CN113160206B - 一种钢轨轨道上异物检测的方法 - Google Patents
一种钢轨轨道上异物检测的方法 Download PDFInfo
- Publication number
- CN113160206B CN113160206B CN202110488121.5A CN202110488121A CN113160206B CN 113160206 B CN113160206 B CN 113160206B CN 202110488121 A CN202110488121 A CN 202110488121A CN 113160206 B CN113160206 B CN 113160206B
- Authority
- CN
- China
- Prior art keywords
- network structure
- ssd network
- ssd
- pictures
- structure pre
- 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
Links
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种钢轨轨道上异物检测的方法,包含:S1、利用双轨探伤小车对钢轨进行拍摄,主机将所有图片汇集生成原始数据集,然后进行筛选标注处理,从而生成训练数据集;S2、利用SSD算法建立SSD网络结构预系统和SSD网络结构检测系统,将训练集导入SSD网络结构预系统中进行训练,使其达到预期标准;S3、使用SSD网络结构预系统对测试集内的图片进行预处理,将预处理后生成的图片导入至SSD网络结构检测系统中,经检测模块处理后输出图片并判断该图片是否有异物;S4、若SSD网络结构系统判定正常记录,继续拍摄图片生成原始数据集,对SSD网络结构系统进行完善;S5、后期采集的图片直接导入至SSD网络结构检测系统内,对图片进行判别并输出检测结果。
Description
技术领域
本发明涉及钢轨轨道技术领域,具体为一种钢轨轨道上异物检测的方法。
背景技术
钢轨是铁路设施中的重要组成,并与转辙器及道岔合作,令火车无需转向便能行走,钢轨为两条轨道对称设置,让火车沿着轨道稳定行驶。现有用于对钢轨轨道上异物检测的效率非常低下,还是利用图像识别技术判定钢轨上是否有异物,判定效果差且需要人工进行判定,由于轨道线路较长,且图像识别效果差加上人工操作,不仅提高了工人的工作量,且本身的判定速度大大降低,无法有效快速实现全面检测,降低了轨道的安全系数。
发明内容
本发明的目的在于提供一种钢轨轨道上异物检测的新方法,可进行快速全面的检测,提高在钢轨上异物检测的检测效率,大大地降低工人的工作量,从而提高轨道的安全性。
为了达到上述目的,本发明通过以下技术方案实现:
一种钢轨轨道上异物检测的方法,其特征在于,包含:
S1、利用双轨探伤小车对钢轨进行拍摄,并将拍摄的图片传输至主机,主机将所有图片汇集生成原始数据集,将原始数据集进行筛选标注处理,从而生成训练数据集;
S2、将训练数据集分成训练集和测试集,将训练数据集导入至SSD算法中,利用SSD算法建立SSD网络结构预系统和SSD网络结构检测系统,将训练集导入SSD网络结构预系统中进行训练,使SSD网络结构预系统达到预期标准,其中,SSD网络结构预系统具备数据集模块、模型模块、训练模块和评估模块;
S3、使用SSD网络结构预系统对测试集内的图片进行预处理,将预处理后生成的新图片导入至SSD网络结构检测系统中进行训练,SSD网络结构检测系统中内置检测模块,经检测模块处理后输出图片并判断该图片是否有异物,若有,在该图片上标出异物所在的位置;
S4、若SSD网络结构预系统判定正常记录,继续拍摄图片生成原始数据集,再次导入至SSD算法,对SSD网络结构预系统进行完善,直至利用测试集测试SSD网络结构预系统达到预期标准;
S5、后期采集的图片直接导入至SSD网络结构检测系统内,SSD网络结构检测系统对图片进行判别并输出检测结果。
可选地,所述步骤S1具体包括:
S101、利用双轨探伤小车对钢轨进行拍摄,并将拍摄的图片传输至主机,其中,所述双轨探伤小车在拍摄时,既需要拍摄轨面上的异物,也需要拍摄固定钢轨的扣件上的异物;
