本发明专利技术涉及轨道交通技术领域，特别涉及一种基于缺陷检测的铁路运行图评价方法及装置。本发明专利技术首先构建基于深度神经网络的运行图缺陷检测模型；然后基于模型输出的缺陷类型和数量，训练线性回归模型，输出整体运行图的评分。本发明专利技术使用深度神经网络直接从运行图图片中学习缺陷特征，解决了即使运行图基本元素信息缺失，也可以对运行图进行缺陷检测和评价的问题；对于运行图过于密集、前后列车到发衔接时间过短等缺陷具有视觉特性的缺陷检测比基于数值的检测方法准确度更高。
【技术实现步骤摘要】
本专利技术涉及轨道交通，特别涉及一种基于缺陷检测的铁路运行图评价方法及装置。
技术介绍
1、列车运行图是铁路运输组织工作的核心技术文件，运行图的编制质量直接影响到铁路运输组织的效率及水平，特别是对于重载铁路而言，它是保证运输服务质量的基础，因此合理设计运行图对于重载铁路运营十分重要。列车运行图评价的问题属于运行图编制理论的范畴，目前研究主要针对列车运行图编制理论、方法以及优化，对列车运行图编制质量评价的研究较少。
2、既有列车运行图质量评价通常通过建立运行图评价指标体系，进行指标计算后对参与计算的指标进行加权后得出最终评价结果。目前针对运行图的评价方法主要有专家打分法、模糊综合评价法、动态多值法等。指标计算的问题之一在于必须获得所有的运行图基本信息，比如每条运行线经过的车站、到站时间、出发时间等，但是不通信息系统之间的接口开发耗时且昂贵。指标计算的问题之二在于反应运行图缺陷的指标计算容易，但是与该缺陷在运行图的具体位置相关联复杂，需要冗余的后端+前端代码开发。除此之外，运行图各因素之间复杂的相互影响关系，难以通过客观赋权法求解子指标权重，针对这些问题，主要使用主观赋权法来解决，但是主观赋权法存在易受极端意见影响的缺点。
技术实现思路
1、针对上述问题，本专利技术提供一种基于缺陷检测的铁路运行图评价方法及装置。
2、第一方面，本专利技术提供了一种基于缺陷检测的铁路运行图评价方法，所述方法包括：
3、构建基于深度神经网络的运行图缺陷检测模型；
4、将铁路运行图进行标注处理和缺陷分类得到训练集；
5、将训练集用于训练运行图缺陷检测模型，并以线性回归模型对运行图缺陷检测模型进行评分，评分达到阈值时得到已训练运行图缺陷检测模型；
6、将待评价的铁路运行图输入到已训练运行图缺陷检测模型，得到评价结果。
7、进一步的，构建基于深度神经网络的运行图缺陷检测模型，包括：
8、运行图缺陷检测模型采用yolov5的框架，结构依次为图像预处理、用于提取目标特征的backbone、用于收集组合目标特征的neck、用于预测的head和损失函数。
9、进一步的，图像预处理采用mosaic增强、仿射矩阵增强和普通数据增强；
10、其中mosaic增强将若干张图片通过随机缩放、随机裁剪和随机排布的方式进行拼接，并添加角度维度；仿射矩阵增强将超参数中的perspective和degree设置为0。
11、进一步的，head中anchor增加角度类别的预测；同时修改缺陷类别个数与缺陷分类数量一致。
12、进一步的，损失函数采用环形平滑标签其表达式为：
13、
14、其中为角度的预估值，是窗口函数，窗口半径由r控制，窗口函数采用高斯函数；
15、缺陷检测目标框采用旋转目标框，θ为旋转目标框的横轴顺时针旋转遇到最长边所经过的角度，θ∈[0,180)。
16、进一步的，将铁路运行图进行标注处理和缺陷分类，包括：
17、每张运行图的标注为两个对象，第一个对象为运行图总评分，第二个对象为运行图中所有缺陷检测目标框列表；
18、其中缺陷检测目标框采用旋转目标框，以六维形式标注：(n,x,y,l,w,θ)，其中n是缺陷类型，x和y是锚点的横纵坐标，l和w是旋转目标框的长和宽，θ是x轴顺时针旋转遇到最长边所经过的角度，θ∈[0,180)。
19、进一步的，将铁路运行图进行标注处理和缺陷分类，还包括：
20、将运行图编制缺陷分为如下六类：发车间隔过小、单线区间对向列车区间交叉、半自动闭塞区间发送多个列车、列车开行密度过高、违反车流径路和列车开行速度过快。
21、进一步的，以线性回归模型对运行图缺陷检测模型进行评分，包括：
22、将识别出来的缺陷类型输入线性回归模型，拟合专家给出的运行图总评分。
23、第二方面，本专利技术提供了一种基于缺陷检测的运行图缺陷检测模型，采用上述方法训练得到。
24、第三方面，本专利技术提供了一种基于缺陷检测的铁路运行图评价装置，包括：构建模型单元、训练单元和评价单元；
