CN115009321A - 基于改进YoloX-s的密贴检查器故障检测方法 - Google Patents

基于改进YoloX-s的密贴检查器故障检测方法 Download PDF

Info

Publication number
CN115009321A
CN115009321A CN202210738466.6A CN202210738466A CN115009321A CN 115009321 A CN115009321 A CN 115009321A CN 202210738466 A CN202210738466 A CN 202210738466A CN 115009321 A CN115009321 A CN 115009321A
Authority
CN
China
Prior art keywords
contact
checker
contact piece
static
static contact
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.)
Granted
Application number
CN202210738466.6A
Other languages
English (en)
Other versions
CN115009321B (zh
Inventor
徐哲玮
白文伟
刘英舜
包建东
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202210738466.6A priority Critical patent/CN115009321B/zh
Publication of CN115009321A publication Critical patent/CN115009321A/zh
Application granted granted Critical
Publication of CN115009321B publication Critical patent/CN115009321B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L5/00—Local operating mechanisms for points or track-mounted scotch-blocks; Visible or audible signals; Local operating mechanisms for visible or audible signals
    • B61L5/10—Locking mechanisms for points; Means for indicating the setting of points
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Mechanical Engineering (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于改进YoloX‑s的密贴检查器故障检测方法，获取密贴检查器动接点运动状态的图像；将拍摄的图像或视频进行校正畸变标定；通过改进YoloX‑s的目标检测算法，处理获取的密贴检查器运动图片，检测密贴检查器动接点环和静接点片并获得其像素坐标，将像素坐标转化为现实世界的坐标，得出密贴检查器动接点环接入静接点片深度，由动接点打入静接点片的深度和静接点片的形变量计算得出接触点的压力。本发明采用机器视觉代替人工检测，能够降低密贴检查器的运维成本，提高运维效率。

