CN111815605B - 基于分步深度学习的轨枕缺陷检测方法及存储介质 - Google Patents

基于分步深度学习的轨枕缺陷检测方法及存储介质 Download PDF

Info

Publication number
CN111815605B
CN111815605B CN202010654760.XA CN202010654760A CN111815605B CN 111815605 B CN111815605 B CN 111815605B CN 202010654760 A CN202010654760 A CN 202010654760A CN 111815605 B CN111815605 B CN 111815605B
Authority
CN
China
Prior art keywords
sleeper
network
model
training
residual
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010654760.XA
Other languages
English (en)
Other versions
CN111815605A (zh
Inventor
刘�东
吴松荣
郑英杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Yunda Technology Co Ltd
Original Assignee
Chengdu Yunda Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Yunda Technology Co Ltd filed Critical Chengdu Yunda Technology Co Ltd
Priority to CN202010654760.XA priority Critical patent/CN111815605B/zh
Publication of CN111815605A publication Critical patent/CN111815605A/zh
Application granted granted Critical
Publication of CN111815605B publication Critical patent/CN111815605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于分步深度学习的轨枕缺陷检测方法及存储介质，轨枕缺陷检测方法包括获取轨道图像，对轨道图像进行预处理得到轨枕区域；将轨枕区域输入已训练的轨枕破损检测模型，得到轨道图像的检测结果；轨枕破损检测模型的训练方法包括构建轨枕训练集，调整YOLO V3网络的网络结构及网络输入通道数；采用轨枕训练集对迁移后YOLO V3网络进行训练，得到轨枕定位模型；采用轨枕定位模型截取训练集a中图片的轨枕区域对Darknet‑53网络进行训练；采用缺陷特征提取模型提取训练集a中图片的轨枕特征对SVM分类器进行训练得到分类模型；依次连接的轨枕定位模型、缺陷特征提取模型和分类模型作为轨枕破损检测模型。

