【技术实现步骤摘要】
本专利技术属于铁路轨枕裂纹缺陷检测，尤其涉及一种铁路轨枕裂纹检测模型训练方法、装置及设备。
技术介绍
1、轨枕作为轨道的基础设施，其质量和强度同样非常重要。因此，加强轨枕缺陷检测技术的研究与应用，对保障铁路线路质量、维护铁路设施、提升铁路运输安全水平具有重要意义。随着轨枕使用寿命的不断延长以及自然损耗和人为损坏等因素的不断累积，轨枕表面会存在裂纹的缺陷，裂纹不但会影响到轨枕的强度、稳定性和使用寿命，同时还会对列车的行驶速度和运输质量产生重要的影响。因此，开展轨枕裂纹检测与评价的研究工作具有现实必要性和重要意义。
2、基于机器学习模型的图像处理技术在铁路轨枕状态监测已得到广泛应用，该方法相对于传统的检测方法来说，图像处理技术成本更低，可以快速地对轨道缺陷进行检测，提高检测效率，并且不需要与轨道表面直接接触，不会对轨道表面造成额外的损伤。但是图像处理技术对环境的要求比较高，光照等因素的影响会影响图像的质量，从而影响缺陷检测的效果。图像处理算法在特定情况下表现良好，但在复杂的情况下容易出现误检或漏检，所以需要根据具体情况进行优化。...
【技术保护点】
1.一种铁路轨枕裂纹目标检测模型训练方法，其特征在于，所述方法包括：
2.如权利要求1所述的轨枕裂纹目标检测模型训练方法，其特征在于，所述预设的轨枕裂纹目标检测网络为改进的Yolov7网络，所述改进的Yolov7网络包括Swin-Transformer特征提取模型、改进的NAS-FPN特征融合模型以及TOOD Head模型。
3.如权利要求2所述的轨枕裂纹目标检测模型训练方法，其特征在于，将所述训练数据集当中的训练图像输入到预设的轨枕裂纹目标检测网络当中进行训练，所述训练图像在所述轨枕裂纹目标检测网络当中依序进行Swin-Transformer...
【技术特征摘要】
1.一种铁路轨枕裂纹目标检测模型训练方法，其特征在于，所述方法包括：
2.如权利要求1所述的轨枕裂纹目标检测模型训练方法，其特征在于，所述预设的轨枕裂纹目标检测网络为改进的yolov7网络，所述改进的yolov7网络包括swin-transformer特征提取模型、改进的nas-fpn特征融合模型以及tood head模型。
3.如权利要求2所述的轨枕裂纹目标检测模型训练方法，其特征在于，将所述训练数据集当中的训练图像输入到预设的轨枕裂纹目标检测网络当中进行训练，所述训练图像在所述轨枕裂纹目标检测网络当中依序进行swin-transformer特征提取、nas最优特征融合增加网络对图像特征的表达能力，同时利用tood head模型增加对轨枕裂纹特征分类与回归之间的交互，并输出预测的轨枕裂纹信息的步骤包括：
4.如权利要求1所述的轨枕裂纹目标检测模型训练方法，其特征在于，在所述根据所述预测的轨枕裂纹目标检测信息与标注的真实轨枕裂纹目标检测信息，计算模型损失，并根据所...
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。