CN114842315B - 轻量化高铁轮毂垫片防松识别方法及装置 - Google Patents

轻量化高铁轮毂垫片防松识别方法及装置 Download PDF

Info

Publication number
CN114842315B
CN114842315B CN202210492774.5A CN202210492774A CN114842315B CN 114842315 B CN114842315 B CN 114842315B CN 202210492774 A CN202210492774 A CN 202210492774A CN 114842315 B CN114842315 B CN 114842315B
Authority
CN
China
Prior art keywords
gasket
module
model
hub
loosening
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
CN202210492774.5A
Other languages
English (en)
Other versions
CN114842315A (zh
Inventor
顾毅
李淑霞
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.)
Wuxi Xuelang Shuzhi Technology Co ltd
Original Assignee
Wuxi Xuelang Shuzhi 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 Wuxi Xuelang Shuzhi Technology Co ltd filed Critical Wuxi Xuelang Shuzhi Technology Co ltd
Priority to CN202210492774.5A priority Critical patent/CN114842315B/zh
Publication of CN114842315A publication Critical patent/CN114842315A/zh
Application granted granted Critical
Publication of CN114842315B publication Critical patent/CN114842315B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16B—DEVICES FOR FASTENING OR SECURING CONSTRUCTIONAL ELEMENTS OR MACHINE PARTS TOGETHER, e.g. NAILS, BOLTS, CIRCLIPS, CLAMPS, CLIPS OR WEDGES; JOINTS OR JOINTING
    • F16B39/00—Locking of screws, bolts or nuts
    • F16B39/22—Locking of screws, bolts or nuts in which the locking takes place during screwing down or tightening
    • F16B39/24—Locking of screws, bolts or nuts in which the locking takes place during screwing down or tightening by means of washers, spring washers, or resilient plates that lock against the object
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Abstract

本发明涉及一种轻量化高铁轮毂垫片防松识别方法及装置。其包括：构建基于YOLOX的垫片防松目标识别模型；获取包含防松垫片的高铁轮毂图像，利用所构建的垫片防松目标识别模型对所获取的高铁轮毂图像进行目标识别，以输出垫片防松检测框信息；所述垫片防松检测框信息包括垫片贴合类别以及类别置信度，当所述类别置信度与置信度阈值匹配时，则将所述垫片贴合类别确定为防松垫片的当前贴合状态。本发明能有效实现对高铁轮毂防松垫片与轮毂螺栓间的贴紧状态识别，提高对高铁轮毂运行的安全检测智能化程度与可靠性。