S102、判断所述双轨探伤小车拍摄的图片的数量是否大于或等于设定阈值,若是,进行步骤S103,若否,重复步骤S101;
S103、主机将所有图片汇集生成训练数据集。
可选地,所述步骤S1具体包括:
S101、利用双轨探伤小车对钢轨进行拍摄,并将拍摄的图片传输至主机;
S102、主机将所有图片汇集生成原始数据集;
S103、筛选出原始数据集中存在异物的图片并将该图片进行标注,从而生成训练数据集。
可选地,所述步骤S1还包括:
对拍摄设备进行特殊处理,设置拍出来图片上的钢轨和钢轨扣件具有色度标准,也需要让石块在图片上显示出阴影程度,石块的阴影程度根据石块的体积变化,石块体积从大变小对应阴影程度的从浅变深。
可选地,所述步骤S2中,利用SSD算法进行计算训练,SSD算法对石块的大小和所处位置进行检测并分析,结合大量图片并对图片进行特征提取,建立同一位置不同大小石块放置样式的模拟信息,并将信息导入至SSD网络结构预系统中,同时也会建立同一位置石块放置的角度和以钢轨边线为样本的石块所处的距离的模拟信息,并将信息导入至SSD网络结构预系统中,两组信息在SSD网络结构预系统中结合生成一组新的信息组,三种信息组同时存在SSD网络结构预系统中,提高SSD网络结构预系统对侧视图片检测的准确性,SSD算法检测钢轨、钢轨扣件和石块的色度和阴影标准,并将不同信息组合导入至SSD网络结构预系统中,增加SSD网络结构预系统对石块的识别能力。
可选地,在所述步骤S2中,将训练数据集的图片根据7∶3的比例分成训练集和测试集。
可选地,在所述步骤S2中,SSD算法对各图片中异物的大小和所处位置进行检测并分析,结合大量图片并对图片进行特征提取,建立同一位置不同大小异物放置样式的模拟信息,并将信息导入至SSD网络结构预系统中,同时也会建立同一位置异物放置的角度和以钢轨边线为样本的异物所处的距离的模拟信息,并将信息导入至SSD网络结构预系统中,两组信息在SSD网络结构预系统中结合生成一组新的信息组,三种信息组同时存在SSD网络结构预系统中,提高SSD网络结构预系统对俯视图片检测的准确性。
可选地,在所述步骤S4中,如果SSD网络结构预系统判定结果准确率较低,继续拍摄图片生成原始数据集,再次导入至SSD算法,对SSD网络结构预系统进行完善,直至利用测试集测试SSD网络结构预系统可以达到预期标准,SSD网络结构预系统具备数据集模块、模型模块、训练模块和评估模块,数据集模块用于导入图片数据和异物标签数据,模型模块用于建立基于SSD算法的网络模型,训练模块用于导入训练集和对建立好的SSD网络模型进行多次训练并得到训练数据,评估模块用于导入测试集和训练数据,并对测试模块进行检测准确性评估。
可选地,如果SSD网络结构预系统判定结果准确率较低,继续拍摄图片生成原始数据集,再次导入至SSD算法,对SSD网络结构预系统进行完善,直至利用测试集测试SSD网络结构预系统可以达到预期标准,SSD网络结构预系统具备数据集模块、模型模块、训练模块和评估模块,如果SSD网络结构预系统对石块的识别存在一些不确定情况,再次拍摄大量图片用于对SSD网络结构预系统进行训练增加学习深度,拍摄的照片具备位置信息,并被SSD算法识别导入至SSD网络结构预系统中,SSD网络结构预系统对一些容易采集到石块位置的区域进行标定,在SSD网络结构预系统中形成估算概率,在识别情况出现不确定的信息时,利用SSD网络结构预系统中的估算概率判定信息采集区域钢轨上是否具备石块。
另一方面,本发明还公开了一种用于执行上述的钢轨轨道上异物检测的方法的计算机设备,其特征在于,该计算机设备包括处理器和计算机可读存储介质,所述计算机可读存储介质存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现上述的方法步骤。
本发明与现有技术相比具有以下优点:
