitem id="vjp15"><strike id="vjp15"></strike></menuitem>
<cite id="vjp15"></cite>
<var id="vjp15"><strike id="vjp15"></strike></var>
<var id="vjp15"></var>
<var id="vjp15"></var>
<var id="vjp15"><video id="vjp15"><thead id="vjp15"></thead></video></var>
<menuitem id="vjp15"></menuitem><cite id="vjp15"><video id="vjp15"></video></cite>
<var id="vjp15"></var><cite id="vjp15"><video id="vjp15"><thead id="vjp15"></thead></video></cite>
<var id="vjp15"></var>
<var id="vjp15"></var>
<menuitem id="vjp15"><span id="vjp15"><thead id="vjp15"></thead></span></menuitem>
<cite id="vjp15"><video id="vjp15"></video></cite>
<menuitem id="vjp15"></menuitem>

基于深度學習的接觸網懸掛部件的識別方法與流程

文檔序號:37128341發布日期:2024-02-22 21:52閱讀:25597來源:國知局
基于深度學習的接觸網懸掛部件的識別方法與流程

本發明涉及鐵路接觸網懸掛部件目標識別領域,具體是一種基于深度學習的接觸網懸掛部件的識別方法。


背景技術:

1、隨著中國社會的高速發展,鐵路系統不斷擴建和提速以滿足需求。然而,隨著提速的增加,安全問題也日益凸顯。在鐵路系統中,接觸網系統是廣泛分布并通常位于露天環境下的關鍵設施,由于工作環境惡劣,接觸網的懸掛部件容易發生缺陷和松動,從而導致接觸網與列車受電弓無法正常接觸,導致列車供電出現問題,會造成嚴重的安全事故,進而威脅國民的安全和社會生產的發展。

2、目前各鐵路局對接觸網的維護檢修主要采用人工使用接觸網便攜式設備,利用人工去對接觸網懸掛部件進行定位,這種方式需要人工走到每一個懸掛部件位置,然后再對其進行判斷是否有缺陷或松動。由于鐵路里程長,需要投入大量的人員去對懸掛部件進行測量,故其效率低下,投入成本較高,加上工作環境復雜且接觸網巡檢都是夜晚進行,會存在較多的漏檢。近年來也有使用懸掛狀態測量車cn202020799640.4去對接觸網懸掛部件拍圖,然后利用數據處理器將圖像和標準圖像進行對比,此方式雖然減少了人工的投入,但依舊存在識別準確率低的問題。

3、深度學習技術的快速發展,為工業目標檢測提供了技術支持。此前也有cn108009591a利用深度學習對接觸網的關鍵部分進行識別,其使用的是fast-rcnn模型,此模型為雙階段模型,檢測效率較低,且該模型深度不夠,導致模型的識別準確率和模型泛化性不高,且其沒有對吊弦點進行識別。故需要設計一個檢測效率高、識別準確率高的模型,來實現對接觸網懸掛部件的精確識別。


技術實現思路

1、為了解決上述技術問題,本發明提供一種基于深度學習的接觸網懸掛部件的識別方法,其對yolov3模型進行改進,提高模型的識別準確率、模型檢測效率以及模型的泛化性,從而實現接觸網懸掛部件的識別問題。

2、為此,本發明的技術方案如下:

3、一種基于深度學習的接觸網懸掛部件的識別方法,包括如下步驟:

4、s1、收集相機拍攝的接觸網圖像,所述接觸網圖像包括一年四季不同時間段、不同天氣環境下采集的圖像;譬如采集接觸網在一年四季每天的清晨、上午、正午、下午、傍晚、夜里的圖像;

5、s2、在每張接觸網圖像中對不同接觸網懸掛部件進行框選,同時記錄如下信息:當前標注目標的類別id、標注框的寬、高、中心點的橫縱坐標;將標注后的接觸網圖像制作為訓練集和驗證集;

