深度学习辅助的地铁车体方孔锁偏转角度计算方法技术

基于深度学习辅助的地铁车体方孔锁偏转角度计算方法，其特征在于，包括以下步骤：S1：使用YOLOV4算法对采集的高分辨率图像采用级联式的检测方法提取方孔锁图像；S2：使用Mask R

【技术实现步骤摘要】
深度学习辅助的地铁车体方孔锁偏转角度计算方法


[0001]本专利技术涉及方孔锁偏转角度计算领域，尤其涉及一种深度学习辅助的地铁车体方孔锁偏转角度计算方法。

技术介绍

[0002]方孔锁是保护地铁设备和车辆安全运行的重要屏障，由于列车在运行中不断的震动会造成方孔锁锁芯产生偏转，严重会影响车辆的运行安全。传统的外观异常检测是通过人工排查的方式，这种方式完全靠眼睛进行异常检测，虽然检测的正确率高但是劣势也是非常明显的。如每天列车的出行量大，不能全方位的对车辆进行检测，并且完成一趟车的检测时间长，长时间容易视觉疲劳，造成误判率提高，受主观因素的影响较大。相比之下，机检异常检测能够很好的弥补人检的劣势，提高车辆的出行效率。

技术实现思路

[0003]本专利技术为了解决现有技术存在的问题，公开了一种深度学习辅助的地铁车体方孔锁偏转角度计算方法，具体包括以下步骤：
[0004]S1：使用YOLOV4目标检测算法对采集的高分辨率图像采用级联式的检测方法提取方孔锁图像。
[0005]S2：使用Mask R
‑
CNN实例分割算法对方孔锁分割，获取方孔锁关键部位的mask区域和定位框信息；
[0006]S3：利用方孔锁分割结果的关键部位信息，结合几何学知识获取部位关键点，进而计算出方孔锁的偏转角度；
[0007]所述使用YOLOV4目标检测算法对采集的完整高分辨率图像采用级联式的检测方法提取方孔锁图像，包括以下步骤：
[0008]a、使用YOLOV4检测算法对高分辨率图像进行转向架进行检测，
[0009]利用转向架定位信息，将高分辨率图像裁剪为5部分，降低图像分辨率，对于每部分的图像记为中分辨率图像；
[0010]b、使用YOLOV4目标检测算法对中分辨率图像进行箱体检测，利用箱体的定位信息，提取箱体图像；
[0011]c、使用YOLOV4目标检测算法对箱体图像进行方孔锁检测，利用方孔锁的定位信息，提取方孔锁图像；
[0012]所述使用Mask R
‑
CNN实例分割算法对方孔锁分割，获取方孔锁关键部位的mask区域和定位框信息，包括以下步骤：
[0013]a、将方孔锁的关键部位进行标记，记为label1、label2、label3；
[0014]b、使用Mask R
‑
CNN实例分割算法对方孔锁分割，获取label1、label2、label3的mask区域和定位框信息；
[0015]所述利用分割结果的关键部位信息，结合几何学知识获取部位关键点，进而计算
出方孔锁的偏转角度，包括以下步骤：a、laleb1的关键点P1获取；
[0016]b、laleb2的关键点P2获取；
[0017]c、laleb3的关键点P3获取；
[0018]d、利用label1、label2、label3的关键点信息计算出方孔锁的偏转角度；
[0019]本专利技术提供的一种深度学习辅助的地铁车体方孔锁偏转角度计算方法，该方法具有如下有益效果：本专利技术直接利用深度学习和图像处理技术实现车体方孔锁偏转角度计算，可以给出客观、准确的检测分析结果，避免了传统人工检测方法的缺陷；
附图说明
[0020]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请中记载的一些实施例，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。
[0021]图1为本专利技术方法的流程图；
[0022]图2为本专利技术的方孔锁关键部位的标签区域和mask区域；
[0023]图3为本专利技术的方孔锁偏转角度计算流程图；(a)为Mask R
‑
CNN分割结果，(b)label1二值图，(c)label1多边形拟合顶点，(d)聚类中心，(e)直线切割示意图，(f)直线筛选结果，(g)关键点，(h)偏转夹角；
[0024]图4为本专利技术的方孔锁偏转角度计算结果图；