本发明中的SSD算法对异物的大小和所处位置进行检测并分析,建立同一位置不同大小异物放置样式的模拟信息,建立同一位置不同大小异物放置样式的模拟信息,建立同一位置异物放置的角度和以钢轨边线为样式的异物所处的距离的模拟信息,并将两种信息结合,相互匹配生成三个信息组对异物进行检测,同时利用SSD算法检测钢轨、钢轨扣件和异物的色度和阴影标准,增加SSD网络结构预系统对异物的识别能力,而且也能够根据定位在SSD网络结构预系统中形成预估算法,对不确定的情况进行判断,极大增强了对钢轨上异物的检测速度和准确性。
附图说明
为了更清楚地说明本发明专利实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明专利的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的整体设计;
图2为本发明中SSD网络结构预系统的方法框架;
图3为本发明中SSD网络结构检测系统的方法架构。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、面相智慧轨交系统的实时软总线实现方法、物品或者现场通信前置机不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、面相智慧轨交系统的实时软总线实现方法、物品或者现场通信前置机所固有的要素。
实施例1
本实施例提供一种钢轨轨道上异物检测的方法,具体包括以下步骤;
S1、利用双轨探伤小车对钢轨进行拍摄,并将拍摄的图片传输给主机,主机将所有图片汇集生成原始数据集,对钢轨拍摄时,需要拍摄轨面上的石头,也需要拍摄固定钢轨的扣件上的石头,首先拍摄一千张图片生成原始数据集用来构建训练数据集;
S2、将原始数据集分成训练集和测试集,并利用SSD算法,将训练集导入至SSD算法中,利用SSD算法建立SSD网络结构预系统和SSD网络结构检测系统,将一千张图片根据7∶3的比例分成训练集和测试集,并利用SSD算法进行计算训练,SSD算法对石块的大小和所处位置进行检测并分析,结合大量图片并对图片进行特征提取,建立同一位置不同大小石块放置样式的模拟信息,并将信息导入至SSD网络结构预系统中,同时也会建立同一位置石块放置的角度和以钢轨边线为样本的石块所处的距离的模拟信息,并将信息导入至SSD网络结构预系统中,两组信息在SSD网络结构预系统中结合生成一组新的信息组,三种信息组同时存在SSD网络结构预系统中,提高SSD网络结构预系统对俯视图片检测的准确性;
S3、使用SSD网络结构预系统对测试集内的照片进行预处理,将预处理后生成的新照片导入至SSD网络结构检测系统中,SSD网络结构检测系统中内置检测模块,SSD网络结构检测系统输出图片并判断是否有石头等异物,若有,标出石头所在位置;
S4、如果SSD网络结构预系统判定结果准确率较低,继续拍摄图片生成原始数据集,再次导入至SSD算法,对SSD网络结构预系统进行完善,直至利用测试集测试SSD网络结构预系统,SSD网络结构预系统具备数据集模块、模型模块、训练模块和评估模块,数据集模块具有导入图片数据和异物标签数据的功能,模型模块具有建立基于SSD算法的网络模型,训练模块具有导入训练集,对建立好的SSD网络模型进行多次训练并得到训练数据的功能,评估模块具有导入测试集和训练数据,并对测试模块进行检测准确性评估的功能;
S5、后期采集的图片直接导入至SSD网络结构检测系统内,SSD网络结构检测系统对图片进行判别并输出检测结果。
实施例2
本实施例提供一种钢轨轨道上异物检测的方法,具体包括以下步骤;
S1、利用双轨探伤小车对钢轨进行拍摄,并将拍摄的图片传输给主机,主机将所有图片汇集生成原始数据集,对钢轨拍摄时,需要拍摄轨面上的石头,也需要拍摄固定钢轨的扣件上的石头,首先拍摄一千张图片生成原始数据集用来构建训练数据集,对拍摄设备进行特殊处理,设置拍出来图片上的钢轨和钢轨扣件具有色度标准,也需要让石块在图片上显示出阴影程度,石块的阴影程度根据石块的体积变化,石块体积从大变小对应阴影程度的从浅变深;