Description

基于改进YoloX-s的密贴检查器故障检测方法
技术领域
本发明涉及密贴检查器故障检测领域，特别涉及一种基于改进YoloX-s的密贴检查器故障检测方法。
背景技术
道岔是铁路网的咽喉和关节，也是铁路网中较为薄弱的环节，是事故频繁发生的地方。密贴检查器是反映道岔尖轨或心轨位置状态的设备，用于检查尖轨和心轨的密贴状态，也可以用于道岔挤岔时切断表示。
密贴检查器随着道岔频繁的动作，由于受路基、钢轨等条件的影响，故障率较高，出现各种故障现象，有不少为原因不明确的故障，一时难以排除，严重地影响行车效率。根据制定的密贴检查器出所检查验收标准，对返所维修的问题密贴检查器的回所原因进行分析统计，初步确认密贴检查器故障主要有以下几点：维修人员对设备标准不熟悉；设备装配不良；材质老化；产品设计缺陷。
目前，密贴检查器只能通过人工现场巡检查看密贴和斥离状态，这种运维模式的效率较低，且维护成本较高。这种基于静态数据的“定期修”、“故障修”的铁路设备运维模式，难以实现铁路运维系统对提高安全保障能力和降低运营成本的需求。
发明内容
本发明的目的在于提供一种基于改进YoloX-s的密贴检查器故障检测方法。
本发明解决上述技术问题的技术方案如下：第一方面，本发明提供一种基于改进YoloX-s的密贴检查器故障检测方法，包括：
获取密贴检查器动接点运动状态的图像；
将拍摄的图像或视频进行校正畸变标定，消除相机的畸变；
通过改进YoloX-s的目标检测算法，处理获取的密贴检查器运动图片，检测密贴检查器动接点环和静接点片并获得其像素坐标，将像素坐标转化为现实世界的坐标，得出密贴检查器动接点环接入静接点片深度，由动接点打入静接点片的深度和静接点片的形变量计算得出接触点的压力。
第二方面，本发明提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法的步骤。
与现有技术相比，本发明的显著优点为(1)本发明通过改进YoloX-s的目标检测算法，处理获取的密贴检查器运动图片，检测精度高，可实现密贴检查器的实时检测、报警等功能；(2)采用机器视觉代替人工检测，不需要工作人员上道检查，同时检测不受环境因素影响，可靠性高。
附图说明
图1为本发明中提供的基于改进YoloX-s的密贴检查器故障检测方法流程图。
图2为本发明中提供的基于改进YoloX-s的密贴检查器故障检测装置结构示意图。
图3为本发明中密贴检查器故障检测装置的软件界面图。
图4为本发明中密贴检查器故障检测装置检测方法的流程图。
具体实施方式
本发明提出一种基于改进YoloX-s的密贴检查器故障检测方法，区别于传统依靠人工检测密贴检查器接触点，采取机器视觉这种无接触式检测方法，包括：调用相机模块实时拍摄密贴检查器内部状况，并通过对相机进行标定，矫正畸变、获取像素坐标与实际坐标转换关系；通过改进YoloX-s的目标检测算法，对动接点环和静接点片进行图像检测，获得相应的像素坐标，由动接点环和静接点片的像素坐标关系得出密贴检查器接点组的接入情况密贴检查器动接点环接入静接点片深度；通过已知密贴检查器动接点环接入静接点片深度和静接点片的形变量，通过动接点环打入静接点片的深度、静接点片的形变量和接触点压力三者的关系，即可计算得到接点压力的数值；将获得的深度及压力和中华人民共和国铁道行业标准(TB/T 3200-2015铁路道岔密贴检查器)进行比较，判断密贴检查器是否发生故障。
如图1所示，基于改进YoloX-s的密贴检查器故障检测方法，包括：
将图像采集设备安置于密贴检查器箱体内部，采取非接触式方法检测密贴检查器接触点；
通过相机模块观察密贴检查器箱体内部情况，拍摄密贴检查器动接点运动状态的图像；
将拍摄的图像或视频进行校正畸变标定，消除相机的畸变；
通过改进YoloX-s的目标检测算法，处理获取的密贴检查器运动图片，检测密贴检查器动接点环和静接点片并获得其像素坐标，将像素坐标转化为现实世界的坐标，得出密贴检查器动接点环接入静接点片深度，由动接点打入静接点片的深度和静接点片的形变量计算得出接触点的压力。
本发明采用机器视觉这种无接触的检测方式，检测效率快，一次性投入成本后、后期维护成本低，不受环境时间的限制，方便预知风险，保证铁路的安全运营。该算法每秒帧数为42FPS，因此可以对密贴检查器进行实时视频检测，并检测的结果可视化。以确保高速运行的动车组能够安全、平稳地通过道岔。
