【技术实现步骤摘要】
本专利技术涉及缺陷检测，更具体地说，本专利技术涉及基于深度迁移学习的弓网缺陷检测与特征融合方法。
技术介绍
1、传统单模态检测方法难以全面捕捉弓网缺陷的复杂特征，而多模态数据融合可提供更完整的缺陷表征。但面临实验室仿真与实际线路数据的域差异问题，直接应用深度学习模型易导致过拟合。
2、授权公开号为cn105652154b的中国专利申请公开了接触网运行状态安全监测分析系统：所述系统至少包括第一相机、第二相机、图像矫正单元、受电弓识别单元、接触线识别单元、模型数据库、几何参数计算单元和缺陷识别单元；所述第一相机和第二相机分别从两个不同的角度采集受电弓的视频图像，输出第一视角图像和第二视角图像；所述图像矫正单元根据受电弓的标定分别对第一视角图像和第二视角图像进行透视矫正，使第一视角图像和第二视角图像中的受电弓呈左右对称形式；所述模型数据库用于存储受电弓模型，所述受电弓模型包括与第一视角图像相应的第一视角受电弓模型和与第二视角图像相应的第二视角受电弓模型；所述受电弓识别单元根据第一视角受电弓模型和第二视角受电弓模型，分别在第一视角图...
【技术保护点】
1.基于深度迁移学习的弓网缺陷检测与特征融合方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度迁移学习的弓网缺陷检测与特征融合方法，其特征在于，所述获得多模态的域不变特征向量的方法包括：
3.根据权利要求2所述的基于深度迁移学习的弓网缺陷检测与特征融合方法，其特征在于，所述混合骨干网络的训练方法包括：
4.根据权利要求1所述的基于深度迁移学习的弓网缺陷检测与特征融合方法，其特征在于，所述对齐后的多模态数据集包括对齐后的可见光图像、对齐后的热成像图像和对齐后的激光3D点云。
5.根据权利要求4所述的基于深度...
【技术特征摘要】
1.基于深度迁移学习的弓网缺陷检测与特征融合方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度迁移学习的弓网缺陷检测与特征融合方法，其特征在于，所述获得多模态的域不变特征向量的方法包括：
3.根据权利要求2所述的基于深度迁移学习的弓网缺陷检测与特征融合方法，其特征在于，所述混合骨干网络的训练方法包括：
4.根据权利要求1所述的基于深度迁移学习的弓网缺陷检测与特征融合方法，其特征在于，所述对齐后的多模态数据集包括对齐后的可见光图像、对齐后的热成像图像和对齐后的激光3d点云。
5.根据权利要求4所述的基于深度迁移学习的弓网缺陷检测与特征融合方法，其特征在于，所述获得对齐后的多模态数据集的方法包括：
6.根据权利要求5所述的...
【专利技术属性】
技术研发人员：张锁柱，黄迪，刘勇，侯青川，安明艳，方涛，谭庭亮，罗传锋，王道胜，龙顺，杨瑾瑜，岳建强，曹彬，
申请(专利权)人：贵阳中车浦镇城市轨道交通装备服务有限公司，
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。