6、s3、對訓練集進行隨機旋轉、隨機裁剪、添加高斯噪聲及mosica數據增強,獲得擴充后的訓練集;

7、s4、將步驟s3擴充后的訓練集輸入到深度學習模型中,對圖像特征進行解析、提取,輸出圖像中存在的目標類別,實現所述接觸網懸掛部件的識別;

8、所述深度學習模型為改進的yolov3檢測模型;包括骨干網絡、頸部網絡和頭部網絡;所述骨干網絡為darknet53網絡;所述頭部網絡為yolo?head網絡;

9、所述頸部網絡為改進的bifpn網絡,將步驟s3擴充后的訓練集輸入darknet53網絡,得到不同深度的特征圖,將darknet53最后三層的特征圖分別輸入到bifpn網絡中,將三層特征圖通過bifpn進行融合,輸出三個不同尺度的特征圖,繼而輸入bifpn網絡的下一模塊進行特征提取;將bifpn網絡的輸出層接入通道注意力模塊,得到接觸網懸掛部件特征圖;

10、所述接觸網懸掛部件特征圖被輸入yolo?head網絡,所述yolo?head網絡采用解耦合的檢測頭,得到預測的接觸網懸掛部件特征圖。

11、進一步,得到的預測的接觸網懸掛部件特征圖后,再利用soft-nms算法將多余檢測框去除,實現對接觸網懸掛部件的識別,而后輸出接觸網懸掛部件的特征圖。

12、進一步,所述解耦合的檢測頭是將yolov3中的耦合的檢測頭,分別解耦合為class預測、object預測、bounding?box回歸預測。

13、進一步,通道注意力模塊包含掩碼分支和映射分支,掩碼分支對接觸網懸掛部件特征圖按通道進行壓縮和激活,所述壓縮是對特征圖的每個通道按照全局平均池化進行壓縮,所述激活是指將通道平均值進行非線性處理,讓通道平均值輸入到sigmod激活函數,然后輸出0-1的各通道權重值。該處理能強化懸掛部件特征并減少噪聲干擾,極大程度提升了模型的表達能力與檢測能力。

14、進一步,所述接觸網懸掛部件為定位柱和吊弦。

15、進一步,darknet53網絡結構包括1個卷積結構、5個殘差結構,以及一個全連接層;所述殘差結構包含的殘差塊分別數量為1,2,8,8,4。

16、更進一步,所述卷積結構包含一個卷積核為3x3步長為1的卷積,一個卷積核為3x3步長為2的卷積;第一個3x3的卷積核用于增加通道數,擴大特征圖感受野;第二個步長為2的3x3卷積核,用于減少計算過程中的參數量與計算量。

17、更進一步,所述殘差結構包括基本卷積單元cbl、一個特征圖經過2個cbl模塊得到的特征和未經過cbl模塊的特征圖進行add操作;

18、所述基本卷積單元cbl包括一個卷積層、一個批量歸一化層和leaky?relu激活函數;

19、所述cbl模塊首先經過大小為1x1的卷積核或大小為3x3的卷積核進行卷積操作;再經過批量歸一化操作以及利用leaky?relu激活函數進行激活,最后輸出接觸網懸掛部件特征圖。

20、進一步,bifpn的具體工作原理為網絡的不同特征層p4、p5、p6、p7、p8,首先讓特征圖分別通過卷積層,然后通過全局池化層,從而獲得特征圖pin4、pin5、pin6、pin7、pin8,將pin8進行上采樣并與pin7堆疊得到ptd7;將ptd7進行上采樣并與pin6進行堆疊得到ptd6;將ptd6進行上采樣并與pin5進行堆疊得到ptd5,以此類推,獲得特征圖pout4、pout5、pout6、pout7、pout8。

21、這里以ptd7、pout7為例,具體運算如式(1.1)、(1.2)所示

22、

23、

24、其中,pin為輸入特征層,pout為輸出特征層,ptd為特征融合過程中的中間層。ωi是需要學習的權重,范圍在0到1之間,ε為微小量;resize為改變特征尺度函數,conv為卷積計算的函數。