Description

轻量化高铁轮毂垫片防松识别方法及装置
技术领域
本发明涉及一种识别方法及装置，尤其是一种轻量化高铁轮毂垫片防松识别方法及装置。
背景技术
高铁轮毂上螺栓紧固对于高铁的安全运行至关重要。在高铁列车生产时，每颗螺栓上都配有防松垫片，可通过判断防松垫片与螺栓的贴紧状态来判断螺栓是否已紧固。
目前，防松垫片与螺栓的贴紧状态需要额外配置检查人员进行检查和记录，重复作业消耗大量人力和时间成本，且人工检查存在漏检和误检情况，因此，难以有效满足高铁轮毂垫片的防松识别要求。
发明内容
本发明的目的是克服现有技术中存在的不足，提供一种轻量化高铁轮毂垫片防松识别方法及装置，其能有效实现对高铁轮毂防松垫片与轮毂螺栓间的贴紧状态识别，提高对高铁轮毂运行的安全检测智能化程度与可靠性。
按照本发明提供的技术方案，一种轻量化高铁轮毂垫片防松识别方法，所述垫片防松识别方法包括：
构建基于YOLOX的垫片防松目标识别模型；
获取包含防松垫片的高铁轮毂图像，利用所构建的垫片防松目标识别模型对所获取的高铁轮毂图像进行目标识别，以输出垫片防松检测框信息；
所述垫片防松检测框信息包括垫片贴合类别以及类别置信度，当所述类别置信度与置信度阈值匹配时，则将所述垫片贴合类别确定为防松垫片的当前贴合状态。
构建垫片防松目标识别模型中，采用ShuffleNetV2网络架构作为YOLOX的骨干网络。
在ShuffleNetV2网络架构的架构基础模块内配置一参数个数为k的ECA通道注意力模块，其中，k≤9；
架构基础模块工作时，通过ECA通道注意力模块对架构基础模块内的卷积单元卷积计算后的信息处理，架构基础模块内的卷积单元包括基础内1×1卷积模块以及基础内3×3卷积模块，基础内1×1卷积模块、基础内3×3卷积模块与ECA通道注意力模块依次适配连接。
ShuffleNetV2网络架构，还包括降采样模块，所述降采样模块包括采样第一分支、采样第二分支以及与采样第一分支、采样第二分支适配连接的降采样连接模块，其中，
采样第一分支包括采样第一分支3×3卷积模块以及采样第一分支1×1卷积模块，采样第一分支3×3卷积模块通过采样第一分支1×1卷积模块与降采样连接模块适配连接；
卷积第二分支包括采样第二分支1×1卷积模块以及采样第二分支3×3卷积模块，采样第二分支1×1卷积模块通过采样第二分支3×3卷积模块降采样连接模块适配连接。
构建的垫片防松目标识别模型中，检测头内包括40*40目标预测层以及80*80的目标预测层。
构建垫片防松目标识别模型时，包括如下步骤：
步骤1、提供基于YOLOX的目标识别基础模型；
步骤2、制作模型基础数据集，所述模型基础数据集的模型基础数据至少包含高铁轮毂、轮毂锁紧螺栓以及与所述轮毂锁紧螺栓对应的防松垫片，对模型基础数据内防松垫片的垫片位置以及类别进行标注，所述标注的类别包括贴紧垫片或未贴合垫片；
模型基础数据集内同时包含标注贴紧垫片的模型基础数据以及标注未贴合垫片的模型基础数据；
步骤3、将上述制作的模型基础数据集划分为模型训练数据集与模型验证数据集，利用模型训练数据集对目标识别基础模型进行训练，利用模型验证数据集对训练后的目标识别基础模型进行验证；
在满足目标识别基础模型的终止条件后，构建得到垫片防松目标识别模型。
垫片防松目标识别模型同时输出多个垫片检测预测框时，对所有的垫片检测预测框进行去重处理，以在去重后得到所需的垫片防松检测框信息。
一种轻量化高铁轮毂垫片防松识别装置，用于执行上述高铁轮毂垫片防松识别方法。
轻量化高铁轮毂垫片防松识别装置，包括