25、构建模型单元，用于构建基于深度神经网络的运行图缺陷检测模型；
26、训练单元，用于将铁路运行图进行标注处理和缺陷分类得到训练集；
27、训练单元，还用于将训练集用于训练运行图缺陷检测模型，并以线性回归模型对运行图缺陷检测模型进行评分，评分达到阈值时得到已训练运行图缺陷检测模型；
28、评价单元，用于将待评价的铁路运行图输入到已训练运行图缺陷检测模型，得到评价结果。
29、第四方面，本专利技术提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
30、存储器，存储有计算机程序；
31、处理器，用于执行存储器上所存储的计算机程序时，实现上述的铁路运行图评价方法。
32、第五方面，本专利技术提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的铁路运行图评价方法。
33、本专利技术至少具备以下有益效果：
34、本专利技术首先构建基于深度神经网络的运行图缺陷检测模型，只需提供线路区段在一段时间内的列车运行图图片，在模型中进行推断，即可识别运行图常见缺陷类型及位置；然后基于模型输出的缺陷类型和数量，训练线性回归模型，输出整体运行图的评分。与传统建立指标体系的评价方式相比，本专利技术使用深度神经网络直接从运行图图片中学习缺陷特征，解决了即使运行图基本元素信息缺失，也可以对运行图进行缺陷检测和评价的问题；对于运行图过于密集、前后列车到发衔接时间过短等缺陷具有视觉特性的缺陷检测比基于数值的检测方法准确度更高。同时，方案提出的运行图评价算法框架端到端的给出了检测到的缺陷位置和运行图评分，简化了传统基于运行图基本信息编写复杂业务逻辑代码来识别部分缺陷的开发流程；改算法框架的输出的缺陷检测目标框可以方便的输出给前端，实时展示检测结果，为编制人员后续提升编制水平提供参考。
35、本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
本文档来自技高网...
【技术保护点】
1.一种基于缺陷检测的铁路运行图评价方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于缺陷检测的铁路运行图评价方法，其特征在于，
3.根据权利要求2所述的基于缺陷检测的铁路运行图评价方法，其特征在于，
4.根据权利要求2所述的基于缺陷检测的铁路运行图评价方法，其特征在于，
5.根据权利要求2所述的基于缺陷检测的铁路运行图评价方法，其特征在于，
6.根据权利要求1所述的基于缺陷检测的铁路运行图评价方法，其特征在于，
7.根据权利要求1所述的基于缺陷检测的铁路运行图评价方法，其特征在于，
8.根据权利要求1所述的基于缺陷检测的铁路运行图评价方法，其特征在于，
9.一种基于缺陷检测的运行图缺陷检测模型，其特征在于，采用权利要求1-8中任意一项方法训练得到。
10.一种基于缺陷检测的铁路运行图评价装置，其特征在于，包括：构建模型单元、训练单元和评价单元；
11.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
12.一种计算机可读存储介质，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实现权利要求1-8中任一项所述的铁路运行图评价方法。
...
【技术特征摘要】
1.一种基于缺陷检测的铁路运行图评价方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于缺陷检测的铁路运行图评价方法，其特征在于，
3.根据权利要求2所述的基于缺陷检测的铁路运行图评价方法，其特征在于，
4.根据权利要求2所述的基于缺陷检测的铁路运行图评价方法，其特征在于，
5.根据权利要求2所述的基于缺陷检测的铁路运行图评价方法，其特征在于，
6.根据权利要求1所述的基于缺陷检测的铁路运行图评价方法，其特征在于，
7.根据权利要求1所述的基于缺陷检测的铁路运行图评价方法，其特征在于，
8...
【专利技术属性】
技术研发人员：周瑾，宋宗莹，王兴中，刘子扬，刘永壮，马锐，
申请(专利权)人：北京全路通信信号研究设计院集团有限公司，
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。