进一步的，调用相机模块拍摄密贴检查器动接点运动状态的图像，包括：
利用OpenCV中的函数调用并打开相应的相机模块。在软件界面的显示方向1和显示方向2中显示拍摄的图片，设置保存图片路径，将图像保存到指定位置，保存图片的名称为“年_月_日_时_分_秒_摄像头编号”。
进一步的，将采集到的图像进行畸变校正得到无畸变的密贴检查器接触点图像，具体是采用张正友平面标定方法对相机进行标定。
进一步的，所述密贴检查器接触点参数检测包括：动接点环打入静接点片的深度和接触点的压力。
进一步的，选择改进YoloX-s的目标检测算法对密贴检查器的动接点环和静接点片进行检测。
YoloX-s的主干特征提取网络为CSPDarknet，它利用了YOLOv5中的Focus网络结构。针对图片实例，该结构每隔一个像素获取一个值，在获取到四个独立的特征层后，通过堆叠特征层，宽高信息被集中到了通道信息，输入通道也扩充了四倍。CSPDarknet使用了SPP(Spatial Pyramid Pooling)结构，通过不同池化核的最大池化进行特征提取，提高网络的感受视野。在YOLOv4中，SPP用于加强特征提取网络，而YoloX-s中，SPP模块用于主干特征提取网络，该网络使用在深层SiLU激活函数上，具备无上界有下界、平滑、非单调的特性，性能上优于ReLU激活函数。
YoloX-s的加强特征提取网络提取三个在主干特征提取网络不同位置的特征层(feat1，feat2和feat3)进行目标检测。加强特征提取网络为PANet路径聚合网络结构，主干特征提取网络输出的特征层feat3进入PANet后，经过2次通道数调整(获得P4和P5)及上采样后分别与feat2和feat1进行融合，然后使用CSPLayer进行特征提取获得P3_out，P3_out经过2次下采样后分别与P4和P5堆叠，然后使用CSPLayer进行特征提取获得P4_out和P5_out。
YoloX-s的分类回归层将三个加强特征层传入YoloHead以获得预测结果，不同于Yolo之前版本(分类和回归在一个1×1卷积)，YoloHead的分类和回归分别实现，最后预测的时候才整合。YoloX-s使用无锚框(Anchor-free)检测器，减少了参数和检测器的GFLOPs，因此它的检测速度更快，准确率更高。在获得预测结果后，得分排序与非极大抑制筛选被应用调整先验框以确定最终的预测框。
YoloX-s目标检测的损失函数包括Reg模块、Obj模块和Cls模块。Reg模块判断了特征点的回归参数，Obj模块判断特征点是否包含物体，Cls部分确定特征点包含的物体种类。YoloX-s使用SimOTA技术，为不同大小的目标动态匹配正样本。
改进YoloX-s的目标检测算法在PANet模块将80×80，40×40和20×20三个尺度特征层与160×160浅层特征层相互融合，使融合单元能够传递浅层的强定位信息和边缘特征，进而提高目标检测效果；在主干特征提取网络的三个特征层后，模型增加了CA注意力机制；损失函数使用CIoU替代原本的IoU和GIoU，CIoU考虑了目标框回归三要素(重叠面积、中心点距离和长宽比)，从而提高了目标框回归的稳定性。
利用改进YoloX-s的目标检测算法预测密贴检查器的动接点环和静接点片的预测框，并获得预测框四个角的坐标。通过动接点环的中心纵坐标和静接点片开口纵向坐标的关系，得到其打入深度的像素距离。测量实际静接点片的距离，将其转化为像素距离，获得像素距离与实际距离的关系。由打入深度的像素距离获得动接点环打入静接点片深度的实际距离。
将动接点环打入静接点片的深度、静接点片的形变量和接触点的压力三者进行拟合，获得其关系式为：
z＝-0.141*x^2+1.698*x*y+0.385*y^2+1.000*x+8.329*y-2.190
其中，z表示接触点的压力，x表示动接点环打入静接点片的深度、y表示静接点片的形变量。
在获得动接点环打入静接点片的深度、静接点片的形变量后，即可计算获得接触点的压力。
进一步的，结合图2，本发明的检测方法基于一套检测装置实现，装置包括相机模块1、相机模块2、支架3、补光灯带4、通讯线5和电源线6，相机模块1、2负责密贴检查器的图像采集；支架3负责固定工业相机和补光灯带；补光灯带4负责封闭的密贴检查器内部进行照明；通讯线5控制相机模块拍摄并传输图像信息；电源线6负责给补光灯带供电。
