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】
本专利技术属于图像检测,具体涉及一种车辆受电弓缺陷检测方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。
2、铁路在国民经济的发展中处于相当重要的地位,它不但承担着大部分中长途旅客的运输任务,同时也是能源、矿物等重要物资的主要运输方式。因此保障高速铁路动车组运营秩序,提高动车组的供电安全性、可靠性就成为了非常重要的任务,而受电弓是列车获取动力的唯一设备,作为列车供电系统的核心组件,承担着从接触网受流的重要责任,而列车运行时,由于受电弓一直暴露在外界环境中,受车体运动、极端天气、司机误操作等多种因素影响,受电弓容易发生损坏。比如:弓网之间长期的机械磨损和电气损耗,滑板部分会因过度磨损而产生损坏、断裂等不良情况,因此对受电弓的状态的检测就变的异常重要。
3、目前,国内外主流的受电弓状态检测方法按照技术手段可以分为四类:人工登顶检测、基于传感器技术检测、基于传统图像处理技术检测以及基于深度学习技术检测。
4、人工检测具有一定的优势,它灵活性强,可以快速识别各类异常情况;缺点是检测结果和检修人员工作经验有关,容易出现漏检等情况,且需要登顶作业,检测效率低、安全性差。
5、基于传感器技术的受电弓检测方法虽然实现了对部分异常的检测,而且相比于人工登顶检测更有效率。但是这种方法成本高、适用范围窄,针对不同的异常情况,往往需要设计、安装不同类型的传感器,而且并不是所有受电弓都具备安装这些传感器的条件。
6、基于传统图像处理技术的受电
7、基于深度学习技术的受电弓状态检测方法,检测精度更高,鲁棒性更强,而且一般能够同时检测多种异常类型。但是这种方法同样存在一定的局限性,比如:深度学习方法往往需要大量正负样本均衡的标注数据。但是在真实工况下,异常数据的获取非常困难,实际采集的异常数据往往非常少,难以支持网络模型的训练。
技术实现思路
1、本专利技术为了解决上述问题,提出了一种车辆受电弓缺陷检测方法,本专利技术采用无监督的方法进行受电弓缺陷检测,检测精度高。
2、根据一些实施例,本专利技术采用如下技术方案:
3、第一方面,公开了一种车辆受电弓缺陷检测方法,包括:
4、采集包含受电弓的列车图像;
5、从列车图像中定位到受电弓区域,并裁剪受电弓区域并存储为第一样本图片;
6、从第一样本图片中提取受电弓轮廓,并把分割出的受电弓轮廓存储为第二样本图片;
7、构建异常检测模型,所述异常检测模型包括生成网络及判别网络;所述生成网络接收输入的第二样本图片并生成重构输出图像,所述判别网络比较第二样本图片及重构输出图像的特征,提取差异,判断输入的第二样本图片是异常图像还是正常图像,若是异常图像,则预测缺陷区域。
8、作为进一步的技术方案,所述采集的包含受电弓的列车图像包括正常样本和缺陷样本。
9、作为进一步的技术方案,从列车图像中定位到受电弓区域时,利用目标检测网络实现;
10、所述目标检测网络包括:特征提取器、预测器及损失函数;
11、所述特征提取器用于从输入的列车图像中提取特征;
12、所述预测器用于将提取的特征映射到预测结果;
13、所述损失函数用于计算预测结果与真实标签之间的差距,并计算网络的损失。
14、作为进一步的技术方案,所述特征提取器包括卷积层、残差块及池化层;
15、所述卷积层用于提取图像的特征;
16、所述残差块用于跳过一些卷积层来避免信息损失;
17、所述池化层用于减少特征图的尺寸,并保留重要的特征信息。
18、作为进一步的技术方案,所述预测器将提取的特征映射到预测结果,具体包括:
19、使用检测网格来划分图像,预测每个网格内的内容,以向量的形式表示,表示图像中物体的位置、大小和置信度。
20、作为进一步的技术方案,在训练阶段,预测器使用最小二乘损失函数计算检测结果和真实标签之间的误差,并使用反向传播算法对目标检测网络进行更新;
21、在测试阶段,预测器对图像进行预测,并返回最终的检测结果。
22、作为进一步的技术方案,所述损失函数包括坐标损失和置信度损失;
23、坐标损失是指预测的边界框与真实的边界框的差距,使用的是平方误差;