图像采样模块，用于获取待识别的高铁轮毂图像，其中，所获取的高铁轮毂图像包含防松垫片；
识别处理模块，接收图像获取模块获取的高铁轮毂图像，并对所获取的高铁轮毂图像利用垫片防松目标识别模型进行目标识别，以输出垫片防松检测框信息；
识别输出模块，将垫片防松检测框信息内的类别置信度与置信度阈值比较，当所述类别置信度与置信度阈值匹配时，则将所述垫片贴合类别确定并输出为防松垫片的当前贴合状态。
所述图像采样模块包括摄像头。
本发明的优点：用构建的垫片防松目标识别模型对所获取的高铁轮毂图像进行目标识别，以输出垫片防松检测框信息；所述垫片防松检测框信息包括垫片贴合类别以及类别置信度，当所述类别置信度与置信度阈值匹配时，则将所述垫片贴合类别确定为防松垫片的当前贴合状态，从而能有效实现对高铁轮毂防松垫片与轮毂螺栓间的贴紧状态识别，提高对高铁轮毂运行的安全检测智能化程度与可靠性。
附图说明
图1为本发明的工作流程图。
图2为现有ShuffleNetV2网络架构内基础模块的示意图。
图3为现有ShuffleNetV2网络架构内降采样模块的示意图。
图4为本发明ShuffleNetV2网络架构内降采样模块的示意图。
图5为本发明ShuffleNetV2网络架构内基础模块的示意图。
图6为本发明ShuffleNetV2网络架构内基础模块配置ECA通道注意力模块后的示意图。
图7为本发明轻量化高铁轮毂垫片防松识别装置的框图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
如图1所示：为了能有效实现对高铁轮毂防松垫片与轮毂螺栓间的贴紧状态识别，提高对高铁轮毂运行的安全检测智能化程度与可靠性，本发明的轻量化高铁轮毂垫片防松识别方法，具体地，所述垫片防松识别方法包括：
构建基于YOLOX的垫片防松目标识别模型；
获取包含防松垫片的高铁轮毂图像，利用所构建的垫片防松目标识别模型对所获取的高铁轮毂图像进行目标识别，以输出垫片防松检测框信息；
所述垫片防松检测框信息包括垫片贴合类别以及类别置信度，当所述类别置信度与置信度阈值匹配时，则将所述垫片贴合类别确定为防松垫片的当前贴合状态。
具体地，为了确定防松垫片与轮毂螺栓间的贴合状态，需要构建垫片防松目标检测模型，其中，所构建的垫片防松目标检测模型为基于YOLOX的模型，利用构建的垫片防松目标识别模型能实现对包含防松垫片的高铁轮毂图像进行目标检测与识别。
可利用现有常用的技术手段获取高铁轮毂图像，其中，所获取的高铁轮毂图像至少包含防松垫片，当然，所获取的高铁轮毂图像中也要包含轮毂螺栓，即至少包括防松垫片与轮毂螺栓在高铁轮毂上的配合图像。当获取所需的高铁轮毂图像后，可以利用构建的垫片防松目标识别模型对高铁轮毂图像中的防松垫片进行目标识别，以输出垫片防松检测框信息。
本发明实施例中，根据YOLOX的特性可知，得到的垫片防松检测框信息一般包括垫片贴合类别以及类别置信度。在得到类别置信度时，需要将所述类别置信度与置信度阈值比较，当所述类别置信度与置信度阈值匹配时，则将所述垫片贴合类别确定为防松垫片的当前贴合状态。具体实施时，垫片贴合类别，一般为：贴合状态或未贴合状态，其中，贴合状态，具体是指轮毂螺栓与防松垫片间相互贴紧，此时，轮毂螺栓处于紧固状态；未贴合状态，具体是指防松垫片未与轮毂螺栓相互贴紧，此时，轮毂螺栓未处于紧固状态。
