【技术实现步骤摘要】
本专利技术涉及深度学习和目标检测，具体涉及一种低光环境下机车撒砂装置智能检测方法。
技术介绍
1、在铁路运中，撒砂作为提升轮轨粘着系数的关键手段，对于保障机车的牵引效率、防止空转以及确保列车制动距离符合安全标准具有不可替代的作用。这一技术细节直接关系到列车运行的稳定性和安全性，因此实时监控机车的撒砂状态，确保撒砂装置工作正常，是铁路整备作业中不可或缺的一环。然而，在实际操作中，如何准确判断机车是否在进行撒砂是一个复杂而棘手的问题。
2、随着计算机视觉技术的快速发展，利用图像识别技术来监测机车撒砂状态成为可能。通过安装于机车上的摄像头，实时采集撒砂装置的图像信息，进而可以分析判断撒砂行为是否发生。然而，这一方案在实际应用中却面临着严峻的挑战。
3、在低光照条件下，摄像头捕捉到的图像往往呈现出对比度低、噪声高、目标细节模糊等特点，这些不利因素极大地影响了传统目标检测算法的性能，使得撒砂区域的准确识别变得异常困难。尽管近年来低光照图像增强技术取得了显著进步，但这些技术大多聚焦于图像质量的提升，而忽略了与目标检测任务的紧密结合，导致实际检测中，即便经过增强的图像的检测准确性仍然不尽如人意。因此，如何设计一种能够有效解决低光环境下机车撒砂装置检测准确性低的方法是亟需解决的技术问题。
技术实现思路
1、针对上述现有技术的不足，本专利技术所要解决的技术问题是：如何提供一种低光环境下机车撒砂装置智能检测方法，通过低光增强网络利用几何稀疏表示分支和低光增强分支生成增强机车撒砂
2、为了解决上述技术问题，本专利技术采用了如下的技术方案：
3、低光环境下机车撒砂装置智能检测方法，包括：
4、s1：获取待检测的机车撒砂装置图像；
5、s2：通过低光增强网络对机车撒砂装置图像进行图像增强，得到增强机车撒砂装置图像；
6、低光增强网络的处理步骤如下：
7、s201：计算机车撒砂装置图像的几何稀疏系数图；
8、s202：将几何稀疏系数图输入几何稀疏表示分支，输出对应的增强几何稀疏系数图；
9、s203：将机车撒砂装置图像输入低光增强分支，输出对应的低光增强特征图；
10、s204：将低光增强分支和几何稀疏表示分支倒数第二层的输出进行融合，得到对应的增强机车撒砂装置图像；
11、s3：将增强机车撒砂装置图像输入训练好的目标检测模型，输出撒砂管区域的预测结果；
12、s4：将撒砂管区域的预测结果作为机车撒砂装置图像的检测结果进行输出。
13、优选的，步骤s201中，通过如下公式计算几何稀疏系数图：
14、
15、式中：j(ak,∈k)表示机车撒砂装置图像i的几何稀疏系数；ωk表示图像块；ak表示像素k的几何稀疏系数；k表示像素；d表示字典图像；λ表示ak上的正则化参数；∈k表示系数；μk表示图像块ωk中d的均值；表示图像块ωk中i的均值；表示图像块ωk中d的方差。
16、优选的，步骤s202中，几何稀疏表示分支包括依次首尾连接的第一个卷积模块、四个模块组合一、第二个卷积模块、卷积模块组合和第三个卷积模块；
17、模块组合一包括依次首尾连接的串联模块、三个rrdb模块和卷积模块；
18、卷积模块组合包括依次首尾连接的两个卷积模块；
19、将第一个卷积模块输出的特征图和第二个卷积模块输出的特征图进行拼接后作为卷积模块组合的输入；将卷积模块组合的输出作为几何稀疏表示分支输出的增强几何稀疏系数图。
20、优选的，步骤s203中，低光增强分支包括依次首尾连接的第一个卷积模块、五个模块组合二、第二个卷积模块和卷积模块组合；
21、模块组合二包括依次首尾连接的两个通道注意密集块和三个残差稠密模块；
22、卷积模块组合包括依次首尾连接的两个卷积模块；
23、将第一个卷积模块输出的特征图和卷积模块组合输出的特征图进行拼接后作为低光增强分支输出的低光增强特征图；
24、其中第一个至第四个模块组合二输出的特征图作为先验特征分别一一对应的作为几何稀疏表示分支中第一个至第四个模块组合一中的串联模块的输入。
25、优选的，步骤s204中，通过融合网络将低光增强分支和几何稀疏表示分支倒数第二层的输出进行融合；
26、融合网络包括依次首尾连接的模块组合三和卷积模块组合；
27、模块组合三包括依次首尾连接的串联模块和融合模块；
28、卷积模块组合包括依次首尾连接的两个卷积模块；
29、将低光增强特征图和增强几何稀疏系数图作为模块组合三中的串联模块的输入；将卷积模块组合输出的特征图作为融合网络输出的增强机车撒砂装置图像。
30、优选的，通道注意密集块包括依次首尾连接的两个稠密模块和通道注意力模块；
31、稠密模块包括依次首尾连接的四个模块组合四和卷积模块；模块组合四包括依次首尾连接的卷积模块和relu激活函数层；
32、通道注意力模块包括依次首尾连接的全局池化层、全连接层、relu激活函数层、全连接层和sigmoid激活函数层；
33、将通道注意密集块输入的原始特征图与第一个稠密模块输出的特征图进行拼接后作为第二个稠密模块的输入；将第二个稠密模块输入和输出的特征图进行拼接后作为通道注意力模块的输入；将通道注意力模块输入和输出的特征图进行拼接后，再与原始特征图进行拼接作为通道注意密集块输出的特征图。
34、优选的，步骤s202中，基于生成对抗网络训练几何稀疏表示分支，具体训练步骤如下：
35、s2021：获取低光图像ilow和真实图像以及低光图像和真实图像的几何稀疏系数图；
36、s2022：训练生成器：固定判别器的参数；将低光图像的几何稀疏系数图作为生成器的输入，结合低光增强分支的先验特征生成增强几何稀疏系数图基于增强几何稀疏系数图和真实图像的几何稀疏系数图计算生成器损失函数和像素损失函数并进一步计算总损失函数通过反向传播算法更新生成器参数，以最小化其总损失函数
37、公式表示为：
38、
39、式中：βgsr和γgsr分别表示增强几何稀疏系数图的像素损失权重和对抗损失权重；gsr(ilow)和alow均表示低光图像的几何稀疏系数图；表示计算期望；ggsr、dgsr分别表示生成器和判别器；ggsr(gsr(ilow))和g(alow)均表示生成器根据低光图像的几何稀疏系数图生成的增强几何稀疏系数图；表示真实图像的几何稀疏系数图；
40、s2023：训练判别器：固定生成器的参数；将低光图像的几何稀疏系数图作为生成器的输入，结合低光增强分支的先验特征生成增强几何稀疏本文档来自技高网...
【技术保护点】
1.低光环境下机车撒砂装置智能检测方法，其特征在于，包括：
2.如权利要求1所述的低光环境下机车撒砂装置智能检测方法，其特征在于：步骤S201中，通过如下公式计算几何稀疏系数图：
3.如权利要求1所述的低光环境下机车撒砂装置智能检测方法，其特征在于：步骤S202中，几何稀疏表示分支包括依次首尾连接的第一个卷积模块、四个模块组合一、第二个卷积模块、卷积模块组合和第三个卷积模块；
4.如权利要求3所述的低光环境下机车撒砂装置智能检测方法，其特征在于：步骤S203中，低光增强分支包括依次首尾连接的第一个卷积模块、五个模块组合二、第二个卷积模块和卷积模块组合；
5.如权利要求4所述的低光环境下机车撒砂装置智能检测方法，其特征在于：步骤S204中，通过融合网络将低光增强分支和几何稀疏表示分支倒数第二层的输出进行融合；
6.如权利要求4所述的低光环境下机车撒砂装置智能检测方法，其特征在于：通道注意密集块包括依次首尾连接的两个稠密模块和通道注意力模块；
7.如权利要求4所述的低光环境下机车撒砂装置智能检测方法，其特征在于：
8.如权利要求4所述的低光环境下机车撒砂装置智能检测方法，其特征在于：步骤S203中，基于生成对抗网络来训练低光增强分支，具体训练步骤如下：
9.如权利要求1所述的低光环境下机车撒砂装置智能检测方法，其特征在于：
10.如权利要求9所述的低光环境下机车撒砂装置智能检测方法，其特征在于：训练目标检测模型时的分类损失函数如下：
...【技术特征摘要】
1.低光环境下机车撒砂装置智能检测方法，其特征在于，包括：
2.如权利要求1所述的低光环境下机车撒砂装置智能检测方法，其特征在于：步骤s201中，通过如下公式计算几何稀疏系数图：
3.如权利要求1所述的低光环境下机车撒砂装置智能检测方法，其特征在于：步骤s202中，几何稀疏表示分支包括依次首尾连接的第一个卷积模块、四个模块组合一、第二个卷积模块、卷积模块组合和第三个卷积模块；
4.如权利要求3所述的低光环境下机车撒砂装置智能检测方法，其特征在于：步骤s203中，低光增强分支包括依次首尾连接的第一个卷积模块、五个模块组合二、第二个卷积模块和卷积模块组合；
5.如权利要求4所述的低光环境下机车撒砂装置智能检测方法，其特征在于：步骤s204中，通过融合网络将低光增...
【专利技术属性】
技术研发人员：谭晋，赵钟彬，李建均，胡冲，胡燕燕，付雨佳，胡雨婷，
申请(专利权)人：重庆交通大学，
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。