CN112668484B - 一种转辙机自动开闭器动静节点接入距离检测方法 - Google Patents

Abstract

本发明涉及一种转辙机自动开闭器动静节点接入距离检测方法，包括步骤：S1、建立图像数据集；S2、构建两个深度学习网络模型；S3、模型初始化设置；S4、训练模型；S5、利用第一深度学习网络模型对待检测图像中转辙机自动开闭器的静节点铜柱区域进行识别和定位；S6、以静节点铜柱区域为基准对待检测图像进行分割得到包括自动开闭器动静节点的局部图像；S7、利用第二深度学习网络模型对局部图像进行识别确定动静节点的关键位置；S8、基于自动开闭器静节点铜柱区域识别和定位后的部件尺寸，计算选取最优缩放基准；S9、通过等比缩放测算转辙机自动开闭器动静节点接入距离。与现有技术相比，本发明具有检测效率高、精度高等优点。

Description

一种转辙机自动开闭器动静节点接入距离检测方法

技术领域

本发明涉及一种转辙机检测方法，尤其是涉及一种转辙机自动开闭器动静节点接入距离检测方法。

背景技术

转辙机用于实现对道岔的转换和锁闭，能正确地反映道岔的实际位置。当道岔的尖轨密贴于基本轨后，能给出相应的指示；当道岔被挤或因故处于四开位置时，能及时给出报警或表示，是直接关系行车安全的设备。转辙机在日常使用难免受到损耗，时刻面临维修保养的工作，其中转辙机的动接点柱与静接点座的接触深度成为了检修的关键。目前，对于转辙机机箱的巡检还需要人工参与，由于转辙机的内部构造较为复杂，巡检人员通常需要凭借经验以及手动进行检查。由于需要检查的转辙机数量众多且人工检查效率低下，大量重复的工作将消耗巨大的人力和物力。因此，需要采取更为先进的方法来对转辙机进行有效地检测。随着人工智能以及深度学习的出现，使得图像处理技术得到极大地发展，人工智能对图像的分类和识别技术得到了广泛地应用。目前，还未有利用深度学习对转辙机自动开闭器动静节点接入距离进行检测的技术，而传统的人工巡检方法也由于高成本已经不能满足现实检测效率的需要。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种转辙机自动开闭器动静节点接入距离检测方法。

本发明的目的可以通过以下技术方案来实现：

一种转辙机自动开闭器动静节点接入距离检测方法，该方法包括如下步骤：

S1、建立两类转辙机自动开闭器图像数据集，标注好训练集和测试集；

S2、构建用于对转辙机自动开闭器的铜柱区域进行识别和定位的第一深度学习网络模型，以及用于对转辙机自动开闭器的动静节点的关键位置进行识别的第二深度学习网络模型；

S3、对两个深度学习网络模型初始化设置；

S4、利用训练集和测试集分别对两个深度学习网络模型进行训练和测试直至预测性能达到阈值；

S5、利用训练好的第一深度学习网络模型对待检测图像中转辙机自动开闭器的静节点铜柱区域进行识别和定位；

S6、以转辙机自动开闭器的静节点铜柱区域为基准对待检测图像进行分割得到包括自动开闭器动静节点的局部图像；

S7、利用训练好的第二深度学习网络模型对局部图像进行识别确定动静节点的关键位置；

S8、基于自动开闭器静节点铜柱区域识别和定位后的部件尺寸，采用交叉比例计算选取最优缩放基准；

S9、通过等比缩放测算转辙机自动开闭器动静节点接入距离。

优选地，步骤S1中第一类图像数据集以转辙机节点组中心位置为圆心，以不同长度为半径的空间球面对节点组进行多角度拍摄，并对节点组中静节点铜柱区域进行标注；第二类图像数据集以第一类图像数据集为基础，以静节点铜柱中心点为正方形框的中心，截取包括自动开闭器动静节点的局部图像，并对动节点簧片以及用于固定簧片的固定件进行标注。

优选地，在获取第一类图像数据集过程中进行图像拍摄时每个角度拍摄的图像数量保持均匀。

优选地，所述的第一深度学习网络模型的输出包括三类，分别为静节点铜柱、铜柱底座和图片背景。

优选地，所述的第一深度学习网络模型的输出包括三类，分别为与静节点铜柱接触的动节点簧片、用于固定簧片的固定件以及图片背景。

优选地，所述的第一深度学习网络模型包括Mask-RCNN网络。

优选地，所述的第二深度学习网络模型包括Mask-RCNN网络。

优选地，步骤S8中自动开闭器静节点铜柱区域识别和定位后的部件尺寸包括：静节点铜柱的面积si，铜柱底座的长度l以及铜柱底座的宽度h，i表示第i个铜柱，i＝1，2，……，3。