S2、将原始数据集分成训练集和测试集,并利用SSD算法,将训练集导入至SSD算法中,利用SSD算法建立SSD网络结构预系统和SSD网络结构检测系统,将一千张图片根据7∶3的比例分成训练集和测试集,并利用SSD算法进行计算训练,SSD算法对石块的大小和所处位置进行检测并分析,结合大量图片并对图片进行特征提取,建立同一位置不同大小石块放置样式的模拟信息,并将信息导入至SSD网络结构预系统中,同时也会建立同一位置石块放置的角度和以钢轨边线为样本的石块所处的距离的模拟信息,并将信息导入至SSD网络结构预系统中,两组信息在SSD网络结构预系统中结合生成一组新的信息组,三种信息组同时存在SSD网络结构预系统中,提高SSD网络结构预系统对侧视图片检测的准确性,SSD算法检测钢轨、钢轨扣件和石块的色度和阴影标准,并将不同信息组合导入至SSD网络结构预系统中,增加SSD网络结构预系统对石块的识别能力;
S3、使用SSD网络结构预系统对测试集内的照片进行预处理,将预处理后生成的新照片导入至SSD网络结构检测系统中,SSD网络结构检测系统中内置检测模块,SSD网络结构检测系统输出图片并判断是否有石头等异物,若有,标出石头所在位置;
S4、如果SSD网络结构预系统判定结果准确率较低,继续拍摄图片生成原始数据集,再次导入至SSD算法,对SSD网络结构预系统进行完善,直至利用测试集测试SSD网络结构预系统,SSD网络结构预系统具备数据集模块、模型模块、训练模块和评估模块;
S5、后期采集的图片直接导入至SSD网络结构检测系统内,SSD网络结构检测系统对图片进行判别并输出检测结果。
实施例3
本实施例提供一种钢轨轨道上异物检测的方法,具体包括以下步骤;
S1、利用双轨探伤小车对钢轨进行拍摄,并将拍摄的图片传输给主机,主机将所有图片汇集生成原始数据集,对钢轨拍摄时,需要拍摄轨面上的石头,也需要拍摄固定钢轨的扣件上的石头,首先拍摄一千张图片生成原始数据集用来构建训练数据集,对拍摄设备进行特殊处理,设置所拍摄的图片上的钢轨和钢轨扣件具有色度标准,也需要让石块在图片上显示出阴影程度,石块的阴影程度根据石块的体积变化,石块体积从大变小对应阴影程度的从浅变深;
S2、将训练数据集分成训练集和测试集,并利用SSD算法,将训练集导入至SSD算法中,利用SSD算法建立SSD网络结构预系统和SSD网络结构检测系统,将一千张图片根据7∶3的比例分成训练集和测试集,并利用SSD算法进行计算训练,SSD算法对石块的大小和所处位置进行检测并分析,结合大量图片并对图片进行特征提取,建立同一位置不同大小石块放置样式的模拟信息,并将信息导入至SSD网络结构预系统中,同时也会建立同一位置石块放置的角度和以钢轨边线为样本的石块所处的距离的模拟信息,并将信息导入至SSD网络结构预系统中,两组信息在SSD网络结构预系统中结合生成一组新的信息组,三种信息组同时存在SSD网络结构预系统中,提高SSD网络结构预系统对侧视图片检测的准确性,SSD算法检测钢轨、钢轨扣件和石块的色度和阴影标准,并将不同信息组合导入至SSD网络结构预系统中,增加SSD网络结构预系统对石块的识别能力;
S3、使用SSD网络结构预系统对测试集内的照片进行预处理,将预处理后生成的新照片导入至SSD网络结构检测系统中,SSD网络结构检测系统中内置检测模块,SSD网络结构检测系统输出图片并判断是否有石头等异物,若有,标出石头所在位置;
S4、如果SSD网络结构预系统判定结果准确率较低,继续拍摄图片生成原始数据集,再次导入至SSD算法,对SSD网络结构预系统进行完善,直至利用测试集测试SSD网络结构预系统,SSD网络结构预系统具备数据集模块、模型模块、训练模块和评估模块,如果SSD网络结构预系统对石块的识别存在一些不确定情况,再次拍摄大量图片用于对SSD网络结构预系统进行训练增加学习深度,拍摄的照片具备位置信息,并被SSD算法识别导入至SSD网络结构预系统中,SSD网络结构预系统对一些容易采集到石块位置的区域进行标定,在SSD网络结构预系统中形成估算概率,在识别情况出现不确定的信息时,利用SSD网络结构预系统中的估算概率判定信息采集区域钢轨上是否具备石块;
S5、后期采集的图片直接导入至SSD网络结构检测系统内,SSD网络结构检测系统对图片进行判别并输出检测结果。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (9)
1.一种钢轨轨道上异物检测的方法,其特征在于,包含:
S1、利用双轨探伤小车对钢轨进行拍摄,并将拍摄的图片传输至主机,主机将所有图片汇集生成原始数据集,将原始数据集进行筛选标注处理,从而生成训练数据集;
