【技术实现步骤摘要】
一种动车组关键部位的缺陷检测方法、系统及电子设备
本专利技术涉及检验检测
，尤其涉及一种动车组关键部位的缺陷检测方法、系统及电子设备。
技术介绍
随着我国经济的发展以及城市化建设的高速发展，轨道交通也得到了迅猛发展，预计到2030年，动车组的保有量将达到5000标准组以上，居世界第一。动车组运行的速度、时间跨度以及空间跨度因素决定了对其进行安全检测的必要性和复杂性。目前，对于动车组的缺陷检测，尤其是关键部位缺陷的检测，所采用的主要的检测方法是基于传统机器学习以及基于图像的深度学习方法。其中，传统的机器学习方法是根据缺陷表面材质差异运用边缘检测、形态学、图像滤波、图像金字塔等手段手动提取局部特征，常结合支持向量机等浅层分类网络实现缺陷类别划分。在深度学习方法中，由于卷积神经网络(ConvolutionalNeuralNetwork，CNN)出色的自动提取特征能力，目前已成为特征提取的主流方法，将计算机视觉领域的图像分类、目标检测、语义分割等任务迁移到铁路场景中，完成对某些特定缺陷检测问题实现自动检测。但是...
【技术保护点】
1.一种动车组关键部位的缺陷检测方法，其特征在于，包括：/n获取由图像采集设备采集的检测图像；/n将所述检测图像输入至部件检测子模型，获取由所述部件检测子模型输出的与所述检测图像对应的关键部位类别信息以及关键部位位置图像；/n将所述关键部位位置图像输入至缺陷分类子模型，获取由所述缺陷分类子模型输出的缺陷部件的定位及缺陷类别信息；/n所述部件检测子模型和缺陷分类子模型构成多通道缺陷检测模型。/n
【技术特征摘要】
1.一种动车组关键部位的缺陷检测方法，其特征在于，包括：
获取由图像采集设备采集的检测图像；
将所述检测图像输入至部件检测子模型，获取由所述部件检测子模型输出的与所述检测图像对应的关键部位类别信息以及关键部位位置图像；
将所述关键部位位置图像输入至缺陷分类子模型，获取由所述缺陷分类子模型输出的缺陷部件的定位及缺陷类别信息；
所述部件检测子模型和缺陷分类子模型构成多通道缺陷检测模型。
2.根据权利要求1所述的动车组关键部位的缺陷检测方法，其特征在于，所述部件检测子模型是基于FasterR-CNN模型，并对所述FasterR-CNN模型中的特征提取网络单元以及区域推荐网络单元进行训练后获取的；
所述特征提取网络单元是基于ResNet-50网络建立的；
所述区域推荐网络单元包括Anchor分类器及第一目标框回归器、ROI池化子单元和部件分类器及第二目标框回归器子单元；
所述将所述检测图像输入至部件检测子模型，获取由所述部件检测子模型输出的与所述检测图像对应的关键部位类别信息及关键部位位置图像，包括：
将所述检测图像输入至所述ResNet-50网络，获取由所述ResNet-50网络输出的四倍下采样特征图像；
将所述四倍下采样特征图像输入至所述Anchor分类器及第一目标框回归器，获取由所述Anchor分类器及第一目标框回归器输出的包含有关键部位信息的推荐区域图像；
利用所述ROI池化子单元对所述推荐区域图像特征图进行ROI池化处理后，输入至所述部件分类器及第二目标框回归器，并获取由所述部件分类器及第二目标框回归器输出的所述关键部位类别信息及关键部位位置图像。
3.根据权利要求1所述的动车组关键部位的缺陷检测方法，其特征在于，在所述获取有检测设备采集的检测图像之前，还包括：
获取各种类型的检测样本图像，并将所述检测样本图像保存至检测样本图像集，其中，每个所述检测样本图像标记有对应的第一标签；
基于深度学习技术，利用所述检测样本图像集对FasterR-CNN模型进行初始化训练，获取所述部件检测子模型；
将关键部位位置样本图像保存至样本信息图像集，其中每个所述关键部位位置样本图像标记有对应的第二标签；所述关键部位位置样本图像是将所述检测样本图像输入至所述部件检测子模型中获取的；
基于深度学习技术，利用所述关键部位位置样本图像对FasterR-CNN模型进行初始化训练，获取所述缺陷分类子模型。
4.根据权利要求1所述的动车组关键部位的缺陷检测方法，其特征在于，在所述将所述关键部位位置图像输入至缺陷分类子模型之前，还包括：
基于SRGAN及RAISR超分辨率算法，对所述关键部位位置图像进行图像超分辨率重建。
5.根据权利要求1所述的动车组关键部位的缺陷检测方法，其特征在于，在获取由所...
【专利技术属性】
技术研发人员：赵冰，王同军，李平，朱建生，马小宁，代明睿，郑金子，栾中，徐贵红，吴艳华，曹鸿飞，
申请(专利权)人：中国铁道科学研究院集团有限公司，中国铁道科学研究院集团有限公司电子计算技术研究所，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。