【技术实现步骤摘要】
本专利技术属于图像识别，具体涉及一种人力制动机轴链卡滞的检测方法和系统。
技术介绍
1、人力制动机和空气制动系统都是铁路货车的重要制动力来源，对货车的行驶安全至关重要。人力制动机在多数车型中由定滑轮及动滑轮承载轴链运转，而人力制动机轴链在这两个滑轮处发生卡滞的概率较大，该故障严重影响货车运行安全，需要及时对该故障进行报警提示。
2、但车辆段一般采用人工核查图像方式对人力制动机轴链卡滞故障进行检测，该方法重复性大，容易出现误判、遗漏等问题，无法保证检测的准确度。
技术实现思路
1、本专利技术的目的是为了克服现有的人力制动机轴链卡滞故障检测方式无法保证报警准确度的问题，提供了一种人力制动机轴链卡滞检测方法及系统。
2、一种人力制动机轴链卡滞检测方法，具体步骤如下：
3、步骤一、通过人力制动机图像检测模型对待检测图像进行识别，获得图像识别结果；
4、人力制动机图像检测模型为resnet50网络，且resnet50网络阶段stage1～stage4中的3*3卷积层均替换为上下文信息注意力模块；
5、待检测图像为包含人力制动机的图像；
6、图像识别结果包括滑轮图像和轴链图像；
7、步骤二、将滑轮图像的面积与预设置的滑轮完整面积相比得到第一比值；
8、当第一比值大于等于滑轮露出面积阈值时，判定人力制动机轴链卡滞；
9、或者，通过滑轮图像的面积和轴链图像的面积计算得到轴链与滑轮的重叠面积后
10、当第二比值小于等于滑轮露出面积阈值时，判定人力制动机轴链卡滞。
11、进一步地，上下文信息注意力模块的处理过程如下：
12、步骤一一、在特征图x输入至上下文信息注意力模块的输入端后，将所述特征图x复制为三份并分别得到key矩阵k1＝x＊ak、query矩阵q＝x＊aq和value矩阵v＝x＊av；
13、其中，特征图x为h*w*c的图像，h、w和c分别为特征图x的长、宽和通道数；ak代表k*k大小的卷积核，k为上下文范围参数；aq代表1*1大小的卷积核；av代表1*1大小的卷积核；
14、并且，stage1中的特征图x为待检测图像经过卷积得到；stage2～stage4中的特征图x均为上一stage输出的最终的注意力特征图经过卷积得到；
15、步骤一二、对key矩阵和query矩阵进行通道维度的拼接，使用1*1卷积核进行卷积操作，并对1*1卷积核所在卷积层使用分组标准化，得到聚合上下文注意力矩阵u：
16、u＝[k1,q]＊aθ
17、其中，aθ代表1*1大小的卷积核；
18、步骤一三、将聚合上下文注意力矩阵u与value矩阵进行点乘，获得动态上下文信息k2：
19、
20、步骤一四、将key矩阵k1和动态上下文信息k2进行通道维度拼接获得初始的融合信息特征图，对初始的融合信息特征图依次进行空间维度求均值、特征编码和维度变换得到变换的融合信息特征图，并对变换的融合信息特征图进行归一化指数softmax计算特征重要性后与初始的融合信息特征图进行点乘，获得最终的注意力特征图。
21、进一步地，步骤一中，上下文信息注意力模块在人力制动机图像检测模型中的参数设置如下：
22、在stage1中参数设置为cin＝64，cout＝64，k＝5；
23、在stage2中参数设置为cin＝128，cout＝128，k＝5；
24、在stage3中参数设置为cin＝256，cout＝256，k＝3；
25、在stage4中参数设置为cin＝512，cout＝512，k＝3；
26、其中，cin为输入通道数，cout为输出通道数。
27、进一步地，步骤一中的人力制动机图像检测模型是预先训练好的，通过训练数据集对人力制动机图像检测模型进行训练，得到训练好的人力制动机图像检测模型；
28、训练数据集包括正常图像及人力制动机轴链卡滞图像；
29、正常图像包含正常人力制动机区域图像、正常定滑轮区域图像、正常动滑轮区域图像、正常轴链图像、正常定滑轮图像和正常动滑轮图像；
30、正常人力制动机区域图像为正常定滑轮区域图像、正常动滑轮区域图像、正常轴链图像、正常定滑轮图像和正常动滑轮图像所处区域的图像；
31、正常定滑轮区域图像为正常定滑轮图像和位于定滑轮上的正常轴链图像所处区域的图像；
32、正常动滑轮区域图像包括正常动滑轮图像和位于动滑轮上的正常轴链图像所处区域的图像。
33、进一步地，人力制动机图像检测模型的超参数设置为：batchsize＝2，优化器为随机梯度下降sgd，学习率为0.02，动量为0.9，epoch＝18。