相机模块1、2由支架3固定于密贴检查器接点组上方，在支架3侧方利用灯带固定孔安装补光灯带4。
进一步的，采用无线传输模式代替通讯线，无线传输模式不仅综合成本低且可扩展性好，维护更方便。
进一步的，结合图3，软件界面实现实时检测、检测结果保存、检测结果显示的功能。左下方为中华人民共和国铁道行业标准(TB/T 3200-2015铁路道岔密贴检查器)；点击实时检测，软件界面的显示方向1、显示方向2分别对同一密贴检查器的两侧进行图像检测，将检测结果在下方进行显示，并与中华人民共和国铁道行业标准(TB/T3200-2015铁路道岔密贴检查器)进行比较，判断密贴检查器是否发生故障，并将结果在图片中标注及在界面中显示；选择图片保存路径，点击保存图片按钮可以将检测结果保存到指定位置；选择图片读取路径，点击读取图片按钮可以将之前的检测在界面中显示。
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例
参见图1，本发明实施例提供了一种基于改进YoloX-s的密贴检查器故障检测方法，该方法包括模型训练和模型预测两个部分，实际应用时将之前训练得到的最优权重载入，不需要重新训练模型。步骤1、2、3、4为模型训练部分，步骤5、6、7、8为模型预测部分。
包括如下步骤：
步骤1、通过现场拍摄，采集密贴检查器动接点环在不同运动位置的接点组图像。
调用相机模块采集并保存所需的密贴检查器图像。
步骤2、通过张正友平面标定法对相机进行标定，得到相机的内外参数及畸变参数。将采集到的图像进行畸变校正得到无畸变的密贴检查器图像。
将一张打印精度较高的棋盘格模板贴在一个平面上，然后用相机模块从不同角度拍摄若干张模板图像，检测出图像中的特征点并考虑相机模型的畸变，利用优化算法求精得到准确的相机内外参数及畸变系数。
步骤3、将畸变校正后的图像集进行数据增强，标注图像中密贴检查器的动接点环和静接点片，并将类别和位置信息进行保存。
为了提高模型泛化能力，避免网络过拟合，通过翻折、对比度调节、亮度调节等图像处理方法对数据集进行数据增强，扩充数据集。利用LabelImg标注了图像中密贴检查器的动接点环和静接点片，并将类别和位置信息保存到xml文件中。最后转化xml文件为txt文本，用于评估网络模型。
步骤4、对改进YoloX-s的模型经过主干特征提取网络、加强特征提取网络和回归分类层进行模型训练，评估训练结果，挑选最优模型权重。
模型的训练采用冻结训练的方式，这种方式可以加快训练效率，防止权值被破坏，采用检测精度和检测速度来衡量模型性能。
步骤5、采集需要处理的密贴检查器图像。
调用相机模块采集所需的密贴检查器图像。
步骤6、通过之前相机标定得到相机的内外参数及畸变参数。将采集到的图像进行畸变校正得到无畸变的密贴检查器图像。
利用步骤2获得的相机参数，对采集的图像进行畸变矫正。
步骤7、将载入最优模型权重的模型进行预测，检测并获得密贴检查器动接点环和静接点片的预测框，由此获得预测框的类别和位置信息(预测框在图像中的像素坐标)。
步骤8、进一步的，通过对图像中密贴检查器动接点环和静接点片的位置信息得出动接点环打入静接点片的像素距离，通过世界坐标系、相机坐标系、图像坐标系以及像素坐标系之间的转换，得出密贴检查器动接点环打入静接点片的深度。通过动接点环打入静接点片的深度、静接点片的形变量和接触点压力三者的关系，即可计算得到接点压力的数值。
在获得实际打入深度和接触点压力后，判断密贴检查器接点组是否发生故障。
结合图3、图4，本发明的密贴检查器故障检测的软件使用，包括以下步骤：
步骤1，通讯线USB接口插入上位机中，打开电源开关。
步骤2，点击实时检测，即可调用相机采集所需要的密贴检查器图像。安装在密贴检查器动接点环上方的支架设置两台工业相机，相机的焦距为2.8mm，镜头角度为140°。
步骤3，将采集到的图像或视频使用改进YoloX-s的算法进行故障检测。获得密贴检查器的动接点环和静接点片的像素坐标，并转化为打入深度的实际距离。通过动接点环打入静接点片的深度、静接点片的形变量和接触点压力三者的关系，即可计算得到接点压力的数值。由动接点环打入静接点片的深度和接触点压力判断密贴检查器接点组是否发生故障。
步骤4，选择保存图片位置，点击保存图片，即可将检测后的图片保存到指定位置，保存图片的名称为“年_月_日_时_分_秒_摄像头编号”。
步骤5，选择读取图片位置，点击读取图片，即可将之前检测后保存的图片在界面中显示。

