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】
本专利技术涉及铁路接触网悬挂部件目标识别领域,具体是一种基于深度学习的接触网悬挂部件的识别方法。
技术介绍
1、随着中国社会的高速发展,铁路系统不断扩建和提速以满足需求。然而,随着提速的增加,安全问题也日益凸显。在铁路系统中,接触网系统是广泛分布并通常位于露天环境下的关键设施,由于工作环境恶劣,接触网的悬挂部件容易发生缺陷和松动,从而导致接触网与列车受电弓无法正常接触,导致列车供电出现问题,会造成严重的安全事故,进而威胁国民的安全和社会生产的发展。
2、目前各铁路局对接触网的维护检修主要采用人工使用接触网便携式设备,利用人工去对接触网悬挂部件进行定位,这种方式需要人工走到每一个悬挂部件位置,然后再对其进行判断是否有缺陷或松动。由于铁路里程长,需要投入大量的人员去对悬挂部件进行测量,故其效率低下,投入成本较高,加上工作环境复杂且接触网巡检都是夜晚进行,会存在较多的漏检。近年来也有使用悬挂状态测量车cn202020799640.4去对接触网悬挂部件拍图,然后利用数据处理器将图像和标准图像进行对比,此方式虽然减少了人工的投入,但依旧存在识别准确率低的问题。
3、深度学习技术的快速发展,为工业目标检测提供了技术支持。此前也有cn108009591a利用深度学习对接触网的关键部分进行识别,其使用的是fast-rcnn模型,此模型为双阶段模型,检测效率较低,且该模型深度不够,导致模型的识别准确率和模型泛化性不高,且其没有对吊弦点进行识别。故需要设计一个检测效率高、识别准确率高的模型,来实现对接触网悬挂部件的精确识别。
技术实现思路
1、为了解决上述技术问题,本专利技术提供一种基于深度学习的接触网悬挂部件的识别方法,其对yolov3模型进行改进,提高模型的识别准确率、模型检测效率以及模型的泛化性,从而实现接触网悬挂部件的识别问题。
2、为此,本专利技术的技术方案如下:
3、一种基于深度学习的接触网悬挂部件的识别方法,包括如下步骤:
4、s1、收集相机拍摄的接触网图像,所述接触网图像包括一年四季不同时间段、不同天气环境下采集的图像;譬如采集接触网在一年四季每天的清晨、上午、正午、下午、傍晚、夜里的图像;
5、s2、在每张接触网图像中对不同接触网悬挂部件进行框选,同时记录如下信息:当前标注目标的类别id、标注框的宽、高、中心点的横纵坐标;将标注后的接触网图像制作为训练集和验证集;
6、s3、对训练集进行随机旋转、随机裁剪、添加高斯噪声及mosica数据增强,获得扩充后的训练集;
7、s4、将步骤s3扩充后的训练集输入到深度学习模型中,对图像特征进行解析、提取,输出图像中存在的目标类别,实现所述接触网悬挂部件的识别;
8、所述深度学习模型为改进的yolov3检测模型;包括骨干网络、颈部网络和头部网络;所述骨干网络为darknet53网络;所述头部网络为yolo head网络;
9、所述颈部网络为改进的bifpn网络,将步骤s3扩充后的训练集输入darknet53网络,得到不同深度的特征图,将darknet53最后三层的特征图分别输入到bifpn网络中,将三层特征图通过bifpn进行融合,输出三个不同尺度的特征图,继而输入bifpn网络的下一模块进行特征提取;将bifpn网络的输出层接入通道注意力模块,得到接触网悬挂部件特征图;
10、所述接触网悬挂部件特征图被输入yolo head网络,所述yolo head网络采用解耦合的检测头,得到预测的接触网悬挂部件特征图。
11、进一步,得到的预测的接触网悬挂部件特征图后,再利用soft-nms算法将多余检测框去除,实现对接触网悬挂部件的识别,而后输出接触网悬挂部件的特征图。
12、进一步,所述解耦合的检测头是将yolov3中的耦合的检测头,分别解耦合为class预测、object预测、bounding box回归预测。
13、进一步,通道注意力模块包含掩码分支和映射分支,掩码分支对接触网悬挂部件特征图按通道进行压缩和激活,所述压缩是对特征图的每个通道按照全局平均池化进行压缩,所述激活是指将通道平均值进行非线性处理,让通道平均值输入到sigmod激活函数,然后输出0-1的各通道权重值。该处理能强化悬挂部件特征并减少噪声干扰,极大程度提升了模型的表达能力与检测能力。
14、进一步,所述接触网悬挂部件为定位柱和吊弦。
15、进一步,darknet53网络结构包括1个卷积结构、5个残差结构,以及一个全连接层;所述残差结构包含的残差块分别数量为1,2,8,8,4。
16、更进一步,所述卷积结构包含一个卷积核为3x3步长为1的卷积,一个卷积核为3x3步长为2的卷积;第一个3x3的卷积核用于增加通道数,扩大特征图感受野;第二个步长为2的3x3卷积核,用于减少计算过程中的参数量与计算量。
17、更进一步,所述残差结构包括基本卷积单元cbl、一个特征图经过2个cbl模块得到的特征和未经过cbl模块的特征图进行add操作;