优选地，步骤S8中交叉比例计算选取最优缩放基准的具体获取方式为：

定义比例式：

其中，Si为静节点铜柱的实际面积，L为铜柱底座的实际长度，H为铜柱底座的实际宽度，h′_s和l′_s对应为通过S1、S2和S3为面积基准比例计算出的铜柱底座的准实际宽度和准实际长度，s′_H和l′_H对应为通过H为宽度基准比例计算出的静节点铜柱的准实际面积以及铜柱底座的准实际长度，s′_L和h′_L对应为通过L为长度基准比例计算出的静节点铜柱的准实际面积以及铜柱底座的准实际宽度；

定义差值D_S、D_H、D_L：

D_S＝H-h′_S+L-l′_S

D_H＝(S1+S2+S3)-s′_H+L-l′_H

D_L＝(S1+S2+S3)-s′_L+H-h′_L

比较D_S、D_H、D_L的大小，若D_S最小，则取铜柱面积大小为最优缩放基准，若D_H最小，则取铜柱底座的宽度大小为最优缩放基准，若D_L最小，则取铜柱底座的长度大小为最优缩放基准。

优选地，步骤S9具体为：

根据第二深度学习网络模型对局部图像进行识别确定的动静节点的关键位置确定静节点铜柱的中心点以及用于固定动节点簧片的固定件端点的位置；

获取图像中静节点铜柱的中心点以及用于固定动节点簧片的固定件端点之间的距离b1、b2、b3；

通过等比缩放确定静节点铜柱的中心点以及用于固定动节点簧片的固定件端点之间的实际距离B1、B2、B3；

根据动节点簧片的实际长度以及B1、B2、B3确定自动开闭器动静节点接入距离。

与现有技术相比，本发明具有如下优点：

本发明提供了一种基于双Mask-RCNN的转辙机自动开闭器动静节点接入距离检测方法，其可通过深度学习技术对转辙机动静节点进行有效识别检测，并通过分析与推算，计算出自动开闭器动静节点实际接入距离，完成转辙机器件接入状态检查，从而替代现有人工检查手段，有效提高检查效率，降低人工成本。

附图说明

图1为本发明一种转辙机自动开闭器动静节点接入距离检测方法的流程框图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。

实施例

如图1所示，一种转辙机自动开闭器动静节点接入距离检测方法，该方法包括如下步骤：

S1、建立两类转辙机自动开闭器图像数据集，标注好训练集和测试集；

S2、构建用于对转辙机自动开闭器的铜柱区域进行识别和定位的第一深度学习网络模型，以及用于对转辙机自动开闭器的动静节点的关键位置进行识别的第二深度学习网络模型；

S3、对两个深度学习网络模型初始化设置；

S4、利用训练集和测试集分别对两个深度学习网络模型进行训练和测试直至预测性能达到阈值；

S5、利用训练好的第一深度学习网络模型对待检测图像中转辙机自动开闭器的静节点铜柱区域进行识别和定位；

S6、以转辙机自动开闭器的静节点铜柱区域为基准对待检测图像进行分割得到包括自动开闭器动静节点的局部图像；

S7、利用训练好的第二深度学习网络模型对局部图像进行识别确定动静节点的关键位置；

S8、基于自动开闭器静节点铜柱区域识别和定位后的部件尺寸，采用交叉比例计算选取最优缩放基准；

S9、通过等比缩放测算转辙机自动开闭器动静节点接入距离。

步骤S1中第一类图像数据集以转辙机节点组中心位置为圆心，以不同长度为半径的空间球面对节点组进行多角度拍摄，并对节点组中静节点铜柱区域进行标注；第二类图像数据集以第一类图像数据集为基础，以静节点铜柱中心点为正方形框的中心，截取包括自动开闭器动静节点的局部图像，并对动节点簧片以及用于固定簧片的固定件进行标注。在获取第一类图像数据集过程中进行图像拍摄时每个角度拍摄的图像数量保持均匀。本实施例中拍摄图片的范围设置在以转辙机接点组中心为原点，10厘米至50厘米为半径长度的空间球体。每个角度的图片拍摄数量均匀，数据集中的图片数量有1000张左右。