S2、将训练数据集分成训练集和测试集,将训练数据集导入至SSD算法中,利用SSD算法建立SSD网络结构预系统和SSD网络结构检测系统,将训练集导入SSD网络结构预系统中进行训练,使SSD网络结构预系统达到预期标准,其中,SSD网络结构预系统具备数据集模块、模型模块、训练模块和评估模块;
S3、使用SSD网络结构预系统对测试集内的图片进行预处理,将预处理后生成的新图片导入至SSD网络结构检测系统中进行训练,SSD网络结构检测系统中内置检测模块,经检测模块处理后输出图片并判断该图片是否有异物,若有,在该图片上标出异物所在的位置;
S4、若SSD网络结构预系统判定正常记录,继续拍摄图片生成原始数据集,再次导入至SSD算法,对SSD网络结构预系统进行完善,直至利用测试集测试SSD网络结构预系统达到预期标准;
S5、后期采集的图片直接导入至SSD网络结构检测系统内,SSD网络结构检测系统对图片进行判别并输出检测结果;
所述步骤S2中,利用SSD算法进行计算训练,SSD算法对异物的大小和所处位置进行检测并分析,结合大量图片并对图片进行特征提取,建立同一位置不同大小异物放置样式的模拟信息,并将信息导入至SSD网络结构预系统中,同时也会建立同一位置异物放置的角度和以钢轨边线为样本的异物所处的距离的模拟信息,并将信息导入至SSD网络结构预系统中,两组信息在SSD网络结构预系统中结合生成一组新的信息组,三种信息组同时存在SSD网络结构预系统中,提高SSD网络结构预系统对侧视图片检测的准确性,SSD算法检测钢轨、钢轨扣件和异物的色度和阴影标准,并将不同信息组合导入至SSD网络结构预系统中,增加SSD网络结构预系统对异物的识别能力。
2.如权利要求1所述的钢轨轨道上异物检测的方法,其特征在于,所述步骤
S1具体包括:
S101、利用双轨探伤小车对钢轨进行拍摄,并将拍摄的图片传输至主机,其中,所述双轨探伤小车在拍摄时,既需要拍摄轨面上的异物,也需要拍摄固定钢轨的扣件上的异物;
S102、判断所述双轨探伤小车拍摄的图片的数量是否大于或等于设定阈值,若是,进行步骤S103,若否,重复步骤S101;
S103、主机将所有图片汇集生成训练数据集。
3.如权利要求1所述的钢轨轨道上异物检测的方法,其特征在于,所述步骤
S1具体包括:
S101、利用双轨探伤小车对钢轨进行拍摄,并将拍摄的图片传输至主机;
S102、主机将所有图片汇集生成原始数据集;
S103、筛选出原始数据集中存在异物的图片并将该图片进行标注,从而生成训练数据集。
4.如权利要求1、2或3所述的钢轨轨道上异物检测的方法,其特征在于,所述步骤S1还包括:
对拍摄设备进行特殊处理,设置拍出来图片上的钢轨和钢轨扣件具有色度标准,也需要让异物在图片上显示出阴影程度,异物的阴影程度根据异物的体积变化,异物体积从大变小对应阴影程度的从浅变深。
5.如权利要求1所述的钢轨轨道上异物检测的方法,其特征在于,在所述步骤S2中,将训练数据集的图片根据7∶3的比例分成训练集和测试集。
6.如权利要求1所述的钢轨轨道上异物检测的方法,其特征在于,在所述步骤S2中,SSD算法对各图片中异物的大小和所处位置进行检测并分析,结合大量图片并对图片进行特征提取,建立同一位置不同大小异物放置样式的模拟信息,并将信息导入至SSD网络结构预系统中,同时也会建立同一位置异物放置的角度和以钢轨边线为样本的异物所处的距离的模拟信息,并将信息导入至SSD网络结构预系统中,两组信息在SSD网络结构预系统中结合生成一组新的信息组,三种信息组同时存在SSD网络结构预系统中,提高SSD网络结构预系统对俯视图片检测的准确性。
7.如权利要求1所述的钢轨轨道上异物检测的方法,其特征在于,在所述步骤S4中,如果SSD网络结构预系统判定结果准确率较低,继续拍摄图片生成原始数据集,再次导入至SSD算法,对SSD网络结构预系统进行完善,直至利用测试集测试SSD网络结构预系统可以达到预期标准,SSD网络结构预系统具备数据集模块、模型模块、训练模块和评估模块,数据集模块用于导入图片数据和异物标签数据,模型模块用于建立基于SSD算法的网络模型,训练模块用于导入训练集和对建立好的SSD网络模型进行多次训练并得到训练数据,评估模块用于导入测试集和训练数据,并对测试模块进行检测准确性评估。