24、置信度损失是指预测的置信度与真实的置信度之间的差距,置信度是指物体是否在该边界框内,使用的是多类别交叉熵损失;
25、总损失函数是坐标损失与置信度损失的加权和。
26、作为进一步的技术方案,从第一样本图片中提取受电弓轮廓时,构建语义分割模型,用于从受电弓区域图片中提取受电弓轮廓;
27、所述语义分割模型的输入和输出尺寸是一致的,包括:生成器网络,所述生成器网络包含卷积块结构及反卷积层;
28、卷积块结构用来提取特征特征;
29、反卷积层用于完成从特征向量中还原出图像的底层特征来得到生成图像。
30、第二方面,公开了基于深度学习的车辆受电弓缺陷检测系统,包括:
31、图像处理模块,被配置为:采集包含受电弓的列车图像;
32、从列车图像中定位到受电弓区域,并裁剪受电弓区域并存储为第一样本图片;
33、从第一样本图片中提取受电弓轮廓,并把分割出的受电弓轮廓存储为第二样本图片;
34、受电弓缺陷检测模块,被配置为:构建异常检测模型,所述异常检测模型包括生成网络及判别网络;所述生成网络接收输入的第二样本图片并生成重构输出图像,所述判别网络比较第二样本图片及重构输出图像的特征,提取差异,判断输入的第二样本图片是异常图像还是正常图像,若是异常图像,则预测缺陷区域。
35、与现有技术相比,本专利技术的有益效果为:
36、本专利技术技术方案针对现有受电弓状态检测算法适用范围窄、对异常数据依赖性强的缺点,以无监督异常检测技术为依托,构建了一种基于深度卷积对抗生成网络udcgan的受电弓异常检测算法,该算法仅采用正常数据去训练模型,极大的减小了数据获取的难度,和人工标注的时间,也缩短了项目周期以及人工时间。
37、本专利技术技术方案构建并训练目标检测网络,语义分割网络,能够在复杂场景下从列车图像中提取本文档来自技高网...
【技术保护点】
1.一种车辆受电弓缺陷检测方法,其特征是,包括:
2.如权利要求1所述的一种车辆受电弓缺陷检测方法,其特征是,从列车图像中定位到受电弓区域时,利用目标检测网络实现;
3.如权利要求2所述的一种车辆受电弓缺陷检测方法,其特征是,所述特征提取器包括卷积层、残差块及池化层;
4.如权利要求3所述的一种车辆受电弓缺陷检测方法,其特征是,在训练阶段,预测器使用最小二乘损失函数计算检测结果和真实标签之间的误差,并使用反向传播算法对目标检测网络进行更新;
5.如权利要求2所述的一种车辆受电弓缺陷检测方法,其特征是,所述损失函数包括坐标损失和置信度损失;
6.如权利要求1所述的一种车辆受电弓缺陷检测方法,其特征是,从第一样本图片中提取受电弓轮廓时,构建语义分割模型,用于从受电弓区域图片中提取受电弓轮廓;
7.基于深度学习的车辆受电弓缺陷检测系统,其特征是,包括:
8.如权利要求7所述的一种车辆受电弓缺陷检测系统,其特征是,受电弓缺陷检测模块中,从第一样本图片中提取受电弓轮廓时,构建语义分割模型,用于从受电弓区域图
9.一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述权利要求1-6任一所述的方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行上述权利要求1-6任一所述的方法中的步骤。
...【技术特征摘要】
1.一种车辆受电弓缺陷检测方法,其特征是,包括:
2.如权利要求1所述的一种车辆受电弓缺陷检测方法,其特征是,从列车图像中定位到受电弓区域时,利用目标检测网络实现;
3.如权利要求2所述的一种车辆受电弓缺陷检测方法,其特征是,所述特征提取器包括卷积层、残差块及池化层;
4.如权利要求3所述的一种车辆受电弓缺陷检测方法,其特征是,在训练阶段,预测器使用最小二乘损失函数计算检测结果和真实标签之间的误差,并使用反向传播算法对目标检测网络进行更新;
5.如权利要求2所述的一种车辆受电弓缺陷检测方法,其特征是,所述损失函数包括坐标损失和置信度损失;
6.如权利要求1所述的一种车辆受电弓缺陷检测方法,其...
【专利技术属性】
技术研发人员:孙晓东,沈华波,李伟,徐晟航,胡昊,
申请(专利权)人:中车青岛四方机车车辆股份有限公司,
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。