第一深度学习网络模型的输出包括三类，分别为静节点铜柱、铜柱底座和图片背景。

第一深度学习网络模型的输出包括三类，分别为与静节点铜柱接触的动节点簧片、用于固定簧片的固定件以及图片背景。

第一深度学习网络模型包括Mask-RCNN网络，第二深度学习网络模型包括Mask-RCNN网络。深度学习网络模型使用ResNet101作为特征金字塔网络(Feature PyramidNetwork,FPN)对特征进行提取，使用区域提出网络(Region Proposal Network,RPN)提取候选区域，使用全卷积网络输出掩模，使用全连接网络输出坐标和分类值。

两个深度学习网络模型都使用全卷积网络输出掩模，使用全连接网络输出坐标和分类值。对于第一个网络，其初始化类为3，对于训练的设置，假设训练集大小为S，GPU个数为n，最大训练次数为N，则2×i×n×N＝k×S，其中i和k都为大于0的整数。对于第二个网络，其初始化类也为3，对于训练设置类似第一个网络，假设训练集大小为P，GPU个数为n，最大训练次数为N，则2×j×n×N＝t×P，其中j和t都为大于0的整数。关于两个网络的训练和测试精度，训练掩模精度、坐标精度、分类精度loss达到0.01或以下满足对关键部件检测的训练要求，测试精度loss达到0.1或以下满足对关键部件检测的测试要求，停止训练，可以获取此时的深度学习网络模型。

第一个深度网络将会识别并定位铜柱以及木质底座区域，采用自动缩放对铜柱区域进行分割，当图片处于远景时，使用小框分割，当图片处于近景时，使用大框分割。，分割框边长K与A的面积成正比。对于第二个深度网络，其会识别簧片区域和固定动节点簧片的固定件(本实施例中固定件为小木棍)。

步骤S8中自动开闭器静节点铜柱区域识别和定位后的部件尺寸包括：静节点铜柱的面积si，铜柱底座的长度l以及铜柱底座的宽度h，i表示第i个铜柱，i＝1，2，……，3。

步骤S8中交叉比例计算选取最优缩放基准的具体获取方式为：

定义比例式：

其中，Si为静节点铜柱的实际面积，L为铜柱底座的实际长度，H为铜柱底座的实际宽度，h′_s和l′_s对应为通过S1、S2和S3为面积基准比例计算出的铜柱底座的准实际宽度和准实际长度，s′_H和l′_H对应为通过H为宽度基准比例计算出的静节点铜柱的准实际面积以及铜柱底座的准实际长度，s′_L和h′_L对应为通过L为长度基准比例计算出的静节点铜柱的准实际面积以及铜柱底座的准实际宽度；

定义差值D_S、D_H、D_L：

D_S＝H-h′_S+L-l′_S

D_H＝(S1+S2+S3)-s′_H+L-l′_H

D_L＝(S1+S2+S3)-s′_L+H-h′_L

比较D_S、D_H、D_L的大小，若D_S最小，则取铜柱面积大小为最优缩放基准，若D_H最小，则取铜柱底座的宽度大小为最优缩放基准，若D_L最小，则取铜柱底座的长度大小为最优缩放基准。

步骤S9具体为：

根据第二深度学习网络模型对局部图像进行识别确定的动静节点的关键位置确定静节点铜柱的中心点以及用于固定动节点簧片的固定件端点的位置；

获取图像中静节点铜柱的中心点以及用于固定动节点簧片的固定件端点之间的距离b1、b2、b3；

通过等比缩放确定静节点铜柱的中心点以及用于固定动节点簧片的固定件端点之间的实际距离B1、B2、B3，在此过程中，若最优缩放基准为铜柱面积大小，则缩放比例为(S1+S2+S3)/(s1+s2+s3)，若最优缩放基准为铜柱底座的宽度大小，则缩放比例为H/h，若最优缩放基准为铜柱底座的长度大小，则缩放比例为L/l；

最后，根据动节点簧片的实际长度以及B1、B2、B3确定自动开闭器动静节点接入距离。

上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

Claims (6)