类别置信度与置信度阈值匹配，具体是指类别置信度与置信度阈值相一致，或者两者的差值位于一个允许的范围内，类别置信度与置信度阈值间允许的差值范围可以根据实际需要选择，以能满足实际的应用场景为准。具体实施时，将垫片贴合类别确定为防松垫片的当前贴合状态，即可确定防松垫片与轮毂螺栓间的贴紧配合状态。当然，在具体实施时，根据垫片防松检测框信息，还可以确定防松垫片的位置坐标。当存在多个防松垫片时，通过防松垫片的位置坐标，可以确定每个防松垫片的垫片贴合类别。
置信度阈值，一般可以根据实际需要选择，如可以将置信度阈值设置为0.5，置信度阈值的具体情况以能满足防松识别的精度需求为准，此处不再赘述。将所述垫片贴合类别确定为防松垫片的当前贴合状态，即根据垫片贴合类别，直接得到防松垫片的当前贴合状态，从而确定防松垫片处于贴合状态或未贴合状态。
进一步地，垫片防松目标识别模型同时输出多个垫片检测预测框时，对所有的垫片检测预测框进行去重处理，以在去重后得到所需的垫片防松检测框信息。
具体实施时，利用垫片防松目标识别模型进行目标时，当同时输出多个垫片检测预测框时，需要对多个垫片检测预测框进行去重操作。设定重叠度阈值，其中，重叠度阈值可为0.5。去重时，采用本技术领域常用的技术手段计算垫片检测预测框的重叠度，选取最优的垫片检测预测框，。当所述垫片检测预测框与任何一个垫片检测预测框的重叠度大于0.5时，则忽略当前垫片检测预测框，直到所有垫片检测预测框都判断完成，以得到最佳的垫片检测预测框，即为垫片防松检测框。
进一步地，构建垫片防松目标识别模型中，采用ShuffleNetV2网络架构作为YOLOX的骨干网络。
具体实施时，ShuffleNetV2网络架构为现有常用的网络架构，可在移动端和边缘部署的轻量化网络架构，ShuffleNetV2网络架构的具体情况与现有相一致，将ShuffleNetV2网络架构作为YOLOX的骨干网络时，整个YOLOX的其他情况可以根据需要选择，YOLOX网络采用ShuffleNetV2网络架构作为骨干网络的具体工作方式与现有相一致，此处不再赘述。
具体实施时，ShuffleNetV2网络架构包括架构基础模块以及降采样模块，图2为现有ShuffleNetV2网络架构内架构基础模块的示意图，图3为现有ShuffleNetV2网络架构内降采样模块的示意图。为了能进一步地满足轻量化的使用需求，需要对ShuffleNetV2网络架构内的架构基础模块以及降采样模块进行改进。
对图2中的架构基础模块以及图3中的降采样模块，由图示可知，架构基础模块与降采样模块相应的左边分支中都使用了一个3×3DW卷积模块(depthwise卷积)和两个1×1卷积模块。在3×3DW卷积模块的前或后，使用1×1卷积模块一般有两种作用，一是为了融合通道间信息，弥补dw卷积对通道间信息融合的不足；二是为了对特征图降维升维。而ShuffleNetv2网络架构在该处的1×1卷积只是为了融合DW卷积的通道间信息，一个分支中设计两个1×1卷积是有些冗余的，基于轻量化模型考虑去掉3×3DW卷积模块后的1×1卷积。因此，可得到改进后的架构基础模块，如图5所示；改进后的降采样模块，如图4所示。
如图5所示，所示架构基础模块包括基础内1×1卷积模块以及基础内3×3卷积模块，图5中的，基础内1×1卷积模块与Channel Split模块连接，基础内1×1卷积模块通过基础内3×3卷积模块与基础内连接模块(Concat)连接，基础内连接模块与Channel Shuffle模块连接；由上述说明可追，由于仅仅去掉3×3DW卷积模块后的1×1卷积，因此，ChannelSplit模块、基础内连接模块以及Channel Shuffle模块的具体形式，以及具体配合工作方式均与现有相一致，当然，基础内1×1卷积模块与基础内3×3卷积模块相对应的具体工作方式以及工作配合，也与现有相一致，具体为本技术领域人员锁熟知。