34、本专利技术还提供一种人力制动机轴链卡滞检测系统，包括：
35、人力制动机图像检测模型，用于对待检测图像进行识别，获得图像识别结果；
36、人力制动机图像检测模型为resnet50网络，且resnet50网络阶段stage1～stage4中的3*3卷积层均替换为上下文信息注意力模块；
37、待检测图像为包含人力制动机的图像；
38、图像识别结果包括滑轮图像和轴链图像；
39、轴链卡滞判定模块，用于将滑轮图像的面积与预设置的滑轮完整面积相比得到第一比值；
40、当第一比值大于等于滑轮露出面积阈值时，判定人力制动机轴链卡滞；
41、或者，用于通过滑轮图像的面积和轴链图像的面积计算得到轴链与滑轮的重叠面积后，将重叠面积与预设置的滑轮完整面积相比得到第二比值；
42、当第二比值小于等于滑轮露出面积阈值时，判定人力制动机轴链卡滞。
43、进一步地，上下文信息注意力模块包括：
44、矩阵计算模块：用于在特征图x输入至上下文信息注意力模块的输入端后，将所述特征图x复制为三份并分别得到key矩阵k1＝x＊ak、query矩阵q＝x＊aq和value矩阵v＝x＊av；
45、其中，特征图x为h*w*c的图像，h、w和c分别为特征图x的长、宽和通道数；ak代表k*k大小的卷积核，k为上下文范围参数；aq代表1*1大小的卷积核；av代表1*1大小的卷积核；
46、聚合上下文注意力矩阵模块，用于对key矩阵和query矩阵进行通道维度的拼接，使用1*1卷积核进行卷积操作，并对1*1卷积核所在卷积层使用分组标准化，得到聚合上下文注意力矩阵u：
47、u＝[k1,q]＊aθ
48、其中，aθ代表1*1大小的卷积核；
49、动态上下文信息模块，用于将聚合上下文注意力矩阵u与value矩阵进行点乘，获得动态上下文信息k2：
50、
<本文档来自技高网...【技术保护点】
1.人力制动机轴链卡滞检测方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的人力制动机轴链卡滞检测方法，其特征在于，上下文信息注意力模块的处理过程如下：
3.根据权利要求2所述的人力制动机轴链卡滞检测方法，其特征在于，上下文信息注意力模块在人力制动机图像检测模型中的参数设置如下：
4.根据权利要求3所述的人力制动机轴链卡滞检测方法，其特征在于，步骤一中的人力制动机图像检测模型是预先训练好的，通过训练数据集对人力制动机图像检测模型进行训练，得到训练好的人力制动机图像检测模型；
5.根据权利要求4所述的人力制动机轴链卡滞检测方法，其特征在于，人力制动机图像检测模型的超参数设置为：batchsize＝2，优化器为随机梯度下降SGD，学习率为0.02，动量为0.9，epoch＝18。
6.人力制动机轴链卡滞检测系统，其特征在于，包括：
7.根据权利要求6所述的人力制动机轴链卡滞检测系统，其特征在于，上下文信息注意力模块包括：
8.根据权利要求7所述的人力制动机轴链卡滞检测系统，其特征在于，上下文信
9.根据权利要求8所述的人力制动机轴链卡滞检测系统，其特征在于，还包括：
10.根据权利要求9所述的人力制动机轴链卡滞检测系统，其特征在于，人力制动机图像检测模型的超参数设置为：batchsize＝2，优化器为随机梯度下降SGD，学习率为0.02，动量为0.9，epoch＝18。
...【技术特征摘要】
1.人力制动机轴链卡滞检测方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的人力制动机轴链卡滞检测方法，其特征在于，上下文信息注意力模块的处理过程如下：
3.根据权利要求2所述的人力制动机轴链卡滞检测方法，其特征在于，上下文信息注意力模块在人力制动机图像检测模型中的参数设置如下：
4.根据权利要求3所述的人力制动机轴链卡滞检测方法，其特征在于，步骤一中的人力制动机图像检测模型是预先训练好的，通过训练数据集对人力制动机图像检测模型进行训练，得到训练好的人力制动机图像检测模型；
5.根据权利要求4所述的人力制动机轴链卡滞检测方法，其特征在于，人力制动机图像检测模型的超参数设置为：batchsize＝2，优化器为随机梯度...
【专利技术属性】
技术研发人员：李哲林，曹正，
申请(专利权)人：哈尔滨市科佳通用机电股份有限公司，
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。