Claims (10)

1.一种基于改进YoloX-s的密贴检查器故障检测方法，其特征在于，包括：
获取密贴检查器动接点运动状态的图像；
将拍摄的图像或视频进行校正畸变标定，消除相机的畸变；
通过改进YoloX-s的目标检测算法，处理获取的密贴检查器运动图片，检测密贴检查器动接点环和静接点片并获得其像素坐标，将像素坐标转化为现实世界的坐标，得出密贴检查器动接点环接入静接点片深度，由动接点打入静接点片的深度和静接点片的形变量计算得出接触点的压力。
2.根据权利要求1所述的基于改进YoloX-s的密贴检查器接触点参数检测方法，其特征在于，改进YoloX-s的目标检测算法在PANet模块将80×80，40×40和20×20三个尺度特征层与160×160浅层特征层相互融合；在主干特征提取网络的三个特征层后，模型增加了CA注意力机制。
3.根据权利要求2所述的基于改进YoloX-s的密贴检查器接触点参数检测方法，其特征在于，利用改进YoloX-s的目标检测算法预测密贴检查器的动接点环和静接点片的预测框，并获得预测框四个角的坐标；通过动接点环的中心纵坐标和静接点片开口纵向坐标的关系，得到其打入深度的像素距离；测量实际静接点片的距离，将其转化为像素距离，获得像素距离与实际距离的关系；由打入深度的像素距离获得动接点环打入静接点片深度的实际距离。
4.根据权利要求3所述的基于改进YoloX-s的密贴检查器接触点参数检测方法，其特征在于，将动接点环打入静接点片的深度、静接点片的形变量和接触点的压力三者进行拟合，获得其关系式为：
z＝-0.141*x^2+1.698*x*y+0.385*y^2+1.000*x+8.329*y-2.190
其中，z表示接触点的压力，x表示动接点环打入静接点片的深度、y表示静接点片的形变量；
在获得动接点环打入静接点片的深度、静接点片的形变量后，即可计算获得接触点的压力。
5.根据权利要求3所述的基于改进YoloX-s的密贴检查器接触点参数检测方法，其特征在于，将畸变校正后的图像集进行数据增强，标注图像中密贴检查器的动接点环和静接点片，并将类别和位置信息进行保存。
6.根据权利要求5所述的基于改进YoloX-s的密贴检查器接触点参数检测方法，其特征在于，图像集的数据增强，包括翻折、对比度调节、亮度调节。
7.根据权利要求5所述的基于改进YoloX-s的密贴检查器接触点参数检测方法，其特征在于，利用LabelImg标注图像中密贴检查器的动接点环和静接点片，并将类别和位置信息保存到xml文件中；最后转化xml文件为txt文本。
8.根据权利要求1所述的基于改进YoloX-s的密贴检查器接触点参数检测方法，其特征在于，通过相机模块获取密贴检查器动接点运动状态的图像，包括：
利用OpenCV中的函数调用并打开相应的相机模块；在软件界面的显示方向1和显示方向2中显示拍摄的图片，设置保存图片路径，将图像保存到指定位置。
9.根据权利要求8所述的基于改进YoloX-s的密贴检查器接触点参数检测方法，其特征在于，软件界面实现实时检测、检测结果保存、检测结果显示的功能；点击实时检测，软件界面的显示方向1、显示方向2分别对同一密贴检查器的两侧进行图像检测，将检测结果在下方进行显示，判断密贴检查器是否发生故障，并将结果在图片中标注及在界面中显示；选择图片保存路径，点击保存图片按钮，将检测结果保存到指定位置；选择图片读取路径，点击读取图片按钮，将之前的检测在界面中显示。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-9中任一所述的方法的步骤。
CN202210738466.6A 2022-06-27 2022-06-27 基于改进YoloX-s的密贴检查器故障检测方法 Active CN115009321B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210738466.6A CN115009321B (zh) 2022-06-27 2022-06-27 基于改进YoloX-s的密贴检查器故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210738466.6A CN115009321B (zh) 2022-06-27 2022-06-27 基于改进YoloX-s的密贴检查器故障检测方法

Publications (2)

Publication Number Publication Date
CN115009321A true CN115009321A (zh) 2022-09-06
CN115009321B CN115009321B (zh) 2024-07-12