如图4所示，ShuffleNetV2网络架构，还包括降采样模块，所述降采样模块包括采样第一分支、采样第二分支以及与采样第一分支、采样第二分支适配连接的降采样连接模块，其中，
采样第一分支包括采样第一分支3×3卷积模块以及采样第一分支1×1卷积模块，采样第一分支3×3卷积模块通过采样第一分支1×1卷积模块与降采样连接模块适配连接；
卷积第二分支包括采样第二分支1×1卷积模块以及采样第二分支3×3卷积模块，采样第二分支1×1卷积模块通过采样第二分支3×3卷积模块降采样连接模块适配连接。
具体实施时，由上述说明可知，采样第一分支、采样第二分支以及降采样连接模块(图4中的Concat模块)相应的工作方式，以及相对应的工作配合均与现有相一致，此处不再赘述。当然，降采样连接模块，还与降采样模块内的Channel Shuffle模块连接。与现有降采样模块相比，仅仅去掉第二分支内的1×1卷积模块，因此，整个降采样模块在ShuffleNetV2网络架构作用，以及具体工作方式与现有相一致，具体为本技术领域人员所熟知。
进一步地，在ShuffleNetV2网络架构的架构基础模块内配置一参数个数为k的ECA通道注意力模块，其中，k≤9；
架构基础模块工作时，通过ECA通道注意力模块对架构基础模块内的卷积单元卷积计算后的信息处理，架构基础模块内的卷积单元包括基础内1×1卷积模块以及基础内3×3卷积模块，基础内1×1卷积模块、基础内3×3卷积模块与ECA通道注意力模块依次适配连接。
为了在较低复杂度的基础上高效学习注意力，提高模型特征提取能力，本发明在ShuffleNetV2网络架构的架构基础模块内配置一ECA(Efficient Channel Attention)通道注意力模块，ECA通道注意力模块为现有常用的超轻量级的通道注意力模块，ECA通道注意力模块的具体形式以及工作方式均与现有相一致。配置的ECA通道注意力模块包括k个参数，具体实施时，k≤9；k代表了局部跨信道交互的覆盖率，即该通道附近有多少邻居参与了这个信道的注意力预测；ECA通道注意力模块内的参数个数k的具体情况与现有相一致，此处不再赘述。
在改进的架构基础模块内配置ECA通道注意力模块后，通过ECA通道注意力模块对架构基础模块内的卷积单元卷积计算后的信息处理，具体配合关系，如图6所述，具体为：基础内1×1卷积模块、基础内3×3卷积模块与ECA通道注意力模块依次适配连接，且通过ECA通道注意力模块与基础内连接模块连接。
在改进的架构基础模块配置ECA通道注意力模块后，整个架构基础模块在ShuffleNetV2网络架构的作用与现有相一致，具体工作过程，此处不再赘述。
进一步地，构建的垫片防松目标识别模型中，检测头内包括40*40目标预测层以及80*80的目标预测层。
具体实施时，YOLOX网络可在20*20，40*40，80*80三个不同的特征层上分别进行大、中、小目标的检测，网络总损失由三个不同尺度损失函数的总和构成，因此，任意一个尺度上训练效果不佳都会影响模型训练效果和收敛速度。考虑到轮毂上防松垫片较小，检测垫片图像中没有大目标，为了使网络更加适合该垫片检测识别任务，去掉20*20的目标预测层及与其相关连的颈部连接，即检测头内包括40*40目标预测层以及80*80的目标预测层。
检测头利用40*40目标预测层以及80*80的目标预测层进行目标检测的具体方式以及过程均与现有相一致，此处不再赘述。
