高速铁路定位器螺栓备母缺陷的检测方法技术

本发明专利技术提供了一种高速铁路定位器螺栓备母缺陷的检测方法。该方法包括：构建改进的YOLOv3模型框架，调整YOLOv3模型框架的检测尺度，获取高速铁路定位器螺栓备母的图像数据集，对图像数据集进行扩充处理；将扩充处理的图像数据集输入到改进的YOLOv3模型框架中，得到分割了定位器区域的图像数据；用基于Retinanet模型的目标检测算法对分割了定位器区域的图像数据进行定位器螺栓备母缺陷检测，得到定位器螺栓备母缺陷的状态种类。本发明专利技术将改进的YOLOv3算法应用到定位器检测中，针对数据图像中定位器区域所占比重情况，修剪算法分支，可实现对于定位器螺栓备母缺陷的检测和识别，降低了专业要求，增加了工程应用性。

【技术实现步骤摘要】
高速铁路定位器螺栓备母缺陷的检测方法
本专利技术涉及机械零部件故障诊断
，尤其涉及一种高速铁路定位器螺栓备母缺陷的检测方法。
技术介绍
高速列车行驶过程中的快速和振动造成接触网的定位器螺栓备母部件容易损坏甚至丢失。目前，定位器螺栓备母部件的检测手段主要是由人工目测读取大量采集回来的图像数据。然而，随着高速电气化铁路的大规模建设，人工目视检测照片存在着图片数量巨大、检测效率低下等问题。且轨道检测车挂载的不同相机通常在夜间以不同的角度拍摄，拍摄图像角度各种各样且缺陷目标较小，在人工检测时由于视觉疲劳往往容易出现漏检、误检的情况。因此，随着人工智能机器学习时代的到来，通过深度学习目标检测算法实现定位器螺栓备母缺陷的自动检测，对于提高定位器检测的准确度和效率是一种潜在的趋势并且有着重要的意义。近年来随着数字图像处理技术的发展，一些研究人员提出基于传统计算机视觉图像检测手段，虽然在一定程度上可以检测出定位器螺栓备母部件的外观缺陷，但是传统算法受到样本差异和周围环境的制约，在精度和速度上并不能达到理想要求。
技术实现思路
本专利技术的实施例提供了一种高速铁路定位器螺栓备母缺陷的检测方法，以克服现有技术的问题。为了实现上述目的，本专利技术采取了如下技术方案。一种高速铁路定位器螺栓备母缺陷的检测方法，构建改进的YOLOv3模型框架，调整YOLOv3模型框架的检测尺度，所述方法具体包括：获取高速铁路定位器螺栓备母的图像数据集，对图像数据集进行扩充处理；将扩充处理的图像数据集输入到改进的YOLOv3模型框架中，得到分割了定位器区域的图像数据；用基于Retinanet模型的目标检测算法对分割了定位器区域的图像数据进行定位器螺栓备母缺陷检测，得到定位器螺栓备母缺陷的状态种类。优选地，所述的获取高速铁路定位器螺栓备母的图像数据集，对图像数据集进行扩充处理，包括：在高速铁路天窗期，利用高速综合检测车在高速铁路上滑动对铁路线路进行拍照，获取高速铁路定位器螺栓备母的图像数据集，对所述图像数据集进行扩充处理，该扩充处理包括图片旋转、图片缩放、图片分辨率调节、添加噪音和图像模糊方式中的至少一项，将扩充后的图像数据集按照适当比例划分为训练集、验证集和测试集。优选地，所述的构建改进的YOLOv3模型框架，调整YOLOv3模型框架的检测尺度，包括：构建改进的YOLOv3模型框架，该改进的YOLOv3模型框架包括26x26和13x13两个特征层，每个特征层的预设边界框尺寸根据COCO数据集聚类得到，anchor先验锚框为6个，利用特征融合技术将包含不同信息的不同尺度层卷积神经网络的特征图进行融合，使用Darknet53网络作为图像特征提取网络，利用所述训练集中的图像数据训练所述Darknet53网络。用图像标注软件对所述训练集的图像数据进行定位器螺栓备母缺陷的标注，得到包含缺陷区域框的图像数据，采用k-means聚类算法对包含缺陷区域框的图像数据进行聚类，设置不同的k值，统计对应的误差平方和误差平方和的值，找到最优的k值，得到对应的k个聚类中心，将k个聚类中心作为改进的YOLOv3模型框架的初始候选框参数，写入改进的YOLOv3模型框架的配置文件，得到训练好的改进的YOLOv3模型框架。优选地，所述的将扩充处理的图像数据集输入到改进的YOLOv3模型框架中，得到分割了定位器区域的图像数据，包括：将所述测试集中的图像数据输入到训练好的改进的YOLOv3模型框架中，YOLOv3模型框架初始的输出结果为带有预测框的定位器数据图片，再利用python基础算法提取预测框区域，并且放大定位器区域，得到分割了定位器区域的图像数据。优选地，所述的用基于Retinanet模型的目标检测算法对分割了定位器区域的图像数据进行定位器螺栓备母缺陷检测，得到定位器螺栓备母缺陷的状态种类，包括：将所述改进的YOLOv3算法输出的分割了定位器区域的图像数据集分成训练集、验证集和测试集，利用训练集和测试集中的图像数据，对现有的Retinanet算法进行训练，将训练好的Retinanet算法模型进行保存；用训练好的Retinanet算法模型的现有目标检测算法对分割了定位器区域的图像数据进行定位器螺栓备母缺陷检测，Retinanet算法模型输出带有预测框的定位器数据图片，同时利用预测框的四个坐标点位置将预测框还原到原始数据图像上，计算出原始数据图像上的还原的预测框与原标记框的交叠率IOUresult，设定IOUresult的阈值为0.5，当IOUresult>0.5认为检测到缺陷目标，判断定位器螺栓备母缺陷的状态为破损或者缺失，为负样本；当IOUresult≤0.5认为没有检测到缺陷目标，判断定位器螺栓备母缺陷的状态为正常，为正样本。优选地，所述的方法还包括：根据图像数据的定位器螺栓备母缺陷的检测结果和图像数据对应的铁路线路的定位器螺栓备母缺陷的实际状况得出预测框的类型为真正例TP、假正例FP、真反例TN或者假反例FN，根据所述真正例TP，假正例FP，真反例TN或者假反例的数据计算出所述Retinanet算法模型的性能评估指标：P准确率、R召回率、AP精度均值和mAP平均精度均值的值，根据性能评估指标：P准确率、R召回率、AP精度均值和mAP平均精度均值的值调整所述Retinanet算法模型的参数。由上述本专利技术的实施例提供的技术方案可以看出，本专利技术实施例将改进的YOLOv3算法应用到定位器检测中，针对数据图像中定位器区域所占比重情况，修剪算法分支，可实现对于定位器螺栓备母缺陷的检测和识别，降低了专业要求，增加了工程应用性。本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种高速铁路定位器螺栓备母缺陷的检测方法的处理流程图；图2为本专利技术实施例提供的一种改进的YOLOv3模型框架示意图；图3为本专利技术实施例提供的一种定位器缺陷数据的示意图；图4为本专利技术实施例提供的一种定位器区域提取前后的图像数据对比示意图；图5为本专利技术实施例提供的一种部分原始数据示意图；图6为本专利技术实施例提供的一种部分定位器螺栓备母缺陷检测结果图。具体实施方式下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”本文档来自技高网...