Family

ID=83077600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210738466.6A Active CN115009321B (zh) 2022-06-27 2022-06-27 基于改进YoloX-s的密贴检查器故障检测方法

Country Status (1)

Country Link
CN (1) CN115009321B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201012694Y (zh) * 2007-03-15 2008-01-30 西门子信号有限公司 一种密贴检查装置及密贴检查器
CN211765582U (zh) * 2020-03-06 2020-10-27 合安高铁股份有限公司 一种基于图像检测技术的道岔岔尖密贴度检测系统
US20220114759A1 (en) * 2020-12-25 2022-04-14 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Target detection method, electronic device and medium
CN114666550A (zh) * 2022-04-02 2022-06-24 南京理工大学 基于图像处理的密贴检查器接触点参数检测装置及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201012694Y (zh) * 2007-03-15 2008-01-30 西门子信号有限公司 一种密贴检查装置及密贴检查器
CN211765582U (zh) * 2020-03-06 2020-10-27 合安高铁股份有限公司 一种基于图像检测技术的道岔岔尖密贴度检测系统
US20220114759A1 (en) * 2020-12-25 2022-04-14 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Target detection method, electronic device and medium
CN114666550A (zh) * 2022-04-02 2022-06-24 南京理工大学 基于图像处理的密贴检查器接触点参数检测装置及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐哲玮等: "基于改进YoloX-s的密贴检查器故障检测方法", 电子测量技术, vol. 45, no. 12, 2 June 2022 (2022-06-02), pages 1 - 4 *

Also Published As

Publication number Publication date
CN115009321B (zh) 2024-07-12

Similar Documents

Publication Publication Date Title
CN106680281B (zh) 一种基于深度残差学习网络的柴油车尾气烟度检测方法
CN109859163A (zh) 一种基于特征金字塔卷积神经网络的lcd缺陷检测方法
US20210216062A1 (en) System and Method for Intelligently Monitoring the Production Line
CN112053317A (zh) 一种基于级联神经网络的工件表面缺陷检测方法
CN110254468A (zh) 一种轨道表面缺陷智能在线检测装置及检测方法
CN113487570B (zh) 基于改进的yolov5x网络模型的高温连铸坯表面缺陷检测方法
CN107024478A (zh) 一种零件加工自动缺陷识别系统
CN113838044A (zh) 基于机器视觉的面板缺陷检测方法及系统
CN108711154A (zh) 电容器缺陷检测方法、电容器缺陷检测系统及电容器组立捺印连体机
CN115035082B (zh) 一种基于YOLOv4改进算法的航空器透明件缺陷检测方法
CN114266751A (zh) 基于ai技术的产品包装袋打码缺陷检测方法及系统
CN105718902A (zh) 接触网受电弓拉出值超限缺陷识别方法及系统
CN115994901A (zh) 一种道路病害自动检测方法与系统
CN115009321A (zh) 基于改进YoloX-s的密贴检查器故障检测方法
CN110335242A (zh) 一种基于多模型融合的轮胎x光病疵检测方法
CN207008009U (zh) 一种缺陷检测维修系统以及维修装置
CN110530891B (zh) 一种纸瓶生产用缺陷智能检测系统及其应用设备
CN117092113A (zh) 一种摄像头模具焊接质量检测装置及其系统
CN115355952B (zh) 一种原油储罐智能巡检系统
CN113205027B (zh) 一种变电设备金属锈蚀的检测装置和检测方法
CN105699385B (zh) 空间光调制器的缺陷层别检测系统及检测方法
CN115359306A (zh) 一种铁路货检高清图像智能识别方法和系统
CN115331258A (zh) 一种工业级应用的危险禁区人员检测系统及方法
CN208443748U (zh) 检测系统
CN111626992A (zh) 一种智能道口验箱方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Liu Yingshun

Inventor after: Xu Zhewei

Inventor after: Bai Wenwei

Inventor after: Bao Jiandong

Inventor before: Xu Zhewei

Inventor before: Bai Wenwei

Inventor before: Liu Yingshun

Inventor before: Bao Jiandong

GR01 Patent grant
GR01 Patent grant