进一步地，构建垫片防松目标识别模型时，包括如下步骤：
步骤1、提供基于YOLOX的目标识别基础模型；
具体实施时，所述目标识别基础模型即为包括上述改进后的YOLOX网络，具体的改进可以参考上述说明，此处不再赘述。
步骤2、制作模型基础数据集，所述模型基础数据集的模型基础数据至少包含高铁轮毂、轮毂锁紧螺栓以及与所述轮毂锁紧螺栓对应的防松垫片，对模型基础数据内防松垫片的垫片位置以及类别进行标注，所述标注的类别包括贴合状态或未贴合状态；
模型基础数据集内同时包含标注贴紧垫片的模型基础数据以及标注未贴合垫片的模型基础数据；
具体地，模型基础数据为图像数据，可以通过在高铁轮毂生产车间或实际高铁站等位置获取模型基础数据，具体获取模型基础数据的方式可以根据需要选择。获取的多个模型基础数据构成模型基础数据集。
在获取模型基础数据后，使用labelImg标注工具对模型基础数据进行标注，标注为两类，ok(贴合状态)和ng(未贴合状态)，贴合状态、未贴合状态的具体情况可以参考上述说明。
具体实施时，模型基础数据集内标注为贴合状态的模型基础数据数量、以及标注为未贴合状态的模型基础数据数量可以根据需要选择；如标注贴合状态的模型基础数据数量为2100个，标注未贴合状态的模型基础数据数量为2000个，模型基础数据的图像尺寸规格可为416×416；当然，图像尺寸规格还可以根据实际需要选择，以能满足实际对图像处理要求为准。
步骤3、将上述制作的模型基础数据集划分为模型训练数据集与模型验证数据集，利用模型训练数据集对目标识别基础模型进行训练，利用模型验证数据集对训练后的目标识别基础模型进行验证；
在满足目标识别基础模型的终止条件后，构建得到垫片防松目标识别模型。
具体实施时，将制作好的模型基础数据集按照4:1的比例分为模型训练数据集和模型验证数据集，模型训练数据集用于目标识别的训练，模型验证数据集用于模型验证。
具体训练时，将模型训练数据集内的模型基础数据送入搭建的目标识别基础模型，利用梯度下降原理对网络参数进行迭代更新，具体实施，利用梯度下降法进行参数迭代更新的方式以及过程均与现有相一致，具体为本技术领域人员所熟知。满足目标识别基础模型的预设终止条件后，构建得到垫片防松目标识别模型。具体地，预设终止条件可以为设置训练迭代次数为10万次或设置准确率阈值为90％，即当型训练次数到达10万次时或在模型验证数据集上的正确率达到90％时达到预设的停止模型训练。当然，预设终止条件还可以为其他所需的条件，具体可以根据需要选择，此处不再一一列举，具体以能满足对模型的训练需求为准。
综上，可得到：轻量化高铁轮毂垫片防松识别装置，其中，利用所述轻量化高铁轮毂垫片防松识别装置执行上述的高铁轮毂垫片防松识别方法。
如图7所示，为了能实现执行上述识别方法，所述装置包括
图像采样模块，用于获取待识别的高铁轮毂图像，其中，所获取的高铁轮毂图像包含防松垫片；
识别处理模块，接收图像获取模块获取的高铁轮毂图像，并对所获取的高铁轮毂图像利用垫片防松目标识别模型进行目标识别，以输出垫片防松检测框信息；
识别输出模块，将垫片防松检测框信息内的类别置信度与置信度阈值比较，当所述类别置信度与置信度阈值匹配时，则将所述垫片贴合类别确定并输出为防松垫片的当前贴合状态。
具体实施时，所述图像采样模块包括摄像头。构建基于YOLOX的垫片防松目标识别模型配置于识别处理模块内，识别处理模块可以利用现有常用的处理器实现。识别输出模块可以采用现有常用的输出形式，具体可以根据需要选择。