【技术保护点】
1.一种高速铁路定位器螺栓备母缺陷的检测方法，其特征在于，构建改进的YOLOv3模型框架，调整YOLOv3模型框架的检测尺度，所述方法具体包括：/n获取高速铁路定位器螺栓备母的图像数据集，对图像数据集进行扩充处理；/n将扩充处理的图像数据集输入到改进的YOLOv3模型框架中，得到分割了定位器区域的图像数据；/n用基于Retinanet模型的目标检测算法对分割了定位器区域的图像数据进行定位器螺栓备母缺陷检测，得到定位器螺栓备母缺陷的状态种类。/n

【技术特征摘要】
1.一种高速铁路定位器螺栓备母缺陷的检测方法，其特征在于，构建改进的YOLOv3模型框架，调整YOLOv3模型框架的检测尺度，所述方法具体包括：
获取高速铁路定位器螺栓备母的图像数据集，对图像数据集进行扩充处理；
将扩充处理的图像数据集输入到改进的YOLOv3模型框架中，得到分割了定位器区域的图像数据；
用基于Retinanet模型的目标检测算法对分割了定位器区域的图像数据进行定位器螺栓备母缺陷检测，得到定位器螺栓备母缺陷的状态种类。


2.根据权利要求1所述的方法，其特征在于，所述的获取高速铁路定位器螺栓备母的图像数据集，对图像数据集进行扩充处理，包括：
在高速铁路天窗期，利用高速综合检测车在高速铁路上滑动对铁路线路进行拍照，获取高速铁路定位器螺栓备母的图像数据集，对所述图像数据集进行扩充处理，该扩充处理包括图片旋转、图片缩放、图片分辨率调节、添加噪音和图像模糊方式中的至少一项，将扩充后的图像数据集按照适当比例划分为训练集、验证集和测试集。


3.根据权利要求2所述的方法，其特征在于，所述的构建改进的YOLOv3模型框架，调整YOLOv3模型框架的检测尺度，包括：
构建改进的YOLOv3模型框架，该改进的YOLOv3模型框架包括26x26和13x13两个特征层，每个特征层的预设边界框尺寸根据COCO数据集聚类得到，anchor先验锚框为6个，利用特征融合技术将包含不同信息的不同尺度层卷积神经网络的特征图进行融合，使用Darknet53网络作为图像特征提取网络，利用所述训练集中的图像数据训练所述Darknet53网络。
用图像标注软件对所述训练集的图像数据进行定位器螺栓备母缺陷的标注，得到包含缺陷区域框的图像数据，采用k-means聚类算法对包含缺陷区域框的图像数据进行聚类，设置不同的k值，统计对应的误差平方和误差平方和的值，找到最优的k值，得到对应的k个聚类中心，将k个聚类中心作为改进的YOLOv3模型框架的初始候选框参数，写入改进的YOLOv3模型框架的配置文件，得到训练好的改进的YOLOv3模型框架。


4.根据权利要求3所述的方法，...

【专利技术属性】
技术研发人员：秦勇，崔京，王志鹏，于重重，吴云鹏，刘嘉豪，李齐贤，陈平，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11