System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及列车检测,尤其涉及一种高铁关键零部件的检测方法及装置。
技术介绍
1、轮对对于高铁安全运行有着重要影响,当轮对出现磨损或划痕等缺陷时,往往会给车轮承轴和钢轨带来巨大的额外冲击载荷,给高铁的安全运行带来了巨大的潜在风险;受电弓是电力牵引机车从接触网获取电能的电气设备,受电弓与接触线直接接触,反复长期摩擦,导致受电弓碳滑板磨损不断变薄,其故障可能会导致高铁运行中断,甚至造成更严重的事故。为保障高铁的安全可靠运营,对高铁的关键部件如轮对及受电弓的状态进行在线实时监测具有重要意义。
2、现有高铁关键零部件检测方法为基于图像的目标检测方法,具体又分为路侧安装的图像目标检测方法,以及车载安装的图像目标检测方法,其中路侧安装的图像目标检测方法存在高速运动造成的图像运动模糊以及帧间视差过大等问题,因此该方案常见于站点以及段点,极少在运行正线使用;车载安装的图像目标检测方法对受电弓、轮对进行检测则是通过在车体安装相应的检测设备,由于安装设备与待检测零部件之间保持相对静止,因此没有上述问题,但是此种安装方式需要在每一台运行设备上安装检测设备,需求量大,安装成本高。
3、进一步而言,虽然超高速脉冲相机能够实现40000hz的数据采集频率,可以有效避免路侧安装的图像目标检测方法存在的运动模糊以及帧间视差过大等问题,然而脉冲相机输出的数据是由0/1组成的脉冲流而不是传统的图像,因此传统基于图像的深度学习目标检测算法不适用于脉冲数据目标检测,snn是专门针对脉冲数据开发的神经网络结构,相较于基于ann构建的神经网络结构
技术实现思路
1、本专利技术提供一种高铁关键零部件的检测方法及装置,用于在控制安装成本的同时,解决现有的目标检测算法在高速运动场景下存在运动模糊,以及利用脉冲神经网络对脉冲数据直接进行检测时效果不佳的技术问题。
2、第一方面,本专利技术提供了一种高铁关键零部件的检测方法,方法包括:
3、采集第一图像数据,以及利用高速脉冲相机采集第一脉冲数据;
4、将所述第一图像数据转为第二脉冲数据;
5、根据脉冲相机脉冲触发原理,将所述第一脉冲数据重构为第二图像数据;
6、将所述第二脉冲数据重构所得图像与所述第二图像数据相应合并,构建数据集,并在所述数据集的图像域标注,得到对应的真实标签;
7、利用所述数据集中训练集的图像数据及其真实标签对所构建的教师网络进行训练,得到目标教师网络;
8、基于所述数据集中的训练集和测试集,在所述目标教师网络的引导下对所构建的学生网络进行训练,得到目标学生网络;
9、将现场采集的实时高铁关键零部件原始脉冲数据输入所述目标学生网络,得到检测结果。
10、可选地,采集第一图像数据,以及利用高速脉冲相机采集第一脉冲数据之后,还包括:
11、对所述第一图像数据和所述第一脉冲数据进行数据清洗。
12、可选地,将所述第一图像数据转为第二脉冲数据,包括:
13、将所述第一图像数据转换为灰度图像;
14、根据所述灰度图像中每个像素位置的灰度值大小,将所述灰度值编码成所述第二脉冲数据。
15、可选地,根据脉冲相机脉冲触发原理,将所述第一脉冲数据重构为第二图像数据,包括:
16、计算每个像素位置的所有脉冲位置间隔,并通过所述脉冲位置间隔计算重构后图像每个像素位置的亮度值;
17、根据每个像素位置的所述亮度值,计算重构后的单帧图像全局亮度;
18、通过全局亮度对所述第一脉冲数据的局部亮度进行修正,得到所述第二图像数据。
19、可选地,基于所述数据集中的训练集和测试集,在所述目标教师网络的引导下对所构建的学生网络进行训练,得到目标学生网络,包括:
20、基于ann转snn算法,构建所述学生网络;
21、将训练图像数据与对应的脉冲数据分别输入目标教师网络与构建的学生网络,利用目标教师网络引导学生网络的训练,得到所述目标学生网络。
22、可选地,将训练图像数据与对应的脉冲数据分别输入目标教师网络与构建的学生网络,利用目标教师网络引导学生网络的训练,得到所述目标学生网络,包括:
23、将训练图像数据与对应的脉冲数据分别输入目标教师网络与构建的学生网络,得到教师网络编码层输出结果、学生网络编码层输出结果和学生网络输出结果;
24、基于所述教师网络编码层输出结果、所述学生网络编码层输出结果和所述学生网络输出结果,确定总损失;
25、根据所述总损失,使用批量随机梯度下降算法更新所述学生网络的参数,直至迭代完成,得到最优网络参数,并使用最优网络参数得到所述目标学生网络。
26、可选地,基于所述教师网络编码层输出结果、所述学生网络编码层输出结果和所述学生网络输出结果,确定总损失,包括:
27、以所述教师网络编码层输出结果为软目标,计算所述学生网络编码层输出结果的软损失;
28、计算所述学生网络输出结果与对应的所述真实标签间的硬损失,并结合所述软损失,确定总损失。
29、第二方面,本专利技术提供了一种高铁关键零部件的检测装置,包括:
30、采集模块,用于采集第一图像数据,以及利用高速脉冲相机采集第一脉冲数据;
31、转化模块,用于将所述第一图像数据转为第二脉冲数据;
32、重构模块,用于根据脉冲相机脉冲触发原理,将所述第一脉冲数据重构为第二图像数据;
33、构建模块,用于将所述第二脉冲数据重构所得图像与所述第二图像数据相应合并,构建数据集,并在所述数据集的图像域标注,得到对应的真实标签;
34、教师网络训练模块,用于利用所述数据集中训练集的图像数据及其真实标签对所构建的教师网络进行训练,得到目标教师网络;
35、学生网络训练模块,用于基于所述数据集中的训练集和测试集,在所述目标教师网络的引导下对所构建的学生网络进行训练,得到目标学生网络;
36、检测模块,用于将现场采集的实时高铁关键零部件原始脉冲数据输入所述目标学生网络,得到检测结果。
37、第三方面,本申请提供一种电子设备,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如上述第一方面提供的所述方法中的步骤。
38、第四方面,本申请提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
39、从以上技术方案可以看出,本专利技术具有以下优点:
40、本专利技术提供了一种高铁关键零部件的检测方法及装本文档来自技高网...
【技术保护点】
1.一种高铁关键零部件的检测方法,其特征在于,方法包括:
2.根据权利要求1所述的高铁关键零部件的检测方法,其特征在于,采集第一图像数据,以及利用高速脉冲相机采集第一脉冲数据之后,还包括:
3.根据权利要求1所述的高铁关键零部件的检测方法,其特征在于,将所述第一图像数据转为第二脉冲数据,包括:
4.根据权利要求1所述的高铁关键零部件的检测方法,其特征在于,根据脉冲相机脉冲触发原理,将所述第一脉冲数据重构为第二图像数据,包括:
5.根据权利要求1所述的高铁关键零部件的检测方法,其特征在于,基于所述数据集中的训练集和测试集,在所述目标教师网络的引导下对所构建的学生网络进行训练,得到目标学生网络,包括:
6.根据权利要求5所述的高铁关键零部件的检测方法,其特征在于,将训练图像数据与对应的脉冲数据分别输入目标教师网络与构建的学生网络,利用目标教师网络引导学生网络的训练,得到所述目标学生网络,包括:
7.根据权利要求6所述的高铁关键零部件的检测方法,其特征在于,基于所述教师网络编码层输出结果、所述学生网络编码层输出结果
8.一种高铁关键零部件的检测装置,其特征在于,包括:
9.一种电子设备,其特征在于,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-7任一项所述的方法。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.一种高铁关键零部件的检测方法,其特征在于,方法包括:
2.根据权利要求1所述的高铁关键零部件的检测方法,其特征在于,采集第一图像数据,以及利用高速脉冲相机采集第一脉冲数据之后,还包括:
3.根据权利要求1所述的高铁关键零部件的检测方法,其特征在于,将所述第一图像数据转为第二脉冲数据,包括:
4.根据权利要求1所述的高铁关键零部件的检测方法,其特征在于,根据脉冲相机脉冲触发原理,将所述第一脉冲数据重构为第二图像数据,包括:
5.根据权利要求1所述的高铁关键零部件的检测方法,其特征在于,基于所述数据集中的训练集和测试集,在所述目标教师网络的引导下对所构建的学生网络进行训练,得到目标学生网络,包括:
6.根据权利要求5所述的高铁关键零部件的检...
【专利技术属性】
技术研发人员:董文波,熊敏君,李晨,苏震,田野,姚巍巍,肖雄,袁小军,欧阳斌宇,刘邦繁,褚金鹏,孙木兰,刘昕武,彭联贴,刘雨聪,皮魏,颜家云,黎孟,王傲林,陈豪,崔宵洋,徐章,刘雷新元,王群,张慧源,
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:
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。