Description

基于分步深度学习的轨枕缺陷检测方法及存储介质
技术领域
本发明涉及轨道缺陷检测技术，具体涉及一种基于分步深度学习的轨枕缺陷检测方法。
背景技术
轨枕不仅要支承钢轨和保持钢轨的位置，还要把钢轨传递来的巨大压力分散至道床，对保证列车的安全运行起到重要的作用。轨枕缺陷检测是轨道养护工作的主要任务之一。截止目前，我国的轨道养护工作还是以人工巡检为主，存在工作效率低、成本高、危险系数大等不足。因此，随着我国轨道交通事业的不断发展，急需一种快速高效、低成本的自动化检测手段。
目前在轨道交通领域中，也出现了越来越多关于轨道智能化巡检技术方面的相关报道。图像智能识别方法遵循的一般步骤依次是：区域选择、特征提取、分类器分类。区域选择阶段，一般采用有滑动窗口法、候选区域法以及先验知识定位，但这些定位方法运算量大(限制后续算法的复杂多样性)、其性能还受实际现场环境因素制约严重，不具有普适性。
发明内容
针对现有技术中的上述不足，本发明提供的基于分步深度学习的轨枕缺陷检测方法及存储介质解决了传统轨枕区域定位方法缺陷检测效率低的问题。
为了达到上述发明目的，本发明采用的技术方案为：
第一方面，提供一种基于分步深度学习的轨枕缺陷检测方法，其包括：
S1、获取安装在列车底部的车载式智能轨道巡检系统每次拍摄获取的轨道图像，并对轨道图像进行预处理得到轨枕区域；
S2、将预处理后得到的轨枕区域输入已训练的轨枕破损检测模型，得到轨道图像的检测结果；
所述轨枕破损检测模型的训练方法包括：
A1、选取设定数量包含轨枕的原始轨道图片，之后采用图像标记工具对原始轨道图片中的轨枕位置进行标记，形成轨枕训练集；
A2、根据原始轨道图片的图像特征，调整YOLO V3网络的网络结构使其输出一个尺度特征图，并将YOLO V3网络的网络输入通道数修改为1；
A3、基于迁移学习，将预训练模型Darknet53.conv.74的预训练权重作为调整网络结构的YOLO V3网络的各层参数的初始值，之后采用轨枕训练集对迁移后YOLO V3网络进行训练，得到轨枕定位模型；
A4、采用轨枕定位模型截取训练集a中图片的轨枕区域，并采用所有轨枕区域对Darknet-53深度卷积神经网络进行训练，得到缺陷特征提取模型；训练集a包括轨枕破损图片和正常图片；
A5、采用缺陷特征提取模型提取训练集a中图片的轨枕特征，并采用所有的轨枕特征作为SVM分类器的输入，对SVM分类器进行训练得到分类模型；
A6、采用依次连接的轨枕定位模型、缺陷特征提取模型和分类模型作为轨枕破损检测模型。
第二方方面，提供一种存储介质，存储介质存储有多条指令，所述指令适于处理器进行加载，以执行基于分步深度学习的轨枕缺陷检测方法中的步骤。
本发明的有益效果为：采用本方案构建的轨枕破损检测模型在进行轨枕缺陷的判断时，能够利用列车相机设备采集的图像进行识别，图像信息量更丰富，简单方便，不受机车车型影响，各种车型都可使用。
在进行轨枕缺陷检测时，本方案通过轨枕定位模型对轨枕区域进行截取，并采用缺陷特征提取模型提取轨枕特征，之后通过分类模型实现图像的分类，能够很好地处理传统图像识别方法中的目标定位准确性低，需要人为确定特征等问题。
自动化处理水平较高，可以极大地降低操作人员工作量，及早发现轨枕破损异常问题，提高轨道巡检效率。
附图说明
图1为基于分步深度学习的轨枕缺陷检测方法的流程图。
图2示出了轨枕破损检测模型的训练方法。
图3为本方案的YOLO V3网络的网络结构。
图4为本方案的Darknet-53网络的网络结构。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
参考图1，图1示出了基于分步深度学习的轨枕缺陷检测方法的流程图；如图1所示，该方法S包括步骤S1至步骤S2。
在步骤S1中，获取安装在列车底部的车载式智能轨道巡检系统每次拍摄获取的轨道图像，并对轨道图像进行预处理得到轨枕区域。
采用列车底部的车载式智能轨道巡检系统进行轨道图像获取时，其中轨枕区域普遍位于轨道图像中的左下角或右下角，本方案进行预处理的主要目的是截取轨枕所在小区域进行识别，通过缩小输入轨枕破损检测模型的图片尺寸，可以加快目标的识别速度和精度。
在步骤S2中，将预处理后得到的轨枕区域输入已训练的轨枕破损检测模型，得到轨道图像的检测结果；
如图2所示，所述轨枕破损检测模型的训练方法包括步骤A1至步骤A6：
在步骤A1中，选取设定数量包含轨枕的原始轨道图片，之后采用图像标记工具对原始轨道图片中的轨枕位置进行标记，形成轨枕训练集；原始轨道图片来源于给定的轨道图像样本集，原始轨道图片像素为2048×1024pixels。
