【技术实现步骤摘要】
一种简统化接触网缺陷检测方法及系统
[0001]本专利技术涉及一种简统化接触网缺陷检测方法及系统,属于图像处理
技术介绍
[0002]随着现代技术的不断拔高,高铁建设日新月异,目前传统铁路接触网已经完成向简统化接触网的迈进。但随着高铁线路的架设扩张,高铁线路愈加复杂,对于高铁线路的维护工作也变得十分困难,在高铁运行的线路中产生的缺陷和故障也越来越多,对于如鸟巢、异物、零部件缺失等缺陷的检测,及时检测并定位接触网发生故障的位置,确保高铁安全运行十分必要。
[0003]对于高铁简统化接触网的缺陷检测,一般都是通过在高铁接触网上架设摄像装置采集2C或4C图像,由分析室分析图像,人工挑选图像中可能存在的缺陷或故障,再统一汇总到维修部门进行记录,派遣维修人员进行逐一排查,该种方法非常依赖有经验的工作人员,响应时间长而且易出现误检、漏检等情况。
[0004]近年来,尽管有许多研究人员针对高铁简统化接触网的缺陷检测问题进行研究,但由于铁路运行环境繁杂多样,包含的缺陷种类和类型十分复杂,缺陷样本的标签标注耗时耗力, ...
【技术保护点】
【技术特征摘要】
1.一种简统化接触网缺陷检测方法,其特征在于,包括:获取简统化接触网图像;将简统化接触网图像输入预先训练的缺陷检测模型,获得简统化接触网缺陷检测结果;其中,缺陷检测模型为训练后的自监督模型转换而成,在训练自监督模型时,采用混合裁剪方式增广训练集中的简统化接触网图像,对简统化接触网图像进行多尺度特征提取,利用多尺度特征对比损失和密集对比损失进行训练。2.根据权利要求1所述的一种简统化接触网缺陷检测方法,其特征在于,采用混合裁剪方式增广训练集中的简统化接触网图像,包括:在预设迭代次数中,采用随机裁剪方法裁剪训练集中的简统化接触网图像,用裁剪出的图像增广训练集中的简统化接触网图像;在预设迭代次数以外,根据自监督模型的权重更新自监督模型的参数,采用对比裁剪方法修正对裁剪框的位置判断,根据修正位置后的裁剪框裁剪训练集中的简统化接触网图像,用裁剪出的图像增广训练集中的简统化接触网图像。3.根据权利要求1所述的一种简统化接触网缺陷检测方法,其特征在于,自监督模型的损失函数为:损失函数为:损失函数为:其中,L为自监督模型损失函数计算值,N
M
为多尺度特征对比损失的个数,N
L
为总损失个数,L
mfc
为多尺度特征对比损失函数计算值,L
dc
为全局图像I
q
、I
k
之间的密集对比损失函数计算值,全局图像I
q
、I
k
是同一简统化接触网图像通过混合裁剪方式生成的不同视图;W
i
为第i个尺度特征对比损失的加权权重,W
j
为第j个尺度特征对比损失的加权权重,W
k
为第j个尺度特征对比损失的加权权重,N
m
为多尺度特征个数;为I
q
、I
k
之间的对比损失函数计算值,为I
q
经过编码器的第i个尺寸特征,表示与I
q
为正对的I
k
经过编码器的第i个尺寸特征,T为温度超参数,为与I
q
为负对的第n个I
k
经过编码器的第i个尺寸特征,K为负样本队列长度;
为P
q
和I
k
之间的对比损失函数计算值,为P
q
经过编码器的第j个尺寸特征,表示与P
q
为正对的I
k
经过编码器的第j个尺寸特征,表示与P
q
为负对的第n个I
k
经过编码器的第i个尺寸特征,P
q
为I
q
的局部图像,I
q
按照拼图方式拆分成若干图块,每个图块经过随机裁剪后,调整成I
q
的大小,获得I
q
的局部图像;为P
q
、P
k
之间的对比损失函数计算值,为P
q
经过编码器的第k个尺寸特征,表示与P
q
为正对的P
k
经过编码器的第k个尺寸特征,表示与P
q
为负对的第n个P
k
经过编码器的第k个尺寸特征,P
k
为I
k
的局部图像,I
k
按照拼图方式拆分成若干图块,每个图块经过随机裁剪后,调整成I
k
的大小,获得I
k
的局部图像;为I
q
经过编码器的最小尺度特征,表示与I
q
为正对的I
k
经过编码器的最小尺度特征,表示与I
q
为负对的第n个I
k
经过编码器的最小尺度特征。4.根据权利要求1所述的一种简统化接触网缺陷检测方法,其特征在于,训练后的自监督模型转换成缺陷检测模型的规则为:训练后的自监督模型和缺陷检测模型的键集合、值集合按照模糊匹配原则进行转换;其中,模糊匹配原则为:将缺陷检测模型键集合C
dk
作为标准键集合,训练后的自监督模型键集合C
uk
作为匹配键集合,去除C
uk
中的起始结构名,将C
uk
中剩余键名与C
dk
中的键名进行全字符匹配,获取键名匹配对,将键名匹配对中的k
d
、以及与k
u
对应的v
u
按照键值对的形式保存到缺陷检测模型中;k
d
和k
u
构成键名匹配对,k
d
为C
dk
中的键名,k
u
为C
uk
中的键名,v
u
为训练后的自监督模型值集合中的值。5.根据权利要求1所述的一种简统化接触网缺陷检测方法,其特征在于,缺陷检测模型的损失函数为:L
s
=BCE(obj
y
,obj
s
)+BCE(cls
y
,cls
s
)+IOU(box
y
,box
s
)其中,L
s
为缺陷检测模型损失函数计算值,BCE表示BCEWithLogitsLoss二元交叉熵损失函数,obj
y
表示缺陷检测模型预测输入图像是否存在缺陷,obj
s...
【专利技术属性】
技术研发人员:徐伟,吴泽彬,赵朝蓬,陈圣堂,张永健,顾涛,黄永祯,黄逊彦,徐洋,詹天明,
申请(专利权)人:南京智莲森信息技术有限公司,
类型:发明
国别省市:
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。