【技术实现步骤摘要】
一种基于YOLOV3算法的铁轨弹条检测方法
本专利技术属于图像目标检测领域,更具体地,涉及一种基于YOLOV3算法的铁轨弹条检测方法。
技术介绍
铁路钢轨是支撑机车和机车方向的部件,钢轨是通过弹性扣件固定在道床的轨枕上。弹性扣件的扣压件主要是弹条,它通过弹条的弯曲和扭曲变形,产生扣压力作用在轨道上,长期有效地保证钢轨之间的可靠连接,尽可能保持轨道的整体性,阻止钢轨相对于轨枕的纵横向移动,确保轨距正常,从而保证轨道车辆行驶安全。铁轨弹条虽是一个小器件,但是它是轨道上一个重要的零件,因它的需求量大,每公里大约7000件,其可靠性直接关系到行车的安全,因此需要对其状态进行实时监测,预防事故发生,保证轨道的稳定性与可靠性。对于视频监控图像下的弹条检测技术,由于弹条目标在图像中所占据的图像区间较小,且颜色偏黑,与铁轨其余部件无明显区分。对于一张视频监控图像,单个弹条目标所占据的区间小,且需要检测约十几个弹条。由于待检测的目标处于复杂的室外环境,光照,雨水等室外条件影响因素一直是目标检测中的难点,故基于视频监控图像的弹条检测需要先通过深度学习网络学习弹条的特征,再基于深度学习网络进行检测。当前国内外对铁轨弹条目标检测的方法主要是利用电磁感应和超声波技术,少部分会依靠图像处理技术。目前,铁轨弹条检测方法主要不足主要包括:(1)已有设计的铁路轨道检测系统已经实现了对部分种类的弹条自动识别,但能够检测的弹条种类少,无法满足实际列车安全运行检测的要求。(2)已有的检测技术,其检测的准确率对光照条件 ...
【技术保护点】
1.一种基于YOLOV3算法的铁轨弹条检测方法,其特征在于,包括如下步骤:/nS1:针对任一个检测点,在需要检测的铁轨一侧的固定位置设置摄像头,将摄像头的监控范围对准目标检测位置,实时拍摄目标检测位置处的铁轨弹条图像;/nS2:采集样本图片,并对样本图像进行扩增,标注每一个样本图像中弹条的真实检测框和弹条的类别,所述的类别包括完整和缺失;将带标注的样本图像作为训练集;/nS3:建立YOLOV3模型,利用步骤S2获得的训练集对模型进行训练,得到训练好的弹条检测模型;/n所述的YOLOV3模型包括网络输入层、Darknet-53网络和多尺度预测层;将样本图像作为网络输入层的输入,得到统一尺寸的样本图像;利用统一尺寸的样本图像对Darknet-53网络进行训练,输出该样本图像的特征图;最后通过多尺度预测层对特征图采用三种尺度标注预测框,与真实预测框进行对比,输出预测框及置信度;/nS4:通过摄像头实时采集每一个检测点处的铁轨弹条视频,从对应当前时刻的视频中等间隔提取m帧作为当前时刻的待检测图像,将待检测图像作为步骤S3得到的训练好的弹条检测模型的输入,得到检测结果,所述的检测结果包括弹条的类 ...
【技术特征摘要】
1.一种基于YOLOV3算法的铁轨弹条检测方法,其特征在于,包括如下步骤:
S1:针对任一个检测点,在需要检测的铁轨一侧的固定位置设置摄像头,将摄像头的监控范围对准目标检测位置,实时拍摄目标检测位置处的铁轨弹条图像;
S2:采集样本图片,并对样本图像进行扩增,标注每一个样本图像中弹条的真实检测框和弹条的类别,所述的类别包括完整和缺失;将带标注的样本图像作为训练集;
S3:建立YOLOV3模型,利用步骤S2获得的训练集对模型进行训练,得到训练好的弹条检测模型;
所述的YOLOV3模型包括网络输入层、Darknet-53网络和多尺度预测层;将样本图像作为网络输入层的输入,得到统一尺寸的样本图像;利用统一尺寸的样本图像对Darknet-53网络进行训练,输出该样本图像的特征图;最后通过多尺度预测层对特征图采用三种尺度标注预测框,与真实预测框进行对比,输出预测框及置信度;
S4:通过摄像头实时采集每一个检测点处的铁轨弹条视频,从对应当前时刻的视频中等间隔提取m帧作为当前时刻的待检测图像,将待检测图像作为步骤S3得到的训练好的弹条检测模型的输入,得到检测结果,所述的检测结果包括弹条的类别和置信度;
S5:将当前时刻的m帧图像对应的检测结果取均值作为最终检测结果输出;
S6:重复步骤S4至步骤S5,执行下一时刻的铁轨弹条检测,实现铁轨弹条的实时检测。
2.根据权利要求1所述的基于YOLOV3算法的铁轨弹条检测方法,其特征在于,步骤S2中对样本图像进行扩增的方法包括:
2.1)随机剪裁:随机裁掉原始图像中的四角、中心或者上下部分,将裁剪后的图像作为新增样本图;
2.2)镜像翻转:对原始图像进行镜像翻转,将翻转后的图像作为新增样本图;
2.3)随机调节图像参数:随机调节原始图像的亮度、对比度,将调节后的图像作为新增样本图。
3.根据权利要求1所述的基于YOLOV3算法的铁轨弹条检测方法,其特征在于,步骤S2所述的真实检测框利用目标左上和右下两个点的坐标信息表示。
4.根据权利要求1所述的基于YOLOV3算法的铁轨弹条检测方法,其特征在于,所述的YOLOV3模型中的网络输入层将输入图像的尺寸大小调整为32的整倍数,优选为256x256。
5.根据权利要求4所述的基于YOLOV3算法的铁轨弹条检测方法,其特征在于,所述的YOLOV3模型中的Darknet-53对输入图像的处理过程为:
a)针对尺寸为256x256输入图像,首先经过一个3x3x32的卷积层输出256x256x32;
b)接着经过一个3x3x64,stride=2的卷积层输出为128x128x64;
c)经过一个残差块,输出为128x128x64;
d)过一个3x3x128,stride=2的卷积层输出为64x64x12...
【专利技术属性】
技术研发人员:厉小润,张楠,何钢迪,王森荣,王晶,林超,许国平,王建军,朱彬,鄢祖建,
申请(专利权)人:浙江大学,中铁第四勘察设计院集团有限公司,
类型:发明
国别省市:浙江;33
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。