1.一种转辙机自动开闭器动静节点接入距离检测方法，其特征在于，该方法包括如下步骤：

S1、建立两类转辙机自动开闭器图像数据集，标注好训练集和测试集；

S2、构建用于对转辙机自动开闭器的铜柱区域进行识别和定位的第一深度学习网络模型，以及用于对转辙机自动开闭器的动静节点的关键位置进行识别的第二深度学习网络模型；

S3、对两个深度学习网络模型初始化设置；

S4、利用训练集和测试集分别对两个深度学习网络模型进行训练和测试直至预测性能达到阈值；

S5、利用训练好的第一深度学习网络模型对待检测图像中转辙机自动开闭器的静节点铜柱区域进行识别和定位；

S6、以转辙机自动开闭器的静节点铜柱区域为基准对待检测图像进行分割得到包括自动开闭器动静节点的局部图像；

S7、利用训练好的第二深度学习网络模型对局部图像进行识别确定动静节点的关键位置；

S8、基于自动开闭器静节点铜柱区域识别和定位后的部件尺寸，采用交叉比例计算选取最优缩放基准；

S9、通过等比缩放测算转辙机自动开闭器动静节点接入距离；

所述的第一深度学习网络模型的输出包括三类，分别为静节点铜柱、铜柱底座和图片背景；

步骤S8中自动开闭器静节点铜柱区域识别和定位后的部件尺寸包括：静节点铜柱的面积si，铜柱底座的长度l以及铜柱底座的宽度h，i表示第i个铜柱，i＝1，2，……，3；

步骤S8中交叉比例计算选取最优缩放基准的具体获取方式为：

定义比例式：

其中，Si为静节点铜柱的实际面积，L为铜柱底座的实际长度，H为铜柱底座的实际宽度，h′_s和l′_s对应为通过S1、S2和S3为面积基准比例计算出的铜柱底座的准实际宽度和准实际长度，s′_H和l′_H对应为通过H为宽度基准比例计算出的静节点铜柱的准实际面积以及铜柱底座的准实际长度，s′_L和h′_L对应为通过L为长度基准比例计算出的静节点铜柱的准实际面积以及铜柱底座的准实际宽度；

定义差值D_S、D_H、D_L：

D_S＝H-h′_S+L-l′_S

D_H＝(S1+S2+S3)-s′_H+L-l′_H

D_L＝(S1+S2+S3)-s′_L+H-h′_L

比较D_S、D_H、D_L的大小，若D_S最小，则取铜柱面积大小为最优缩放基准，若D_H最小，则取铜柱底座的宽度大小为最优缩放基准，若D_L最小，则取铜柱底座的长度大小为最优缩放基准；

步骤S9具体为：

根据第二深度学习网络模型对局部图像进行识别确定的动静节点的关键位置确定静节点铜柱的中心点以及用于固定动节点簧片的固定件端点的位置；

获取图像中静节点铜柱的中心点以及用于固定动节点簧片的固定件端点之间的距离b1、b2、b3；

通过等比缩放确定静节点铜柱的中心点以及用于固定动节点簧片的固定件端点之间的实际距离B1、B2、B3；

根据动节点簧片的实际长度以及B1、B2、B3确定自动开闭器动静节点接入距离。

2.根据权利要求1所述的一种转辙机自动开闭器动静节点接入距离检测方法，其特征在于，步骤S1中第一类图像数据集以转辙机节点组中心位置为圆心，以不同长度为半径的空间球面对节点组进行多角度拍摄，并对节点组中静节点铜柱区域进行标注；第二类图像数据集以第一类图像数据集为基础，以静节点铜柱中心点为正方形框的中心，截取包括自动开闭器动静节点的局部图像，并对动节点簧片以及用于固定簧片的固定件进行标注。

3.根据权利要求2所述的一种转辙机自动开闭器动静节点接入距离检测方法，其特征在于，在获取第一类图像数据集过程中进行图像拍摄时每个角度拍摄的图像数量保持均匀。

4.根据权利要求1所述的一种转辙机自动开闭器动静节点接入距离检测方法，其特征在于，所述的第一深度学习网络模型的输出包括三类，分别为与静节点铜柱接触的动节点簧片、用于固定簧片的固定件以及图片背景。

5.根据权利要求1所述的一种转辙机自动开闭器动静节点接入距离检测方法，其特征在于，所述的第一深度学习网络模型包括Mask-RCNN网络。

6.根据权利要求1所述的一种转辙机自动开闭器动静节点接入距离检测方法，其特征在于，所述的第二深度学习网络模型包括Mask-RCNN网络。

Images