在步骤A2中，根据原始轨道图片的图像特征，调整YOLO V3网络的网络结构使其输出一个尺度特征图，并将YOLO V3网络的网络输入通道数修改为1。
其中网络输入通道数的设置，可以进一步减少数冗余，加快目标检测速度。
如图3所示，实施时，本方案优选调整网络结构后的YOLO V3网络包括依次连接的DBL单元、下采样、一个残差单元构成的残差块a、下采样、2个残差单元构成的残差块b、下采样、8个残差单元构成的残差块c、下采样、8个残差单元构成的残差块d、下采样、8个残差单元构成的残差块e；
残差块e的输出依次与5个DBL单元构成的模块单元、一个DBL单元、上采样连接后，与残差块d的输出均与特征图像融合模块连接，之后特征图像融合模块依次与2个DBL单元、2个残差单元和卷积层连接。
本方案YOLO V3网络采用上述结构后，利用YOLO V3网络16倍降采样输出的特征图进行大目标检测，减少了网络计算量，提升目标检测速度。为了有效避免梯度消失和增强特征复用的同时，融合更丰富的高层语义信息，本方案在输出前采用2个DBL单元和2个残差单元，并将残差块d采用8个残差单元构成。
其中，DBL单元的结构包括依次连接的卷积运算层、批量归一化层和激活函数层；残差单元的结构包括依次连接的DBL单元、DBL单元和add层。
在步骤A3中，基于迁移学习，将预训练模型Darknet53.conv.74的预训练权重作为调整网络结构的YOLO V3网络的各层参数的初始值，之后采用轨枕训练集对迁移后YOLO V3网络进行训练，得到轨枕定位模型。
本方案的预训练模型其实就是个权重文件，在训练的时候，将这个权重文件内的参数作为卷积神经网络的起始值，然后开始训练，这使得改进后的YOLO V3网络不需要从最底层开始训练，有利于加快网络的收敛。
其中，预训练模型Darknet53.conv.74来源于YOLO官网，且基于ImageNet数据集训练而成。
在步骤A4中，采用轨枕定位模型截取训练集a中图片的轨枕区域，并采用所有轨枕区域对Darknet-53深度卷积神经网络进行训练，得到缺陷特征提取模型；训练集a包括轨枕破损图片和正常图片，优选轨枕破损图片和正常图片的比例为1:1，各600张。
实施时，本方案优选采用所有轨枕区域对Darknet-53深度卷积神经网络进行训练，得到缺陷特征提取模型的方法进一步包括：
基于迁移学习，将预训练模型Darknet53.conv.74的预训练权重作为Darknet-53网络各层参数的初始值，并采用训练集a对迁移后的Darknet-53网络进行训练，得到缺陷特征提取模型。
本方案采用上述训练方式得到缺陷特征提取模型，可以加快网络的收敛速度。
如图4所示，Darknet-53网络的网络结构包括依次连接的DBL单元、下采样、一个残差单元构成的残差块a、下采样、2个残差单元构成的残差块b、下采样、8个残差单元构成的残差块c、下采样、8个残差单元构成的残差块d、下采样、8个残差单元构成的残差块e、全局池化层、全连接层和分类函数。
Darknet-53网络通过引入残差网络(Residual Network，ResNet)中的残差单元(Residual unit)，很好地避免了因网络的加深而导致训练过程中所发生的梯度消失等情况。Darknet-53网络的残差块e采用8个残差单元后，可以提取更丰富的高层次语义特征。
上述结构的Darknet-53网络可以提取具有区分度的轨枕特征数据(即区分正常轨枕与破损轨枕，即二分类问题)，从而有利于最后SVM分类的学习与检测，所以Darknet53网络的输出类别数为2，即全连接层的输出特征图数由1000降至为2。
在步骤A5中，采用缺陷特征提取模型提取训练集a中图片的轨枕特征，并采用所有的轨枕特征作为SVM分类器的输入，对SVM分类器进行训练得到分类模型。
实施时，本方案优选所述SVM分类器为对传统SVM进行改进获得：
采用智能优化算法迭代更新传统SVM参数，并计算每次迭代下SVM的交叉验证率，在满足迭代次数终止条件后，选取交叉验证率最高时对应的惩罚因子c和核参数g作为SVM分类器的最优参数。
其中，智能优化算法优选为灰狼群优化算法或粒子群优化算法。
在步骤A6中，采用依次连接的轨枕定位模型、缺陷特征提取模型和分类模型作为轨枕破损检测模型。
本方案还提供一种存储介质，存储介质存储有多条指令，所述指令适于处理器进行加载，以执行基于分步深度学习的轨枕缺陷检测方法中的步骤。
综上所述，本方案提供的轨枕缺陷检测方法解决了传统轨枕区域定位方法在实时性、准确性以及鲁棒性方面的不足及手工设计的轨枕缺陷特征普适性差等问题，使得最终提高了轨枕缺陷检测效率。

