基于深度学习的城轨车底防松脱铁丝断裂检测方法及装置制造方法及图纸

本发明专利技术一个或多个实施例提供一种基于深度学习的城轨车底防松脱铁丝断裂检测方法及装置，包括：将待检测数据输入预训练后的第一检测模型进行初步的防松脱铁丝断裂检测，输出第一检测结果；判断所述第一检测结果是否满足预设条件，获取判断结果；根据所述判断结果将应用预训练后的第二检测模型对所述待检测数据进行精细检测的第二检测结果或所述第一检测结果作为最终检测结果。本发明专利技术能够极大地减少人工成本，提高防松脱铁丝断裂检出率。提高防松脱铁丝断裂检出率。提高防松脱铁丝断裂检出率。

【技术实现步骤摘要】
基于深度学习的城轨车底防松脱铁丝断裂检测方法及装置


[0001]本专利技术属于一种故障检测
，具体是涉及到一种基于深度学习的城轨车底防松脱铁丝断裂检测方法及装置。

技术介绍

[0002]在城轨的检修领域，目前还没有基于深度学习的防松脱铁丝断裂的检测的相关研究，因此该专利技术将会填补这一方面的技术以及实际应用的空白。近年来，深度学习逐渐成为人工智能领域的研究热点和主流发展方向。深度学习是由多个处理层组成的计算模型，学习具有多个抽象层次的数据表示的机器学习技术。深度学习代表了机器学习和人工智能研究的主要发展方向，给机器学习和计算机视觉等领域带来了革命性的进步。
[0003]目前，对车底的防松脱铁丝的判断，都是基于检修工的人工检测，由于人工的长时间作业，会使得检修人注意力下降，这使得判断结果会带来很大的主观性，由于各类异常情况，会造成漏报、误报，这对机车的安全性会带来很大的隐患，同时人工检测费时费力，对于人工的成本也有很大的消耗。

技术实现思路

[0004]本专利技术要解决的技术问题是提供一种基于深度学习的城轨车底防松脱铁丝断裂检测方法及装置，以解决人工检测费时费力的问题。
[0005]基于上述目的，本专利技术一个或多个实施例提供了一种基于深度学习的城轨车底防松脱铁丝断裂检测方法，包括：将待检测数据输入预训练后的第一检测模型进行初步的防松脱铁丝断裂检测，输出第一检测结果；判断所述第一检测结果是否满足预设条件，获取判断结果；根据所述判断结果将应用预训练后的第二检测模型对所述待检测数据进行精细检测的第二检测结果或所述第一检测结果作为最终检测结果。
[0006]可选的，所述第一检测模型为Yolo检测模型、SSD模型以及Faster
‑
rcnn模型的其中之一，所述第二检测模型为Resnet分类模型、AlexNet模型以及VGG16模型的其中之一。
[0007]可选的，所述将待检测数据输入预训练后的第一检测模型进行初步的防松脱铁丝断裂检测之前，包括：对采集的样本数据进行人工标注是否断裂的检测结果，并对所述样本数据进行样本扩充，获取目标检测数据集和目标分类数据集；根据所述目标检测数据集对预训练的第一检测模型进行模型训练，获取收敛的所述第一检测模型；根据所述目标分类数据集对预训练的第二检测模型进行模型训练，获取收敛的所述第二检测模型。
[0008]可选的，所述对所述样本数据进行样本扩充，包括：对所述样本数据进行不同亮度的亮度增强处理；对所述样本数据进行不同角度的剪裁处理。
[0009]可选的，所述根据所述目标检测数据集对预训练的第一检测模型进行模型训练，获取收敛的所述第一检测模型，包括：采用YoloV4目标检测算法对样本数据进行预训练，得到防松脱铁丝断裂检测的YoloV4预训练模型；采用所述YoloV4预训练模型对样本数据进行迁移训练，得到收敛的所述第一检测模型。
[0010]可选的，所述根据所述目标分类数据集对预训练的第二检测模型进行模型训练，获取训练收敛的所述第二检测模型，包括：采用Resnet分类算法对样本数据进行预训练，得到防松脱铁丝断裂检测的第二预训练模型；采用所述第二预训练模型对样本数据进行迁移学习，得到收敛的第二检测模型。
[0011]可选的，所述第一检测结果包括置信度，所述判断所述第一检测结果是否满足预设条件，获取判断结果，包括：如果所述置信度大于等于预设阈值，则确定所述第一检测结果满足所述预设条件；如果所述置信度小于所述预设阈值，则确定所述第一检测结果不满足所述预设条件。
[0012]可选的，所述第一检测结果包括检测出的目标框，所述根据所述判断结果将应用预训练后的第二检测模型对所述待检测数据进行精细检测的第二检测结果或所述第一检测结果作为最终检测结果，包括：如果所述第一检测结果满足所述预设条件，则将所述目标框判定为防松脱铁丝断裂；如果所述第一检测结果不满足所述预设条件，则应用预训练后的第二检测模型对所述待检测数据进行精细的防松脱铁丝断裂检测，获取所述第二检测结果，并将所述第二检测结果作为最终检测结果。
[0013]基于同一专利技术构思，本专利技术一个或多个实施例还提出了一种基于深度学习的城轨车底防松脱铁丝断裂检测装置，包括：第一检测单元，用于将待检测数据输入预训练后的第一检测模型进行初步的防松脱铁丝断裂检测，输出第一检测结果；条件判断单元，用于判断所述第一检测结果是否满足预设条件，获取判断结果；结果确定单元，用于根据所述判断结果将应用预训练后的第二检测模型对所述待检测数据进行精细检测的第二检测结果或所述第一检测结果作为最终检测结果。
[0014]基于同一专利技术构思，本专利技术一个或多个实施例还提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一项中所述的方法。
[0015]从上面所述可以看出，本专利技术一个或多个实施例提供的一种基于深度学习的城轨车底防松脱铁丝断裂检测方法及装置，通过将待检测数据输入预训练后的第一检测模型进行初步的防松脱铁丝断裂检测，输出第一检测结果；判断所述第一检测结果是否满足预设条件，获取判断结果；根据所述判断结果将应用预训练后的第二检测模型对所述待检测数据进行精细检测的第二检测结果或所述第一检测结果作为最终检测结果，能够极大地减少人工成本，提高防松脱铁丝断裂检出率。
附图说明
[0016]为了更清楚地说明本专利技术一个或多个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专利技术一个或多个实施例，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。
[0017]图1为本专利技术一个或多个实施例中的基于深度学习的城轨车底防松脱铁丝断裂检测方法的流程示意图；
[0018]图2为本专利技术一个或多个实施例中的基于深度学习的城轨车底防松脱铁丝断裂检测方法的示例图；
[0019]图3为本专利技术一个或多个实施例中的基于深度学习的城轨车底防松脱铁丝断裂检测装置的结构示意图；
[0020]图4为本专利技术一个或多个实施例中电子设备示意图。
具体实施方式
[0021]为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
[0022]需要说明的是，除非另外定义，本专利技术一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本专利技术一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的城轨车底防松脱铁丝断裂检测方法，其特征是，所述方法包括：将待检测数据输入预训练后的第一检测模型进行初步的防松脱铁丝断裂检测，输出第一检测结果；判断所述第一检测结果是否满足预设条件，获取判断结果；根据所述判断结果将应用预训练后的第二检测模型对所述待检测数据进行精细检测的第二检测结果或所述第一检测结果作为最终检测结果。2.如权利要求1所述的方法，其特征是，所述第一检测模型为Yolo检测模型、SSD模型以及Faster
‑
rcnn模型的其中之一，所述第二检测模型为Resnet分类模型、AlexNet模型以及VGG16模型的其中之一。3.如权利要求1所述的方法，其特征是，所述将待检测数据输入预训练后的第一检测模型进行初步的防松脱铁丝断裂检测之前，包括：对采集的样本数据进行人工标注是否断裂的检测结果，并对所述样本数据进行样本扩充，获取目标检测数据集和目标分类数据集；根据所述目标检测数据集对预训练的第一检测模型进行模型训练，获取收敛的所述第一检测模型；根据所述目标分类数据集对预训练的第二检测模型进行模型训练，获取收敛的所述第二检测模型。4.如权利要求3所述的方法，其特征是，所述对所述样本数据进行样本扩充，包括：对所述样本数据进行不同亮度的亮度增强处理；对所述样本数据进行不同角度的剪裁处理。5.如权利要求3所述的方法，其特征是，所述根据所述目标检测数据集对预训练的第一检测模型进行模型训练，获取收敛的所述第一检测模型，包括：采用YoloV4目标检测算法对样本数据进行预训练，得到防松脱铁丝断裂检测的YoloV4预训练模型；采用所述YoloV4预训练模型对样本数据进行迁移训练，得到收敛的所述第一检测模型。6.如权利要求3所述的方法，其特征是，所述根据所述目标分类数据集对预训练...

【专利技术属性】
技术研发人员：陈豪，孙木兰，李晨，皮魏，褚金鹏，刘邦繁，
申请(专利权)人：株洲中车时代电气股份有限公司，
类型：发明
国别省市：