Claims (7)

1.一种轻量化高铁轮毂垫片防松识别方法，其特征是，所述垫片防松识别方法包括：
构建基于YOLOX的垫片防松目标识别模型；
获取包含防松垫片的高铁轮毂图像，利用所构建的垫片防松目标识别模型对所获取的高铁轮毂图像进行目标识别，以输出垫片防松检测框信息；
所述垫片防松检测框信息包括垫片贴合类别以及类别置信度，当所述类别置信度与置信度阈值匹配时，则将所述垫片贴合类别确定为防松垫片的当前贴合状态；
构建垫片防松目标识别模型中，采用ShuffleNetV2网络架构作为YOLOX的骨干网络；
在ShuffleNetV2网络架构的架构基础模块内配置一参数个数为k的ECA通道注意力模块，其中，k≤9；
架构基础模块工作时，通过ECA通道注意力模块对架构基础模块内的卷积单元卷积计算后的信息处理，架构基础模块内的卷积单元包括基础内1×1卷积模块以及基础内3×3卷积模块，基础内1×1卷积模块、基础内3×3卷积模块与ECA通道注意力模块依次适配连接；
所述ShuffleNetV2网络架构，还包括降采样模块，所述降采样模块包括采样第一分支、采样第二分支以及与采样第一分支、采样第二分支适配连接的降采样连接模块，其中，
采样第一分支包括采样第一分支3×3卷积模块以及采样第一分支1×1卷积模块，采样第一分支3×3卷积模块通过采样第一分支1×1卷积模块与降采样连接模块适配连接；
卷积第二分支包括采样第二分支1×1卷积模块以及采样第二分支3×3卷积模块，采样第二分支1×1卷积模块通过采样第二分支3×3卷积模块降采样连接模块适配连接。
2.根据权利要求1所述的轻量化高铁轮毂垫片防松识别方法，其特征是：构建的垫片防松目标识别模型中，检测头内包括40*40目标预测层以及80*80的目标预测层。
3.根据权利要求1至2任一项所述的轻量化高铁轮毂垫片防松识别方法，其特征是，构建垫片防松目标识别模型时，包括如下步骤：
步骤1、提供基于YOLOX的目标识别基础模型；
步骤2、制作模型基础数据集，所述模型基础数据集的模型基础数据至少包含高铁轮毂、轮毂锁紧螺栓以及与所述轮毂锁紧螺栓对应的防松垫片，对模型基础数据内防松垫片的垫片位置以及类别进行标注，所述标注的类别包括贴紧垫片或未贴合垫片；
模型基础数据集内同时包含标注贴紧垫片的模型基础数据以及标注未贴合垫片的模型基础数据；
步骤3、将上述制作的模型基础数据集划分为模型训练数据集与模型验证数据集，利用模型训练数据集对目标识别基础模型进行训练，利用模型验证数据集对训练后的目标识别基础模型进行验证；
在满足目标识别基础模型的终止条件后，构建得到垫片防松目标识别模型。
4.根据权利要求1至2任一项所述的轻量化高铁轮毂垫片防松识别方法，其特征是，垫片防松目标识别模型同时输出多个垫片检测预测框时，对所有的垫片检测预测框进行去重处理，以在去重后得到所需的垫片防松检测框信息。
5.一种轻量化高铁轮毂垫片防松识别装置，其特征是，用于执行上述权利要求1～权利要求4任一项的高铁轮毂垫片防松识别方法。
6.根据权利要求5所述轻量化高铁轮毂垫片防松识别装置，其特征是，包括
图像采样模块，用于获取待识别的高铁轮毂图像，其中，所获取的高铁轮毂图像包含防松垫片；
识别处理模块，接收图像获取模块获取的高铁轮毂图像，并对所获取的高铁轮毂图像利用垫片防松目标识别模型进行目标识别，以输出垫片防松检测框信息；
识别输出模块，将垫片防松检测框信息内的类别置信度与置信度阈值比较，当所述类别置信度与置信度阈值匹配时，则将所述垫片贴合类别确定并输出为防松垫片的当前贴合状态。
7.根据权利要求6所述轻量化高铁轮毂垫片防松识别装置，其特征是，所述图像采样模块包括摄像头。
CN202210492774.5A 2022-05-07 2022-05-07 轻量化高铁轮毂垫片防松识别方法及装置 Active CN114842315B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210492774.5A CN114842315B (zh) 2022-05-07 2022-05-07 轻量化高铁轮毂垫片防松识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210492774.5A CN114842315B (zh) 2022-05-07 2022-05-07 轻量化高铁轮毂垫片防松识别方法及装置