Claims (8)

1.基于分步深度学习的轨枕缺陷检测方法，其特征在于，包括：
S1、获取安装在列车底部的车载式智能轨道巡检系统每次拍摄获取的轨道图像，并对轨道图像进行预处理得到轨枕区域；
S2、将预处理后得到的轨枕区域输入已训练的轨枕破损检测模型，得到轨道图像的检测结果；
所述轨枕破损检测模型的训练方法包括：
A1、选取设定数量包含轨枕的原始轨道图片，之后采用图像标记工具对原始轨道图片中的轨枕位置进行标记，形成轨枕训练集；
A2、根据原始轨道图片的图像特征，调整YOLO V3网络的网络结构使其输出一个尺度特征图，并将YOLO V3网络的网络输入通道数修改为1；
A3、基于迁移学习，将预训练模型Darknet53.conv.74的预训练权重作为调整网络结构的YOLO V3网络的各层参数的初始值，之后采用轨枕训练集对迁移后YOLO V3网络进行训练，得到轨枕定位模型；
A4、采用轨枕定位模型截取训练集a中图片的轨枕区域，并采用所有轨枕区域对Darknet-53深度卷积神经网络进行训练，得到缺陷特征提取模型；训练集a包括轨枕破损图片和正常图片；
A5、采用缺陷特征提取模型提取训练集a中图片的轨枕特征，并采用所有的轨枕特征作为SVM分类器的输入，对SVM分类器进行训练得到分类模型；
A6、采用依次连接的轨枕定位模型、缺陷特征提取模型和分类模型作为轨枕破损检测模型；
调整网络结构后的YOLO V3网络包括依次连接的DBL单元、下采样、一个残差单元构成的残差块a、下采样、2个残差单元构成的残差块b、下采样、8个残差单元构成的残差块c、下采样、8个残差单元构成的残差块d、下采样、8个残差单元构成的残差块e；
残差块e的输出依次与5个DBL单元构成的模块单元、一个DBL单元、上采样连接后，与残差块d的输出均与特征图像融合模块连接，之后特征图像融合模块依次与2个DBL单元、2个残差单元和卷积层连接。
2.根据权利要求1所述的基于分步深度学习的轨枕缺陷检测方法，其特征在于，采用所有轨枕区域对Darknet-53深度卷积神经网络进行训练，得到缺陷特征提取模型的方法进一步包括：
基于迁移学习，将预训练模型Darknet53.conv.74的预训练权重作为Darknet-53网络各层参数的初始值，并采用训练集a对迁移后的Darknet-53网络进行训练，得到缺陷特征提取模型。
3.根据权利要求1所述的基于分步深度学习的轨枕缺陷检测方法，其特征在于，所述预训练模型Darknet53.conv.74来源于YOLO官网，且基于ImageNet数据集训练而成。
4.根据权利要求1所述的基于分步深度学习的轨枕缺陷检测方法，其特征在于，所述SVM分类器为对传统SVM进行改进获得：
采用智能优化算法迭代更新传统SVM参数，并计算每次迭代下SVM的交叉验证率，在满足迭代次数终止条件后，选取交叉验证率最高时对应的惩罚因子c和核参数g作为SVM分类器的最优参数。
5.根据权利要求4所述的基于分步深度学习的轨枕缺陷检测方法，其特征在于，所述智能优化算法为灰狼群优化算法或粒子群优化算法。
6.根据权利要求1所述的基于分步深度学习的轨枕缺陷检测方法，其特征在于，所述DBL单元的结构包括依次连接的卷积运算层、批量归一化层和激活函数层；残差单元的结构包括依次连接的DBL单元、DBL单元和add层。
7.根据权利要求1所述的基于分步深度学习的轨枕缺陷检测方法，其特征在于，所述Darknet-53网络的网络结构包括依次连接的DBL单元、下采样、一个残差单元构成的残差块a、下采样、2个残差单元构成的残差块b、下采样、8个残差单元构成的残差块c、下采样、8个残差单元构成的残差块d、下采样、8个残差单元构成的残差块e、全局池化层、全连接层和分类函数。
8.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至7任一项所述的基于分步深度学习的轨枕缺陷检测方法中的步骤。
CN202010654760.XA 2020-07-09 2020-07-09 基于分步深度学习的轨枕缺陷检测方法及存储介质 Active CN111815605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010654760.XA CN111815605B (zh) 2020-07-09 2020-07-09 基于分步深度学习的轨枕缺陷检测方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010654760.XA CN111815605B (zh) 2020-07-09 2020-07-09 基于分步深度学习的轨枕缺陷检测方法及存储介质

Publications (2)

Publication Number Publication Date
CN111815605A CN111815605A (zh) 2020-10-23
CN111815605B true CN111815605B (zh) 2021-08-17

Family

ID=72843233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010654760.XA Active CN111815605B (zh) 2020-07-09 2020-07-09 基于分步深度学习的轨枕缺陷检测方法及存储介质

Country Status (1)

