【技术实现步骤摘要】
本专利技术属于目标检测，尤其涉及一种地铁车辆螺栓定位检测方法。
技术介绍
1、螺栓连接作为一种普遍的工件连接方式，具有价格低、可靠性高、安装、更换方便以及承载力强等优点，在地铁领域得到了大量应用。然而，地铁车辆中的螺栓由于长期受到交变力作用的影响，易造成不同程度的松动或丢失故障，若不及时发现并处理，将直接影响行车安全。因此，高效且准确检测螺栓对保证地铁正常运行和避免事故具有十分重要的意义。而传统的检测螺栓方式需要大量人工参与，不仅检测成本高，效率低，还容易产生误检、漏检等情况。
2、近年来，基于深度学习的目标检测算法依靠大量的数据，通过多层神经网络直接对图像进行卷积和池化操作来提取图像的本质特征，不仅极大地提高了目标检测的准确率，而且大大地缩短了检测时间。目前主流的深度学习目标检测算法有两类，一类是双阶段目标检测算法，如r-cnn、spp-net、fast r-cnn、faster r-cnn、fpn、mask r-cnn。双阶段目标检测器的检测精度高，但是网络构建的模型比较大，参数量较多，检测速度较慢，不适用于实际的项目中。另一类是基于回归分析的单阶段目标检测算法，如yolo系列、ssd系列等。yolo系列目标检测算法是表现非常优异的单阶段检测器，不仅检测精度可以媲美双阶段检测算法，检测速度也大大提高。通过训练深度学习模型来识别地铁车辆中的螺栓位置，不仅可以提高检测精度，还能节约大量人力成本，实现工业生产的自动化与智能化，为后续螺栓松动识别打好基础。
3、然而普通的目标检测网络难以检测地铁车辆螺栓，主要
技术实现思路
1、专利技术目的：为了解决传统的地铁车辆螺栓定位检测需要人工参与，耗时耗力且准确率不高以及现有目标检测网络难以检测出螺栓的问题，本专利技术提出了一种基于改进yolov5的地铁车辆螺栓定位检测方法。
2、本专利技术为解决其技术问题采用如下技术方案：
3、一种地铁车辆螺栓定位检测方法，包括以下步骤：
4、步骤1，获取n张地铁车辆螺栓照片，制作yolo标签格式的地铁车辆螺栓图像数据集i，i＝{i1,i2,…,ii,…,in}，ii为第i张图像，i∈{1,...,n}；
5、步骤2，将数据集i中的地铁车辆螺栓图像进行数据增强，得到完备的地铁车辆螺栓数据集j，j＝{j1,j2,…,ji,…,jm}，i∈{1,...,m}，m表示数据集的数量，jm表示数据集中第m张图像，并将j划分为训练集jt和验证集jv；
6、步骤3，将训练集jt中的图像输入模型网络中，基于yolov5的主干网络，利用多尺度特征融合和注意力机制，构建特征加权融合模块对地铁车辆螺栓图像进行特征提取，来自骨干网络的三个相邻特征ci-1、ci、ci+1作为输入被送入特征加权融合模块fwfm(featureweighted fusion module,fwfm)得到新的特征图p；2≤i≤4；
7、步骤4，在主干网络提取到最高级别特征图后添加上下文增强模块cem(contextenhancement module，cem)，获得具有丰富上下文信息的特征图；
8、步骤5，将特征图p传输到目标检测网络的颈部，颈部结构采用特征金字塔fpn(feature pyramid network，fpn)和路径聚合网络pan(path aggregation network，pan)特征融合网络，通过自顶向下和自底向上两种方式进行特征融合，最终得到三种不同尺度的强化特征图，分别记作p1,p2,p3；
9、步骤6，将步骤5得到的特征图p1,p2,p3输入到yolov5的目标检测网络的头部进行多尺度预测，定位出目标在第i张高分辨率图像中的位置并识别出目标所属的类别；
10、步骤7，通过完整的训练得到最终的模型，使用模型对测试图像进行检测，预测网络通过非极大抑制输出最终预选框并映射为原图大小，最终得到目标物体的检测结果。
11、步骤1中，使用标注软件对地铁车辆螺栓图像数据集i中的图像进行标注，标注信息包括目标的大小、位置和类别。
12、步骤2中，所述将数据集i中的地铁车辆螺栓图像进行数据增强，具体包括：灰度值变换、翻转、随机旋转和图像分块处理，其中图像分块采用重叠切块，重叠区域比例设置为0.1，切块后图像大小设置为640*640。
13、分块重叠区域的大小取决于图像中最大螺栓的大小，重叠区域应大于图像中的最大目标。如果重叠区域过小，图像块边缘的螺栓可能被切割。重叠区域过大，图像包含重复信息则会增多，检测和重叠目标合并过程中会产生大量重复的计算。采集到的图片中最大螺栓尺寸为60*65，所以重叠区域比例设置为0.1。
14、yolov5的输入样本标准比例为640*640，如果使用超过或不足该比例的图像输入模型预测，模型会对输入样本进行等比例缩放。如果将分辨率为4056*3040的地铁车辆图片直接输入网络中训练，螺栓尺寸将被缩放得更小，加大检测难度。因此，将分块后的图片大小设为640*640。
15、步骤2中，划分训练集和验证集的比例为8:2。
16、步骤3中，所述特征加权融合模块执行如下步骤：
17、步骤3-1，来自骨干网络的三个相邻特征ci-1、ci、ci+1作为输入被送入fwfm，先对ci-1和ci+1进行预处理，将ci-1和ci+1的大小和通道数统一，2≤i≤4；使用双线性插值方法对ci+1进行上采样，fcous对ci-1进行下采样；ci-1、ci、ci+1处理后的特征图分别记为ri-1、ri、ri+1，将特征图ri-1、ri、ri+1拼接，得到融合后的特征图表示高度为h，宽度为w，通道数是c的矩阵；
18、fcous是采用切片操作把高分辨率的特征图拆分成多个低分辨率的特征图，即隔列采样+拼接。例：原始的640×640×3的图像输入focus结构，采用切片操作，先变成320×320×12的特征图，拼接后，再经过一次卷积操作，最终变成320×320×64的特征图。
19、fcous为一个固有名词；
20、步骤3-2，特征图r通过坐标注意力机制(坐标注意力机制(coordinateattention，ca)常用来特征图的注意力，也就是让网络专注到感兴趣的部分，可以强调相关信息的表达，减弱不相关信息的干扰。然后得到特征信息增强后的新的特征图)，得到新特征图u；
21、步骤3-3，特征图u通过1×1的卷积压缩通道维数提取空间位置信息，然后利用softmax函数将特征图在空间上的权重归一化，得到权重矩阵
22、步骤3-4，沿着通道维度把权重矩阵w分割为α、β、γ，其中α、β、γ是各特征图的权重本文档来自技高网...
【技术保护点】
1.一种地铁车辆螺栓定位检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤1中，使用标注软件对地铁车辆螺栓图像数据集I中的图像进行标注，标注信息包括目标的大小、位置和类别。
3.根据权利要求2所述的方法，其特征在于，步骤2中，所述将数据集I中的地铁车辆螺栓图像进行数据增强，具体包括：灰度值变换、翻转、随机旋转和图像分块处理，其中图像分块采用重叠切块。
4.根据权利要求3所述的方法，其特征在于，步骤3中，所述特征加权融合模块执行如下步骤：
5.根据权利要求4所述的方法，其特征在于，步骤4包括：
6.根据权利要求5所述的方法，其特征在于，步骤4中，所述上下文信息增强模块使用一个跳跃连接分支来执行逐元素乘法运算。
7.根据权利要求6所述的方法，其特征在于，步骤7中，所述非极大抑制为NWD-NMS。
8.根据权利要求7所述的方法，其特征在于，步骤7包括以下步骤：
9.根据权利要求8所述的方法，其特征在于，步骤7-3中，将C设置为地铁车辆螺栓数据集中螺栓尺寸的平
10.一种存储介质，其特征在于，存储有计算机程序或指令，当所述计算机程序或指令被运行时，实现如权利要求1至9中任一项所述的方法。
...【技术特征摘要】
1.一种地铁车辆螺栓定位检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤1中，使用标注软件对地铁车辆螺栓图像数据集i中的图像进行标注，标注信息包括目标的大小、位置和类别。
3.根据权利要求2所述的方法，其特征在于，步骤2中，所述将数据集i中的地铁车辆螺栓图像进行数据增强，具体包括：灰度值变换、翻转、随机旋转和图像分块处理，其中图像分块采用重叠切块。
4.根据权利要求3所述的方法，其特征在于，步骤3中，所述特征加权融合模块执行如下步骤：
5.根据权利要求4所述的方法，其特征在于，步骤4包...
【专利技术属性】
技术研发人员：杨久晓，方力，王刚，田裕鹏，
申请(专利权)人：南京航空航天大学，
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。