【技术实现步骤摘要】
本专利技术实施例涉及图像检测，尤其涉及一种铁轨表面缺陷检测方法和装置、电子设备及存储介质。
技术介绍
1、传统的铁路巡检，一般会由专门的巡检队伍24小时不间断的在万里轨道上进行巡视。巡检人员常年风吹日晒、跋山涉水，除了工作环境非常艰苦，还存在因巡检人员身体状况不稳定、判定标准不唯一等因素，造成巡查质量无法保证。且由于铁路缺陷表面目标背景复杂、小目标尺寸小、缺少目标的纹理特征，因此对小目标的精确识别和定位存在一定的难度，导致检测精度不高。
技术实现思路
1、本专利技术实施例提供了一种铁轨表面缺陷检测方法和装置、电子设备及存储介质，能够通过引入增强对小目标关注的显示视觉中心与注意力机制对缺陷区域关注，实现小样本场景下的小目标铁轨表面缺陷检测，从而提高检测精度。
2、第一方面，本专利技术实施例提供了一种铁轨表面缺陷检测方法，包括：
3、获取铁轨表面图像；
4、将所述铁轨表面图像输入至训练好的rdd-yolov5模型中，其中，所述rdd-yolov5模型包括主干网络、颈部网络和检测器头部，在所述主干网络引入focus切片模块、深度缺陷特征卷积模块和空间金字塔池化改进模块，在所述颈部网络应用rddnet结构取代原来的panet结构，所述rddnet结构具有显示视觉中心，所述显示视觉中心由轻量级多层感知机和可学习的视觉中心机制组成，在所述检测器头部引入坐标注意力机制；
5、基于中心的锚点算法对所述铁轨表面图像的缺陷区域进行定位；
6、
7、通过所述深度缺陷特征卷积模块和所述空间金字塔池化改进模块对所述图像切片进行特征提取，得到图像特征；
8、通过所述显示视觉中心和所述坐标注意力机制对所述图像特征中的小尺寸缺陷进行关注和识别，得到铁轨表面缺陷检测结果。
9、在一些实施例中，所述rdd-yolov5模型的训练方法包括：
10、对采集到的铁轨表面图像数据进行数据清洗，形成数据集；
11、对所述数据集中的缺陷区域进行半自动化标签注释；
12、将注释好的所述数据集输入至的所述rdd-yolov5模型；
13、确定被检测对象的对象性得分、类概率得分和包围盒回归得分；
14、基于所述对象性得分、所述类概率得分和所述包围盒回归得分确定损失函数；
15、对所述损失函数进行参数优化，得到训练好的所述rdd-yolov5模型。
16、在一些实施例中，所述确定被检测对象的对象性得分、类概率得分和包围盒回归得分，包括：
17、利用二进制交叉熵损失函数计算被检测对象的对象性得分和类概率得分；
18、采用ceiou损失函数计算被检测对象的包围盒回归得分。
19、在一些实施例中，所述ceiou损失函数计算公式如下：
20、h＝|h1-h2|
21、w＝|w1-w2|
22、
23、ceiouloss＝1-ceiou
24、其中，c是目标定位框和预测框的最小外接矩形c的对角线长度，r是目标定位框和预测框的中心点之间的欧几里得度量，ch和cw分别代表最小外接矩形c的长度和宽度，h1和w1是目标地面真相盒子的长度和宽度，h2和w2是预测盒子的长度和宽度，ef是目标地面真相盒子的左上角和右下角之间的距离，hg是预测盒子的左上角和右下角之间的距离，h是目标地面真相盒子的长度与预测盒子的长度之差，w是目标地面真相盒子的宽度与预测盒子的宽度之差。
25、在一些实施例中，所述基于中心的锚点算法对所述铁轨表面图像的缺陷区域进行定位，包括：
26、使用全卷积网络对特征图的每个位置到所述铁轨表面图像四边的距离进行一个回归；
27、使用锚点与正确边界框之间的垂直距离和水平距离来表示边界框；
28、确定正样本区域和负样本区域；
29、根据中心度分数定位缺陷区域的中心点。
30、在一些实施例中，所述深度缺陷特征卷积模块是根据幽灵卷积块与原yolov5模型中的c3模块融合而得到；所述空间金字塔池化改进模块包括第一cbs层、第二cbs层、第三cbs层、第四cbs层、第五cbs层、第一最大池化层、第二最大池化层、第三最大池化层、第一1×1卷积层和第二1×1卷积层，所述第一cbs层通过所述第一最大池化层连接到第一1×1卷积层，所述第二cbs层通过所述第二最大池化层连接到第一1×1卷积层，所述第三cbs层通过所述第三最大池化层连接到第一1×1卷积层，所述第一1×1卷积层通过所述第二1×1卷积层与所述第四cbs层拼接到第五cbs层。
31、在一些实施例中，所述坐标注意力机制包括坐标信息嵌入和坐标注意力生成，所述坐标注意力生成阶段过程如下：
32、将坐标信息嵌入输出的聚合特征图进行concat连接，并使用1×1卷积层、batchnorm层和非线性激活层将中间特征分割为两个独立的特征张量；
33、将两个独立的特征张量分别经过1×1卷积层调整维度，从c/r个通道恢复到c个通道，再经过sigmoid激活函数得到水平方向的注意力权重和垂直方向的注意力权重；
34、将水平方向的注意力权重和垂直方向的注意力权重对应第c通道的特征张量与第c通道特征图在对应的坐标位置相乘，得到赋予通道以及特征图内部位置方向注意信息的输出特征图。
35、第二方面，本专利技术实施例还提供了一种铁轨表面缺陷检测装置，所述装置包括：
36、获取模块，用于获取铁轨表面图像；
37、输入模块，用于将所述铁轨表面图像输入至训练好的rdd-yolov5模型中，其中，所述rdd-yolov5模型包括主干网络、颈部网络和检测器头部，在所述主干网络引入focus切片模块、深度缺陷特征卷积模块和空间金字塔池化改进模块，在所述颈部网络应用rddnet结构取代原来的panet结构，所述rddnet结构具有显示视觉中心，所述显示视觉中心由轻量级多层感知机和可学习的视觉中心机制组成，在所述检测器头部引入坐标注意力机制；
38、定位模块，用于基于中心的锚点算法对所述铁轨表面图像的缺陷区域进行定位；
39、切片模块，用于通过所述focus切片模块对所述铁轨表面图像的缺陷区域进行切片，得到图像切片；
40、提取模块，用于通过所述深度缺陷特征卷积模块和所述空间金字塔池化改进模块对所述图像切片进行特征提取，得到图像特征；
41、识别模块，用于通过所述显示视觉中心和所述坐标注意力机制对所述图像特征中的小尺寸缺陷进行关注和识别，得到铁轨表面缺陷检测结果。
42、第三方面，本专利技术实施例还提供了一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现如第一方面本文档来自技高网...
【技术保护点】
1.一种铁轨表面缺陷检测方法，包括：
2.根据权利要求1所述的方法，其特征在于，所述RDD-YOLOv5模型的训练方法包括：
3.根据权利要求2所述的方法，其特征在于，所述确定被检测对象的对象性得分、类概率得分和包围盒回归得分，包括：
4.根据权利要求3所述的方法，其特征在于，所述CEIOU损失函数计算公式如下：
5.根据权利要求1所述的方法，其特征在于，所述基于中心的锚点算法对所述铁轨表面图像的缺陷区域进行定位，包括：
6.根据权利要求1所述的方法，其特征在于，所述深度缺陷特征卷积模块是根据幽灵卷积块与原YOLOv5模型中的C3模块融合而得到；所述空间金字塔池化改进模块包括第一CBS层、第二CBS层、第三CBS层、第四CBS层、第五CBS层、第一最大池化层、第二最大池化层、第三最大池化层、第一1×1卷积层和第二1×1卷积层，所述第一CBS层通过所述第一最大池化层连接到第一1×1卷积层，所述第二CBS层通过所述第二最大池化层连接到第一1×1卷积层，所述第三CBS层通过所述第三最大池化层连接到第一1×1卷积层，所述第一1×
7.根据权利要求1所述的方法，其特征在于，所述坐标注意力机制包括坐标信息嵌入和坐标注意力生成，所述坐标注意力生成阶段过程如下：
8.一种铁轨表面缺陷检测装置，其特征在于，所述装置包括：
9.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的铁轨表面缺陷检测方法。
10.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1至7任意一项所述的铁轨表面缺陷检测方法。
...【技术特征摘要】
1.一种铁轨表面缺陷检测方法，包括：
2.根据权利要求1所述的方法，其特征在于，所述rdd-yolov5模型的训练方法包括：
3.根据权利要求2所述的方法，其特征在于，所述确定被检测对象的对象性得分、类概率得分和包围盒回归得分，包括：
4.根据权利要求3所述的方法，其特征在于，所述ceiou损失函数计算公式如下：
5.根据权利要求1所述的方法，其特征在于，所述基于中心的锚点算法对所述铁轨表面图像的缺陷区域进行定位，包括：
6.根据权利要求1所述的方法，其特征在于，所述深度缺陷特征卷积模块是根据幽灵卷积块与原yolov5模型中的c3模块融合而得到；所述空间金字塔池化改进模块包括第一cbs层、第二cbs层、第三cbs层、第四cbs层、第五cbs层、第一最大池化层、第二最大池化层、第三最大池化层、第一1×1卷积层和第二1×1卷积层，所述第一cbs...
【专利技术属性】
技术研发人员：潘文锋，黄梓杰，翟懿奎，潘嘉灏，李博，游杰，沈展宇，何元锋，肖廷轩，
申请(专利权)人：五邑大学，
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。