Country Link
CN (1) CN111815605B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419289B (zh) * 2020-11-30 2022-11-15 西南交通大学 一种城市地铁轨道扣件缺陷智能检测方法
CN112858473B (zh) * 2020-12-25 2022-07-12 杭州浙达精益机电技术股份有限公司 一种基于特征融合的道岔尖轨伤损状态监测方法
CN112800909A (zh) * 2021-01-19 2021-05-14 红云红河烟草(集团)有限责任公司 一种自学习型的烟丝杂物视像检测方法
CN112818878A (zh) * 2021-02-05 2021-05-18 福州大学 一种塔式起重机裂缝识别定性方法
CN113111875A (zh) * 2021-04-02 2021-07-13 广州地铁集团有限公司 一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法
CN113393438B (zh) * 2021-06-15 2022-09-16 哈尔滨理工大学 一种基于卷积神经网络的树脂镜片缺陷检测方法
CN114841931A (zh) * 2022-04-18 2022-08-02 西南交通大学 一种基于剪枝算法的轨枕实时缺陷检测方法
CN114898320B (zh) * 2022-05-30 2023-07-28 西南交通大学 一种基于YOLO v5的列车定位方法及系统
CN115775381B (zh) * 2022-12-15 2023-10-20 华洋通信科技股份有限公司 一种光照不均匀下的矿井电机车路况识别方法
CN116228672A (zh) * 2023-01-04 2023-06-06 哈尔滨岛田大鹏工业股份有限公司 一种基于形状特征的金属加工表面缺陷检测系统及检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107505334A (zh) * 2017-10-13 2017-12-22 成都精工华耀机械制造有限公司 一种基于点光源阵列线阵成像的铁轨扣件异常检测系统
CN108921846A (zh) * 2018-07-17 2018-11-30 北京航空航天大学 一种基于灰度图像和深度图像结合的钢轨踏面缺陷识别方法
CN109658397A (zh) * 2018-12-12 2019-04-19 广州地铁集团有限公司 一种轨道巡检方法及系统
CN110135383A (zh) * 2019-05-22 2019-08-16 辽宁鼎汉奇辉电子系统工程有限公司 铁路货车装载视频智能监视系统
CN110604597A (zh) * 2019-09-09 2019-12-24 李胜利 基于超声四腔心切面智能获取胎儿心动周期图像的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107505334A (zh) * 2017-10-13 2017-12-22 成都精工华耀机械制造有限公司 一种基于点光源阵列线阵成像的铁轨扣件异常检测系统
CN108921846A (zh) * 2018-07-17 2018-11-30 北京航空航天大学 一种基于灰度图像和深度图像结合的钢轨踏面缺陷识别方法
CN109658397A (zh) * 2018-12-12 2019-04-19 广州地铁集团有限公司 一种轨道巡检方法及系统
CN110135383A (zh) * 2019-05-22 2019-08-16 辽宁鼎汉奇辉电子系统工程有限公司 铁路货车装载视频智能监视系统
CN110604597A (zh) * 2019-09-09 2019-12-24 李胜利 基于超声四腔心切面智能获取胎儿心动周期图像的方法

Also Published As

Publication number Publication date
CN111815605A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN111815605B (zh) 基于分步深度学习的轨枕缺陷检测方法及存储介质
CN109977817B (zh) 基于深度学习的动车组车底板螺栓故障检测方法
CN111080620B (zh) 一种基于深度学习的道路病害检测方法
CN111489339B (zh) 高速铁路定位器螺栓备母缺陷的检测方法
CN110728225B (zh) 一种用于考勤的高速人脸搜索方法
CN111862029A (zh) 一种铁路动车组垂向减震器螺栓部件故障检测方法
CN111950453A (zh) 一种基于选择性注意力机制的任意形状文本识别方法
CN111079821A (zh) 一种脱轨自动制动拉环脱落故障图像识别方法
CN111080600A (zh) 一种铁路货车弹簧托板上开口销的故障识别方法
CN110060251A (zh) 一种基于U-Net的建筑物表面裂纹检测方法
CN110781882A (zh) 一种基于yolo模型的车牌定位和识别方法
CN112801972A (zh) 一种桥梁缺陷检测方法、设备、系统及存储介质
CN111080613B (zh) 一种铁路货车浴盆破损故障图像识别方法
CN110599459A (zh) 基于深度学习的地下管网风险评估云系统
CN112733747A (zh) 一种缓解阀拉杆脱落故障的识别方法、系统及装置
CN116612106A (zh) 一种基于yolox算法的光学元件表面缺陷检测方法
CN110991374B (zh) 一种基于rcnn的指纹奇异点检测方法
CN114549414A (zh) 一种针对轨道数据的异常变化检测方法及系统
CN110659572A (zh) 基于双向特征金字塔的视频动作检测方法
CN112258483B (zh) 一种钩尾销插托错位和螺母丢失故障检测方法
CN112561885A (zh) 基于YOLOv4-tiny的插板阀开度检测方法
CN111612803A (zh) 一种基于图像清晰度的车辆图像语义分割方法
CN116630989A (zh) 智能电表可视故障检测方法、系统、电子设备及存储介质
CN116385425A (zh) 一种改进CA注意力机制的YOLOv5织物疵点检测方法
CN116402753A (zh) 一种基于改进的YOLOv5的钢材缺陷检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20201217

Address after: No.11 Xinda Road, high tech Zone, Chengdu, Sichuan 610000

Applicant after: CHENGDU YUNDA TECHNOLOGY Co.,Ltd.

Address before: 611730 No.1, 1st floor, building 1, No.99, West District Avenue, high tech Zone, Chengdu, Sichuan Province

Applicant before: Chengdu Xiechengxinhe Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant