基于深度学习的地铁受电弓碳滑板剩余使用量测量方法技术

基于深度学习的地铁受电弓碳滑板剩余使用量测量方法，涉及地铁车辆检测技术技术领域。本发明专利技术是为了解决现有采用人工对地铁受电弓碳滑板磨耗测量的方法，测量误差大，且需要再地铁停靠时才能够实现的问题。本发明专利技术用相机采集地铁受电弓图像，对受电弓图像进行数据预处理构建目标识别数据集，训练一个卷积神经网络。通过该卷积神经网络对图像中的碳滑板进行定位，并裁切出子图。对裁切出的碳滑板子图进行数据标注构建语义分割数据集，训练另一个卷积神经网络。通过该卷积神经网络对碳滑板的截面进行语义分割，获得分割结果。参照分割结果计算得到磨耗最低点和碳滑板底边缘直线方程，求得的点到直线的垂直距离即为受电弓碳滑板的剩余使用量。的剩余使用量。的剩余使用量。

【技术实现步骤摘要】
基于深度学习的地铁受电弓碳滑板剩余使用量测量方法


[0001]本专利技术属于地铁车辆检测
，尤其涉及地铁受电弓碳滑板剩余量的检测。

技术介绍

[0002]地铁是一种重要的城市轨道交通工具，地铁在运行时电流从受电弓进入电机牵引车辆运行，而受电弓上的碳滑板是地铁车辆取流的关键部件。随着地铁的长时间运行，受电弓碳滑板的磨耗问题日益突出，过度磨耗与不均匀磨耗均会缩短碳滑板的使用寿命，甚至引起其他严重后果。
[0003]目前地铁受电弓磨耗后的剩余使用量均是以人工测量方式为主，但是人工测量存在误差较大，且在这种测量方式下，地铁必须处于停靠状态才能进行人工检车。

