【技术实现步骤摘要】
本专利技术涉及高铁侧部异物检测方法。
技术介绍
1、高铁行驶过程中，车体周围有可能悬挂异物，造成一定安全隐患。为保证列车平稳、安全运行，需对车体的异物悬挂故障进行识别检测，一旦发现该种情况，则需立即处理。目前采用人工检查图像的方式对车体部分进行故障检查，而检车人员在工作过程中极易出现疲劳、遗漏等情况，造成漏检、错检的出现，影响行车安全；且车体范围过大，人工检车时间过长，一些小的异物故障肉眼不易找寻，人工查验效率低下，故障检查需要耗费大量时间。
2、基于上述情况，使用深度学习网络，识别车体侧部状态，实现故障报警，从而提高检测效率、提高列车运行的稳定性和安全性。
技术实现思路
1、本专利技术的目的是为了解决现有transxnet检测方法网络复杂度高、计算量大，导致高铁侧部异物检测识别效率低，识别时间长的问题，而提出基于改进后transxnet方法的高铁侧部异物检测方法。
2、基于改进后transxnet方法的高铁侧部异物检测方法具体过程为：
3、步骤一、采集高铁侧部图像，对高铁侧部图像进行目标截取，得到训练集图片集合；
4、步骤二、构建transxnet网络；具体过程为：
5、transxnet网络依次包括第一阶段、第二阶段、第三阶段和第四阶段；
6、第一阶段依次包括第一补丁嵌入层和n1个transxnet块组成；
7、第二阶段依次包括第二补丁嵌入层和n2个transxnet块组成；
8、第
9、第四阶段依次包括第四补丁嵌入层和n4个transxnet块组成；
10、每个transxnet块包括动态位置编码层dpe、第一标准层、双动态令牌混合层d-mixer、第二标准层以及多尺度前馈网络层ms-ffn；
11、双动态令牌混合层d-mixer包括：
12、全局自注意力模块osra、动态深度卷积模块idconv和挤压令牌增强器ste；
13、双动态令牌混合层d-mixer处理过程为：
14、1)、对于输入特征图x∈rc×h×w，将输入特征图x∈rc×h×w划分为子特征图x1和子特征图x2；
15、x1＝βγx+(1-β)γx
16、x2＝βγx+(1-β)γx
17、其中c表示通道数，h表示特征图的高度，w表示特征图的宽度；β和γ为参数；
18、2)、将子特征图x1输入全局自注意力模块osra，全局自注意力模块osra输出特征图z；具体过程为：
19、(1)、子特征图x1通过重叠空间缩减osr后得到中间特征y，表达式为y＝osr(x1)；
20、(2)、将子特征图x1输入1x1的卷积层，1x1的卷积层输出特征输入非线性激活函数relu进行非线性处理，非线性激活函数relu输出特征q；
21、将中间特征y进行划分并进行深度卷积，映射得到特征k和特征v；具体过程为：
22、k′,v′＝split(y+lr(y))
23、k＝relu(conv(k′)
24、v＝relu(conv(v′))
25、其中split(y+lr(y))表示将(y+lr(y))沿特征图的宽度维度或高度维度进行划分，得到两个特征图k′、v′；
26、lr(·)表示3×3的深度卷积；
27、conv表示1x1的卷积层，relu表示非线性激活函数；
28、(3)、特征k经过平均池化层，得到经过平均池化层后的特征k；
29、特征v经过平均池化层，得到经过平均池化层后的特征v；
30、(4)、将特征q、经过平均池化层后的特征k和经过平均池化层后的特征v使用多头注意力机制进行聚合，得到输出特征图
31、其中b表示相对位置偏差矩阵，d表示每个注意头中的通道数，t表示求转置；
32、3)、将子特征图x2输入动态深度卷积模块idconv，动态深度卷积模块idconv输出特征图f；
33、4)、沿着通道维度将特征图z和特征图f进行拼接，拼接后输入挤压令牌增强器ste，挤压令牌增强器ste输出特征；
34、步骤三、训练集图片集合输入transxnet网络进行训练，获得训练好的transxnet网络；
35、步骤四、采集高铁侧部图像，对高铁侧部图像进行目标截取，获得待测图像；
36、将待测图像输入训练好的transxnet网络，判断是否存在故障，若不存在，继续对待测图像进行检测；若存在，则需要进行报警。
37、优选地，步骤一中采集高铁侧部图像，对高铁侧部图像进行目标截取，得到训练集图片集合；具体过程为：
38、步骤一一、获取不同时间段不同环境下的高铁侧部图像；
39、步骤一二、对不同时间段不同环境下的高铁侧部图像进行目标截取，得到训练集图片集合。
40、优选地，步骤一二中对不同时间段不同环境下的高铁侧部图像进行目标截取，得到训练集图片集合；具体过程为：
41、步骤一二一、在高铁侧部图像中首先定位车头车尾的位置信息，确定高铁的起止位置，根据起止位置对包含车头车尾的目标区域进行截取，得到目标图像；