18、所述基本卷积单元cbl包括一个卷积层、一个批量归一化层和leaky relu激活函数;
19、所述cbl模块首先经过大小为1x1的卷积核或大小为3x3的卷积核进行卷积操作;再经过批量归一化操作以及利用leaky relu激活函数进行激活,最后输出接触网悬挂部件特征图。
20、进一步,bifpn的具体工作原理为网络的不同特征层p4、p5、p6、p7、p8,首先让特征图分别通过卷积层,然后通过全局池化层,从而获得特征图pin4、pin5、pin6、pin7、pin8,将pin8进行上采样并与pin7堆叠得到ptd7;将ptd7进行上采样并与pin6进行堆叠得到ptd6;将ptd6进行上采样并与pin5进行堆叠得到ptd5,以此类推,获得特征图pout4、pout5、pout6、pout7、pout8。
21、这里以ptd7、pout7为例,具体运算如式(1.1)、(1.2)所示
22、
23、
24、其中,pin为输入特征层,pout为输出特征层,ptd为特征融合过程中的中间层。ωi是需要学习的权重,范围在0到1之间,ε为微小量;resize为改变特征尺度函数,conv为卷积计算的函数。
25、本专利技术提供的一种基于深度学习的接触网悬挂部件的识别方法,其通过利用改进的yolov3模型极大提升了模型的泛化性、准确性,能极大提升接触网悬挂部件的识别准确率和识别速度。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的接触网悬挂部件的识别方法,其特征在于包括如下步骤:
2.如权利要求1所述识别方法,其特征在于:得到预测的接触网悬挂部件特征图后,再利用Soft-NMS算法将多余检测框去除,实现对接触网悬挂部件的识别,而后输出接触网悬挂部件的特征图。
3.如权利要求1所述识别方法,其特征在于:所述解耦合的检测头是将YOLOv3中的耦合的检测头,分别解耦合为Class预测、Object预测、Bounding Box回归预测。
4.如权利要求1所述识别方法,其特征在于:通道注意力模块包含掩码分支和映射分支,掩码分支对接触网悬挂部件特征图按通道进行压缩和激活,所述压缩是对特征图的每个通道按照全局平均池化进行压缩,所述激活是指将通道平均值进行非线性处理,让通道平均值输入到Sigmod激活函数,然后输出0-1的各通道权重值。
5.如权利要求1所述识别方法,其特征在于:所述接触网悬挂部件为定位柱和吊弦。
6.如权利要求1所述识别方法,其特征在于:darknet53网络结构包括1个卷积结构、5个残差结构,以及一个全连接层;所述残差
7.如权利要求6所述识别方法,其特征在于:所述卷积结构包含一个卷积核为3x3步长为1的卷积,一个卷积核为3x3步长为2的卷积;第一个3x3的卷积核用于增加通道数,扩大特征图感受野;第二个步长为2的3x3卷积核,用于减少计算过程中的参数量与计算量。
8.如权利要求6所述识别方法,其特征在于:所述残差结构包括基本卷积单元CBL、一个特征图经过2个CBL模块得到的特征和未经过CBL模块的特征图进行ADD操作;
9.如权利要求1所述识别方法,其特征在于:BiFPN网络包括不同特征层P4、P5、P6、P7、P8,首先让特征图分别通过卷积层,然后通过全局池化层,从而获得特征图Pin4、Pin5、Pin6、Pin7、Pin8,将Pin8进行上采样并与Pin7堆叠得到Ptd7;将Ptd7进行上采样并与Pin6进行堆叠得到Ptd6;将Ptd6进行上采样并与Pin5进行堆叠得到Ptd5,以此类推,获得特征图Pout4、Pout5、Pout6、Pout7、Pout8。
...【技术特征摘要】
1.一种基于深度学习的接触网悬挂部件的识别方法,其特征在于包括如下步骤:
2.如权利要求1所述识别方法,其特征在于:得到预测的接触网悬挂部件特征图后,再利用soft-nms算法将多余检测框去除,实现对接触网悬挂部件的识别,而后输出接触网悬挂部件的特征图。
3.如权利要求1所述识别方法,其特征在于:所述解耦合的检测头是将yolov3中的耦合的检测头,分别解耦合为class预测、object预测、bounding box回归预测。
4.如权利要求1所述识别方法,其特征在于:通道注意力模块包含掩码分支和映射分支,掩码分支对接触网悬挂部件特征图按通道进行压缩和激活,所述压缩是对特征图的每个通道按照全局平均池化进行压缩,所述激活是指将通道平均值进行非线性处理,让通道平均值输入到sigmod激活函数,然后输出0-1的各通道权重值。
5.如权利要求1所述识别方法,其特征在于:所述接触网悬挂部件为定位柱和吊弦。
6.如权利要求1所述识别方法,其特征在于:darknet53网络结构包括1个卷积结构、5个残差结构,...
【专利技术属性】
技术研发人员:王伟,郭寅,郭磊,尹仕斌,谭富林,
申请(专利权)人:易思维杭州科技股份有限公司,
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。