[0025]图5为本专利技术的流程图。
具体实施方式
[0026]为使本专利技术实施例的目的、技术方案和优点更加清楚，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前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0027]本专利技术的深度学习辅助的地铁车体方孔锁偏转角度计算方法如图1所示，按照如下步骤进行：
[0028]a、:使用YOLOV4目标检测算法对采集的高分辨率图像采用级联式的检测方法提取方孔锁图像，具体步骤如下：
[0029]a.1、对高分辨率图像中的转向架进行定位标记，构造转向架目标检测的训练样本集，使用YOLOV4目标检测算法对转向架进行训练，利用训练完成的转向架目标检测权重对高分辨率图像中的转向架进行检测，利用转向架定位信息，将高分辨率图像裁剪为5部分降低图像分辨率，对于每部分的图像记为中分辨率图像；
[0030]a.2、对步骤a.1获取的中分辨率图像中的箱体进行定位标记，构造箱体目标检测的训练样本集，使用YOLOV4目标检测算法对箱体进行训练，利用训练完成的箱体目标检测权重对中分辨率图像中的箱体进行检测，利用箱体的定位信息，获得箱体图像；
[0031]a.3、对步骤a.2获取的箱体对方孔锁进行定位标记，构造方孔锁目标检测的训练样本集，使用YOLOV4目标检测算法对方孔锁进行训练，利用训练完成的方孔锁目标检测权
重对箱体上的方孔锁进行检测，利用方孔锁的定位信息，获取方孔锁图像；
[0032]b.使用Mask R
‑
CNN实例分割算法对方孔锁分割，获取方孔锁关键部位的mask区域和定位框信息，包括以下步骤：
[0033]b.1、将方孔锁的关键部位进行标记，记为label1、label2、label3，构造为语义分割训练数据集，标记结果如图2所示，图2(a)为关键部位的定位框信息，图2(b)为关键部位的mask区域。
[0034]b.2、使用b.1中训练的语义分割模型对方孔锁分割，获取label1、label2、label3的mask区域和定位框信息，结果图如图3(a)所示c、利用步骤b.2分割结果的关键部位信息，结合几何学知识获取部位关键点，进而计算出方孔锁的偏转角度，包括以下步骤：
[0035]c.1、将label1的mask区域映射到二值图，如图3(b)所示，获取mask区域的轮廓坐标，先采用多边形拟合算法对轮廓曲线进行拟合，拟合后的角点坐标如图3(c)所示，然后采用K
‑
means聚类算法对拟合后的坐标聚类，精准获取label1的4个角点信息，聚类结果如图3(d)所示，计算出四个角点的重心作为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习辅助的地铁车体方孔锁偏转角度计算方法，其特征在于，包括以下步骤：S1：使用YOLOV4算法对采集的高分辨率图像采用级联式的检测方法提取方孔锁图像；S2：使用Mask R
‑
CNN实例分割算法对方孔锁分割，获取方孔锁关键部位的mask区域和定位框信息；S3：利用分割结果的关键部位信息，结合几何学知识获取部位关键点，进而计算出方孔锁的偏转角度。2.根据权利要求1所述的基于深度学习辅助的地铁车体方孔锁偏转角度计算方法，其特征在于：所述使用YOLOV4目标检测算法对采集的完整图像采用级联式的检测方法提取方孔锁图像。3.根据权利要求2所述的基于深度学习辅助的地铁车体方孔锁偏转角度计算方法，其特征在于：包括以下步骤：使用YOLOV4检测算法对高分辨率图像进行转向架进行检测，利用转向架定位信息，将高分辨率图像分裁剪为5部分，降低图像分辨率，对于每部分的图像记为中分辨率图像；使用YOLOV4目标检测算法对中分辨率图像进行箱体检测，利用箱体的定位信息，提取箱体图像；使用YOLOV4目标检测算法对箱体图像进行方孔锁检测，利用方孔锁的定位信息，提取方孔锁图像...

【专利技术属性】
技术研发人员：刘书宁，刘书东，苑智玮，李宁宁，李正倩，陈兴来，赫一光，刘广波，王大伟，王海林，
申请(专利权)人：辽宁鼎汉奇辉电子系统工程有限公司，
类型：发明
国别省市：