技术实现思路

[0004]本专利技术是为了解决现有采用人工对地铁受电弓碳滑板磨耗测量的方法，测量误差大，且需要再地铁停靠时才能够实现的问题，现提供基于深度学习的地铁受电弓碳滑板剩余使用量测量方法。
[0005]基于深度学习的地铁受电弓碳滑板剩余使用量测量方法，具体为：采集被测车辆受电弓位置的被测图像，且该图像中包含有碳滑板，利用训练好的目标检测网络模型对被测图像的碳滑板部分进行标记，将被标记出的部分截取出来作为碳滑板子图，利用训练好的语义分割网络模型将碳滑板子图中的碳滑板截面与背景进行分割，获得碳滑板截面点集，将碳滑板截面点集中位于碳滑板截面下边缘的点进行拟合获得下边缘线，分别测量碳滑板截面点集中位于碳滑板截面上边缘的点至下边缘线之间的距离，将最短的距离作为碳滑板剩余使用厚度。
[0006]进一步的，上述目标检测网络模型为Cascade R
‑
CNN卷积神经网络模型。
[0007]进一步的，上述Cascade R
‑
CNN卷积神经网络模型的骨干网络采用含有4组残差单元的ResNet50来提取被测图像中碳滑板部分的特征。
[0008]进一步的，上述4组残差单元的输出维度由浅到深依次为256、512、1025、2048。
[0009]进一步的，上述语义分割网络模型为DeeplabV3+模型。
[0010]进一步的，上述DeeplabV3+模型采用ResNet50作为骨干网络来提取碳滑板子图中碳滑板截面部分的特征，利用辅助训练头计算ResNet50的第三组残差单元的输出损失，并将该损失施加到解码头中，利用解码头计算ResNet50的第四组残差单元的输出损失，并将该损失反馈到DeeplabV3+模型中。
[0011]进一步的，上述辅助训练头的损失函数为交叉熵损失函数。
[0012]进一步的，在对被测图像的碳滑板部分进行标记后，需要判断标记框和螺栓之间的交并比是否大于0，是则去掉标记框和螺栓交集的部分，然后将剩余的标记框作为目标检测网络模型的输出，否则将标记框作为目标检测网络模型的输出。
[0013]进一步的，在采集到被测图像之后，需要对被测图像进行旋转，使得受电弓碳滑板
呈水平状态。
[0014]进一步的，在采集到被测图像之后，需要对被测图像进行调整处理，以消除被测图像中的外界影响，所述调整处理包括亮度调整、直方图均衡化和图像缩放处理中的一种或多种。
[0015]本专利技术包括以下有益效果：
[0016](1)、利用深度学习方法自动计算受电弓碳滑板剩余使用量，减少检车人员工作量。
[0017](2)、通过目标检测网络模型对不同相机中的受电弓碳滑板进行定位，方便后续剩余使用量测量及工作人员检修。
[0018](3)、通过语义分割网络模型对碳滑板截面进行分割，进而计算剩余使用量及预估使用时间。
[0019](4)、本专利技术通过多目标位置关系对目标检测网络模型的预测结果进行后处理，极大程度消除了误检测对后续计算的影响。
[0020](5)、本专利技术在语义分割网络模型的骨干网络中添加辅助训练头，加快模型收敛速度，提高分割精度。
附图说明
[0021]图1为基于深度学习的地铁受电弓碳滑板剩余使用量测量方法的整体流程图；
[0022]图2为用辅助训练头改进的骨干网络结构示意图。
具体实施方式
[0023]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，都属于本专利技术保护的范围。需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0024]具体实施方式一：参照图1具体说明本实施方式，本实施方式所述的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法，包括以下步骤：
[0025]训练部分：
[0026]用8台依次编号的可见光相机对地铁受电弓进行拍摄采集相应位置的碳滑板高清图像，受电弓左测放置1
‑
4号相机、右侧放置5
‑
8号相机，一次生成8张碳滑板图像存入数据库供后续模型使用，从而建立第一原始数据集。
[0027]利用第一原始数据集作为训练数据集对目标检测网络模型进行训练。
[0028]虽然每个相机固定拍摄特定位置的碳滑板，但是图像中仍会包含部分其他位置的碳滑板，这部分碳滑板会产生大量的误检测结果。本实施方式通过以下方式消除误检：
[0029]A、目标检测网络模型除了对碳滑板进行标注，还会对电缆螺栓进行定位，1
‑
4号相机中目标碳滑板位置一定在螺栓的右侧，4
‑
8号相机中目标碳滑板位置一定在螺栓左侧，而其他位置的碳滑板则被判定为误检测并进行删除。
[0030]B、高于螺栓位置阈值的碳滑板检测结果被判定为误检测并进行删除。
[0031]将检测的结果从图中直接截取出来，截取出的部分即为要测量剩余使用量的碳滑板子图。对碳滑板子图进行语义分割标注，标注后产生标签文件，每一个标签文件对应一张碳滑板子图，标签文件包含该子图中背景位置和碳滑板截面位置，构成第二原始数据集。
[0032]利用第二原始数据集作为训练数据集对语义分割网络模型进行训练。
[0033]检测部分：
[0034]采集被测车辆受电弓位置的被测图像，且该图像中包含有碳滑板。
[0035]利用训练好的目标检测网络模型对被测图像的碳滑板部分进行标记。
[0036]将检测的结果从图中直接截取出来，截取出的部分即为要测量剩余使用量的碳滑板子图。
[0037]对碳滑板子图进行语义分割标注，图像和标签文件(标注后只会产生标签文件，每一个标签文件对应一张碳滑板子图，标签文件包含该子图中背景位置和碳滑板截面位置。图像文件仍是碳滑板子图，没有变化。)
[0038]利用训练好的语义分割网络模型将碳滑板子图中的碳滑板截面与背景进行分割，获得碳滑板截面点集。
[0039]将碳滑板截面点集中位于碳滑板截面下边缘的点进行拟合获得下边缘线，分别测量碳滑板截面点集中位于碳滑板截本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的地铁受电弓碳滑板剩余使用量测量方法，其特征在于，采集被测车辆受电弓位置的被测图像，且该图像中包含有碳滑板，利用训练好的目标检测网络模型对被测图像的碳滑板部分进行标记，将被标记出的部分截取出来作为碳滑板子图，利用训练好的语义分割网络模型将碳滑板子图中的碳滑板截面与背景进行分割，获得碳滑板截面点集，将碳滑板截面点集中位于碳滑板截面下边缘的点进行拟合获得下边缘线，分别测量碳滑板截面点集中位于碳滑板截面上边缘的点至下边缘线之间的距离，将最短的距离作为碳滑板剩余使用厚度。2.根据权利要求1的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法，其特征在于，目标检测网络模型为Cascade R
‑
CNN卷积神经网络模型。3.根据权利要求2的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法，其特征在于，Cascade R
‑
CNN卷积神经网络模型的骨干网络采用含有4组残差单元的ResNet50来提取被测图像中碳滑板部分的特征。4.根据权利要求3的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法，其特征在于，4组残差单元的输出维度由浅到深依次为256、512、1025、2048。5.根据权利要求1的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法，其特征在于，语义分割网络模型为DeeplabV3+模型。6.根据权利要求5...

【专利技术属性】
技术研发人员：李哲林，
申请(专利权)人：哈尔滨市科佳通用机电股份有限公司，
类型：发明
国别省市：