8.如权利要求1所述的钢轨轨道上异物检测的方法,其特征在于,如果SSD网络结构预系统判定结果准确率较低,继续拍摄图片生成原始数据集,再次导入至SSD算法,对SSD网络结构预系统进行完善,直至利用测试集测试SSD网络结构预系统可以达到预期标准,SSD网络结构预系统具备数据集模块、模型模块、训练模块和评估模块,如果SSD网络结构预系统对异物的识别存在一些不确定情况,再次拍摄大量图片用于对SSD网络结构预系统进行训练增加学习深度,拍摄的照片具备位置信息,并被SSD算法识别导入至SSD网络结构预系统中,SSD网络结构预系统对一些容易采集到异物位置的区域进行标定,在SSD网络结构预系统中形成估算概率,在识别情况出现不确定的信息时,利用SSD网络结构预系统中的估算概率判定信息采集区域钢轨上是否具备异物。
9.一种计算机设备,其特征在于,该计算机设备包括处理器和计算机可读存储介质,所述计算机可读存储介质存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至8中任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110488121.5A CN113160206B (zh) | 2021-04-30 | 2021-04-30 | 一种钢轨轨道上异物检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110488121.5A CN113160206B (zh) | 2021-04-30 | 2021-04-30 | 一种钢轨轨道上异物检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113160206A CN113160206A (zh) | 2021-07-23 |
CN113160206B true CN113160206B (zh) | 2023-09-12 |
Family
ID=76873246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110488121.5A Active CN113160206B (zh) | 2021-04-30 | 2021-04-30 | 一种钢轨轨道上异物检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113160206B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508741A (zh) * | 2018-11-09 | 2019-03-22 | 哈尔滨工业大学 | 基于深度学习筛选训练集的方法 |
WO2019205376A1 (zh) * | 2018-04-26 | 2019-10-31 | 平安科技(深圳)有限公司 | 车损判定方法、服务器及存储介质 |
CN110503092A (zh) * | 2019-07-22 | 2019-11-26 | 天津科技大学 | 基于领域适应的改进ssd监控视频目标检测方法 |
CN112464822A (zh) * | 2020-11-30 | 2021-03-09 | 深圳市捷顺科技实业股份有限公司 | 一种基于特征增强的头盔佩戴检测方法及装置 |
CN112668644A (zh) * | 2020-12-28 | 2021-04-16 | 燕山大学 | 一种基于ssd改进算法的无人机航拍目标检测方法 |
-
2021
- 2021-04-30 CN CN202110488121.5A patent/CN113160206B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019205376A1 (zh) * | 2018-04-26 | 2019-10-31 | 平安科技(深圳)有限公司 | 车损判定方法、服务器及存储介质 |