42、步骤一二二、对目标图像进行分割，得到训练集图片集合。
43、优选地，步骤一二二中对目标图像进行分割，得到训练集图片集合；具体过程为：
44、对目标图像从左到右滑动，每6000像素截取一次，每次截取时当前图片与前一张图重叠100像素，得到训练集图片集合，训练集图片集合中每一张图像大小为2048×512。
45、优选地，步骤二中第一补丁嵌入层依次包括7×7的卷积层和批量归一化bn；
46、第二补丁嵌入层依次包括3×3的卷积层和批量归一化bn；
47、第三补丁嵌入层依次包括3×3的卷积层和批量归一化bn；
48、第四补丁嵌入层依次包括3×3的卷积层和批量归一化bn。
49、优选地，第一补丁嵌入层中7×7的卷积层的步长为4；
50、第二补丁嵌入层中3×3的卷积层步长为2；
51、第三补丁嵌入层中3×3的卷积层步长为2；
52、第四补丁嵌入层中3×3的卷积层步长为2。
53、优选地，每个transxnet块处理过程为：
54、特征输入动态位置编码层dpe，动态位置编码层dpe的输出输入第一标准层，第一标准层输出输入双动态令牌混合层d-mixer，双动态令牌混合层d-mixer输出和动态位置编码层dpe的输出进行加和后得到特征a，特征a输入第二标准层，第二标准层的输出输入多尺度前馈网络层ms-ffn；多尺度前馈网络层ms-ffn的输出和特征a进行加和后得到特征b，特征b作为每个transxnet块本文档来自技高网...
【技术保护点】
1.基于改进后TransXNet方法的高铁侧部异物检测方法，其特征在于：所述方法具体过程为：
2.根据权利要求1所述的基于改进后TransXNet方法的高铁侧部异物检测方法，其特征在于：所述步骤一中采集高铁侧部图像，对高铁侧部图像进行目标截取，得到训练集图片集合；具体过程为：
3.根据权利要求2所述的基于改进后TransXNet方法的高铁侧部异物检测方法，其特征在于：所述步骤一二中对不同时间段不同环境下的高铁侧部图像进行目标截取，得到训练集图片集合；具体过程为：
4.根据权利要求3所述的基于改进后TransXNet方法的高铁侧部异物检测方法，其特征在于：所述步骤一二二中对目标图像进行分割，得到训练集图片集合；具体过程为：
5.根据权利要求1至4任意一项所述的基于改进后TransXNet方法的高铁侧部异物检测方法，其特征在于：所述步骤二中第一补丁嵌入层依次包括7×7的卷积层和批量归一化BN；
6.根据权利要求5所述的基于改进后TransXNet方法的高铁侧部异物检测方法，其特征在于：所述第一补丁嵌入层中7×7的卷积层的步长
7.根据权利要求6所述的基于改进后TransXNet方法的高铁侧部异物检测方法，其特征在于：所述每个TransXNet块处理过程为：
8.根据权利要求7所述的基于改进后TransXNet方法的高铁侧部异物检测方法，其特征在于：所述子特征图X1的尺寸为C/2×H×W；
9.根据权利要求8所述的基于改进后TransXNet方法的高铁侧部异物检测方法，其特征在于：所述(2)中特征K的尺寸为C/2×S×S′，S表示特征图的高，S′表示特征图的宽，S＝S′；
10.根据权利要求9所述的基于改进后TransXNet方法的高铁侧部异物检测方法，其特征在于：所述步骤四中采集高铁侧部图像，对高铁侧部图像进行目标截取，获得待测图像；将待测图像输入训练好的TransXNet网络，判断是否存在故障，若不存在，继续对待测图像进行检测；若存在，则需要进行报警；具体过程为：
...【技术特征摘要】
1.基于改进后transxnet方法的高铁侧部异物检测方法，其特征在于：所述方法具体过程为：
2.根据权利要求1所述的基于改进后transxnet方法的高铁侧部异物检测方法，其特征在于：所述步骤一中采集高铁侧部图像，对高铁侧部图像进行目标截取，得到训练集图片集合；具体过程为：
3.根据权利要求2所述的基于改进后transxnet方法的高铁侧部异物检测方法，其特征在于：所述步骤一二中对不同时间段不同环境下的高铁侧部图像进行目标截取，得到训练集图片集合；具体过程为：
4.根据权利要求3所述的基于改进后transxnet方法的高铁侧部异物检测方法，其特征在于：所述步骤一二二中对目标图像进行分割，得到训练集图片集合；具体过程为：
5.根据权利要求1至4任意一项所述的基于改进后transxnet方法的高铁侧部异物检测方法，其特征在于：所述步骤二中第一补丁嵌入层依次包括7×7的卷积层和批量归一化bn；
6.根据权利要求5所述的基于改进后tra...
【专利技术属性】
技术研发人员：王璐，
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。