25、本發明提供的一種基于深度學習的接觸網懸掛部件的識別方法,其通過利用改進的yolov3模型極大提升了模型的泛化性、準確性,能極大提升接觸網懸掛部件的識別準確率和識別速度。



技術特征:

1.一種基于深度學習的接觸網懸掛部件的識別方法,其特征在于包括如下步驟:

2.如權利要求1所述識別方法,其特征在于:得到預測的接觸網懸掛部件特征圖后,再利用soft-nms算法將多余檢測框去除,實現對接觸網懸掛部件的識別,而后輸出接觸網懸掛部件的特征圖。

3.如權利要求1所述識別方法,其特征在于:所述解耦合的檢測頭是將yolov3中的耦合的檢測頭,分別解耦合為class預測、object預測、bounding?box回歸預測。

4.如權利要求1所述識別方法,其特征在于:通道注意力模塊包含掩碼分支和映射分支,掩碼分支對接觸網懸掛部件特征圖按通道進行壓縮和激活,所述壓縮是對特征圖的每個通道按照全局平均池化進行壓縮,所述激活是指將通道平均值進行非線性處理,讓通道平均值輸入到sigmod激活函數,然后輸出0-1的各通道權重值。

5.如權利要求1所述識別方法,其特征在于:所述接觸網懸掛部件為定位柱和吊弦。

6.如權利要求1所述識別方法,其特征在于:darknet53網絡結構包括1個卷積結構、5個殘差結構,以及一個全連接層;所述殘差結構包含的殘差塊分別數量為1,2,8,8,4。

7.如權利要求6所述識別方法,其特征在于:所述卷積結構包含一個卷積核為3x3步長為1的卷積,一個卷積核為3x3步長為2的卷積;第一個3x3的卷積核用于增加通道數,擴大特征圖感受野;第二個步長為2的3x3卷積核,用于減少計算過程中的參數量與計算量。

8.如權利要求6所述識別方法,其特征在于:所述殘差結構包括基本卷積單元cbl、一個特征圖經過2個cbl模塊得到的特征和未經過cbl模塊的特征圖進行add操作;

9.如權利要求1所述識別方法,其特征在于:bifpn網絡包括不同特征層p4、p5、p6、p7、p8,首先讓特征圖分別通過卷積層,然后通過全局池化層,從而獲得特征圖pin4、pin5、pin6、pin7、pin8,將pin8進行上采樣并與pin7堆疊得到ptd7;將ptd7進行上采樣并與pin6進行堆疊得到ptd6;將ptd6進行上采樣并與pin5進行堆疊得到ptd5,以此類推,獲得特征圖pout4、pout5、pout6、pout7、pout8。


技術總結
本發明公開了一種基于深度學習的接觸網懸掛部件的識別方法,包括如下步驟:S1、收集相機拍攝的接觸網圖像,接觸網圖像包括一年四季不同時間段、不同天氣環境下采集的圖像;S2、在每張接觸網圖像中對不同接觸網懸掛部件進行框選,同時記錄預設信息:S3、對訓練集進行隨機旋轉、隨機裁剪、添加高斯噪聲及Mosica數據增強,獲得擴充后的訓練集;S4、將步驟S3擴充后的訓練集輸入到為改進的YOLOv3檢測模型中,對圖像特征進行解析、提取,輸出圖像中存在的目標類別,實現接觸網懸掛部件的識別。該方法極大提升了模型的泛化性、準確性,能極大提升接觸網懸掛部件的識別準確率和識別速度。

技術研發人員:王偉,郭寅,郭磊,尹仕斌,譚富林
受保護的技術使用者:易思維(杭州)科技股份有限公司
技術研發日:
技術公布日:2024/2/21
網友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1
韩国伦理电影