Publications (2)

Publication Number Publication Date
CN114842315A CN114842315A (zh) 2022-08-02
CN114842315B true CN114842315B (zh) 2024-02-02

Family

ID=82568579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210492774.5A Active CN114842315B (zh) 2022-05-07 2022-05-07 轻量化高铁轮毂垫片防松识别方法及装置

Country Status (1)

Country Link
CN (1) CN114842315B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861861B (zh) * 2023-02-27 2023-06-16 国网江西省电力有限公司电力科学研究院 一种基于无人机配电线路巡检的轻量级验收方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020164282A1 (zh) * 2019-02-14 2020-08-20 平安科技（深圳）有限公司 基于yolo的图像目标识别方法、装置、电子设备和存储介质
CN111797676A (zh) * 2020-04-30 2020-10-20 南京理工大学 一种高分辨率遥感图像目标在轨轻量化快速检测方法
CN111899227A (zh) * 2020-07-06 2020-11-06 北京交通大学 基于无人机作业的铁路扣件缺陷自动采集辨识方法
CN113128400A (zh) * 2021-04-19 2021-07-16 北京明略软件系统有限公司 螺栓松动角度识别方法及系统
CN113362306A (zh) * 2021-06-07 2021-09-07 中山大学 一种基于深度学习的封装芯片缺陷检测方法
CN113808096A (zh) * 2021-09-14 2021-12-17 成都主导软件技术有限公司 一种非接触式的螺栓松动检测方法及其系统
CN114202672A (zh) * 2021-12-09 2022-03-18 南京理工大学 一种基于注意力机制的小目标检测方法
CN114332666A (zh) * 2022-03-11 2022-04-12 齐鲁工业大学 一种基于轻量化神经网络模型的图像目标检测方法及系统
CN114387538A (zh) * 2021-12-15 2022-04-22 江苏电力信息技术有限公司 基于YoloX网络的变电站作业现场安全识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020164282A1 (zh) * 2019-02-14 2020-08-20 平安科技（深圳）有限公司 基于yolo的图像目标识别方法、装置、电子设备和存储介质
CN111797676A (zh) * 2020-04-30 2020-10-20 南京理工大学 一种高分辨率遥感图像目标在轨轻量化快速检测方法
CN111899227A (zh) * 2020-07-06 2020-11-06 北京交通大学 基于无人机作业的铁路扣件缺陷自动采集辨识方法
CN113128400A (zh) * 2021-04-19 2021-07-16 北京明略软件系统有限公司 螺栓松动角度识别方法及系统
CN113362306A (zh) * 2021-06-07 2021-09-07 中山大学 一种基于深度学习的封装芯片缺陷检测方法
CN113808096A (zh) * 2021-09-14 2021-12-17 成都主导软件技术有限公司 一种非接触式的螺栓松动检测方法及其系统
CN114202672A (zh) * 2021-12-09 2022-03-18 南京理工大学 一种基于注意力机制的小目标检测方法
CN114387538A (zh) * 2021-12-15 2022-04-22 江苏电力信息技术有限公司 基于YoloX网络的变电站作业现场安全识别方法
CN114332666A (zh) * 2022-03-11 2022-04-12 齐鲁工业大学 一种基于轻量化神经网络模型的图像目标检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fine-Grained Grape Leaf Diseases Recognition Method Based on Improved Lightweight Attention Network;Peng Wang等;《Frontiers in Plant Science》;第1-12页 *
改进ShuffleNet V2的轻量级农作物病害识别方法;李好等;《计算机工程与应用》;全文 *

Also Published As

Publication number Publication date
CN114842315A (zh) 2022-08-02

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
CN111079819B (zh) 基于图像识别与深度学习的铁路货车钩舌销的状态判断方法
CN111079818A (zh) 铁路货车车钩托梁折断检测方法
CN111080600A (zh) 一种铁路货车弹簧托板上开口销的故障识别方法
CN111862029A (zh) 一种铁路动车组垂向减震器螺栓部件故障检测方法
CN111489339A (zh) 高速铁路定位器螺栓备母缺陷的检测方法
CN114842315B (zh) 轻量化高铁轮毂垫片防松识别方法及装置
CN113205039B (zh) 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法
CN112464846B (zh) 一种车站货运列车车厢异常故障的自动识别方法
CN111758117B (zh) 检查系统、识别系统以及学习数据生成装置
CN111091543A (zh) 铁路货车摇枕弹簧丢失故障目标检测方法
CN111079645A (zh) 一种基于AlexNet网络的绝缘子自爆识别方法
CN113221839B (zh) 一种货车图像自动识别方法及识别系统
CN115965915A (zh) 基于深度学习的铁路货车连接拉杆折断故障识别方法及识别系统
CN113837994B (zh) 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法
CN113160170A (zh) 电力巡检销钉级故障识别检测方法、系统、介质及设备
CN117541534A (zh) 一种基于无人机和CNN-BiLSTM模型的输电线路巡检方法
CN114596244A (zh) 基于视觉处理和多特征融合的红外图像识别方法及系统
CN111091553A (zh) 一种挡键丢失检测方法
CN116523885A (zh) 一种基于多尺度融合及深度学习的pcb缺陷检测方法
CN116523881A (zh) 一种电力设备异常温度检测方法及装置
CN111539931A (zh) 一种基于卷积神经网络和边界限定优化的外观异常检测方法
CN113420646B (zh) 一种基于深度学习的锁站连接锁检测系统及方法
CN115082650A (zh) 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法
CN114897863A (zh) 一种缺陷的检测方法、装置以及设备

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