CN109508741A (zh) * | 2018-11-09 | 2019-03-22 | 哈尔滨工业大学 | 基于深度学习筛选训练集的方法 |
CN110503092A (zh) * | 2019-07-22 | 2019-11-26 | 天津科技大学 | 基于领域适应的改进ssd监控视频目标检测方法 |
CN112464822A (zh) * | 2020-11-30 | 2021-03-09 | 深圳市捷顺科技实业股份有限公司 | 一种基于特征增强的头盔佩戴检测方法及装置 |
CN112668644A (zh) * | 2020-12-28 | 2021-04-16 | 燕山大学 | 一种基于ssd改进算法的无人机航拍目标检测方法 |
Non-Patent Citations (1)
Title |
---|
基于SSD_MobileNet_v1网络的猫狗图像识别;孙彦;丁学文;雷雨婷;陈静;孔祥鑫;;天津职业技术师范大学学报(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113160206A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Automatic defect detection and segmentation of tunnel surface using modified Mask R-CNN | |
CN111983935B (zh) | 一种性能评测方法和装置 | |
CN109767427A (zh) | 列车轨道扣件缺陷的检测方法 | |
CN107798272A (zh) | 快速多目标检测与跟踪系统 | |
CN102867195B (zh) | 一种遥感图像多类目标检测和识别方法 | |
CN103871077B (zh) | 一种道路车辆监控视频中的关键帧提取方法 | |
CN103413149B (zh) | 复杂背景中实现静态目标检测和识别的方法 | |
CN106156695B (zh) | 出口和/或入口区域识别方法和装置 | |
CN110991397B (zh) | 一种行进方向确定方法及相关设备 | |
CN104573680B (zh) | 图像检测方法、图像检测装置以及交通违法检测系统 | |
CN104992429A (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
CN110569843A (zh) | 一种矿井目标智能检测与识别方法 | |
CN104200478A (zh) | 一种基于稀疏表示的低分辨率触摸屏图像缺陷检测方法 | |
CN109064449B (zh) | 一种桥梁表面病害的检测方法 | |
CN109029374A (zh) | 一种利用视觉图像分析对测车定位的方法及装置 | |
CN110889338A (zh) | 无监督式的铁路道床异物检测、样本构造方法及装置 | |
CN114067296A (zh) | 钢轨表面缺陷识别方法及装置 | |
Zhang et al. | Rail-5k: A real-world dataset for rail surface defects detection | |
CN113160206B (zh) | 一种钢轨轨道上异物检测的方法 | |
CN109029377A (zh) | 一种利用视觉分析对检测车重定位的方法装置及系统 | |
KR102311558B1 (ko) | 인공지능을 이용한 구조물 손상 탐지 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 | |
CN115512306B (zh) | 基于图像处理来预警电梯内暴力事件的方法 | |
CN107066943B (zh) | 一种人脸检测方法及装置 | |
CN110020686A (zh) | 一种基于群智感知传感数据的路面异常检测方法 | |
CN113378657B (zh) | 行人组群关系识别方法、装置及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |