CN115620153A - 一种对轨道表面波磨分级的方法及装置 - Google Patents
一种对轨道表面波磨分级的方法及装置 Download PDFInfo
- Publication number
- CN115620153A CN115620153A CN202211619069.3A CN202211619069A CN115620153A CN 115620153 A CN115620153 A CN 115620153A CN 202211619069 A CN202211619069 A CN 202211619069A CN 115620153 A CN115620153 A CN 115620153A
- Authority
- CN
- China
- Prior art keywords
- model
- track surface
- yolov5s
- training
- surface image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000010897 surface acoustic wave method Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000003381 stabilizer Substances 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 230000007935 neutral effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000003062 neural network model Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 101100311456 Caenorhabditis elegans kin-18 gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
-
- 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
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及轨道交通技术领域,具体涉及一种对轨道表面波磨分级的方法及装置,该方法包括:先获取多张轨道表面图像,以及每一张轨道表面图像对应的位置信息,再将多张轨道表面图像划分为多个数据级别,进而依据划分为多个数据级别的轨道表面图像对目标YOLOv5s模型进行训练,训练完成后的目标YOLOv5s模型即可对新获取的轨道表面图像进行数据级别预测。本方案可通过电子设备对轨道表面图像进行定时采集,并通过智能神经网络模型对获取的轨道表面图像的波磨程度进行自动分类,更加安全高效。
Description
技术领域
本发明涉及轨道交通技术领域,具体而言,涉及一种对轨道表面波磨分级的方法及装置。
背景技术
高速列车在运行中,轨道表面波磨问题日益严重,由此引发的轨道缺陷不断加剧,最终缺陷发展为裂纹甚至更严重的断裂。这不仅会导致轨道的寿命大大缩短,而且当发生严重的轨道波磨问题时,在列车运行时会引发激烈的噪声,同时还为列车的安全运行埋下了隐患。传统的轨道人工巡检的方式工作强度大、效率低而且存在危险。因此,急需一种基于机器视觉的轨道表面波磨分级的方法。
发明内容
本发明的目的在于提供一种对轨道表面波磨分级的方法,以替代传统人工巡检的方式,更加安全高效。
本发明的另一目的在于提供一种对轨道表面波磨分级的装置,以替代传统人工巡检的方式,更加安全高效。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种对轨道表面波磨分级的方法,所述方法包括:获取多张轨道表面图像;获取每一张所述轨道表面图像对应的位置信息;将所述多张轨道表面图像分为多个数据级别;依据划分为多个数据级别的轨道表面图像对目标YOLOv5s模型进行训练;通过训练得到的目标YOLOv5s模型对新获取的轨道表面图像进行数据级别预测。
第二方面,本发明实施例还提供了一种对轨道表面波磨分级的装置,所述装置包括:第一获取模块,用于获取多张轨道表面图像;第二获取模块,用于获取每一张所述轨道表面图像对应的位置信息;分级模块,用于将所述多张轨道表面图像分为多个数据级别;训练模块,用于依据划分为多个数据级别的轨道表面图像对目标YOLOv5s模型进行训练;预测模块,用于通过训练得到的目标YOLOv5s模型对新获取的轨道表面图像进行数据级别预测。
本发明实施例提供的一种对轨道表面波磨分级的方法及装置,该方法包括:先获取多张轨道表面图像,以及每一张轨道表面图像对应的位置信息,再将多张轨道表面图像划分为多个数据级别,进而依据划分为多个数据级别的轨道表面图像对目标YOLOv5s模型进行训练,训练完成后的目标YOLOv5s模型即可对新获取的轨道表面图像进行数据级别预测。本方案可通过电子设备对轨道表面图像进行定时采集,并通过神经网络模型对获取的轨道表面图像的波磨程度进行自动分类,更加安全高效。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本发明实施例提供的一种对轨道表面波磨分级的方法的流程示意图。
图2示出了本发明实施例提供的一种目标YOLOv5s模型的结构示意图。
图3示出了本发明实施例提供的一种对轨道表面波磨分级的装置的功能模块示意图。
图示:
100-对轨道表面波磨分级的装置;110-第一获取模块;120-第二获取模块;130-分级模块;140-训练模块;150-预测模块。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,是本发明实施例提供的一种对轨道表面波磨分级的方法的流程示意图,该方法包括:
S110,获取多张轨道表面图像。
具体为,由于传统的依靠人工方式对轨道进行巡检,效率比较低,而且具有较高的安全隐患。故本方案是采用工业相机沿着待检测的轨道进行行驶,在行驶的过程中,同步对轨道表面图像进行采集。为了保证图像采集的稳定性,还搭载了相机稳定器,可以将工业相机安装于相机稳定器上,以便于工业相机可以沿着轨道稳步移动采集图像。进一步地,采集好的多张不同轨道位置的轨道表面图像可以存储于与工业相机位于同一巡检装置的存储模块中,以待后续分析。
S120,获取每一张所述轨道表面图像对应的位置信息。
具体为,在该巡检装置上还安装了卫星定位模块,在工业相机对轨道拍摄轨道表面图像时,该卫星定位模块也同步获取了同一时刻下该轨道表面图像对应的经纬度信息。将该经纬度信息与轨道表面图像进行对应结合,以便于获取每个轨道波磨缺陷发生的具体位置,方便检修人员快速定位进行修复。
进一步地,在获取了多张轨道表面图像后,在对样本数据进行训练前,还需要对多张轨道表面图像进行预处理操作,以提高数据的鲁棒性。该预处理操作包括但不限于图像模糊、翻转、裁剪、仿射变换或透视变换,其中仿射变换包含平移、旋转和放缩,仿射变换和透视变换占比较大。
S130,将所述多张轨道表面图像分为多个数据级别。
具体为,按照轨道表面图像中是否存在波磨以及波磨程度,借由图像标注工具软件对轨道表面图像中波磨区域划定最小外接矩形,以保证矩形框内最大保留波磨缺陷,同时最小保留背景。并依据该轨道表面图像中划定的最小外接矩形区域,将轨道表面图像划分为多个数据级别,在本发明实施例中,该数据级别划分为三类,但不限于此。其划分规则为:将未出现波磨的轨道表面图像标注为“正常” 类,将出现轻度波磨的轨道表面图像标注为“I级波磨”类,将出现重度波磨的轨道表面图像标注为“II级波磨”类。
需要说明的是,将处理后的轨道表面图像保存为 JPG 格式,分辨率为 640×640,标注文件格式储存为 xml 文本,通过数据转换代码将标注文件转换为 YOLOv5s模型可用的 txt 文本格式。同时,图像标注工具软件采用 LABELIMG 软件,其是麻省理工的计算机科学和人工智能实验室研发的图像标注工具,可以使用该工具创建定制化标注任务或执行图像标注。
S140,依据划分为多个数据级别的轨道表面图像对目标YOLOv5s模型进行训练。
请参照图2,是本发明实施例提供的一种目标YOLOv5s模型的结构示意图,该目标YOLOv5s模型的形成方法包括:
首先,对原始YOLOv5s模型进行裁剪掉冗余网络层处理。
具体为,裁剪了针对小目标预测的检测层及其相关特征融合层。YOLOv5s (6.0)模型只有 3 个预测层,当将尺寸为 640×640 的图像输入网络时,主干网络分别进行 8倍、16 倍、32 倍下采样,对应的预测层特征图尺寸为 80×80,40×40,20×20,用来检测小目标、中目标和大目标。
小目标检测层针对大目标时感受野不够,只有特征图的感受野大于目标大小时才能正确检测,对于波磨检测小目标检测层属于冗余层,所以为了缩小识别模型的体积,降低骨干网络的整体参数量,以实现模型的轻量化,裁剪了第三次上采样与相关融合层。
其次,对裁剪掉冗余网络层处理后的YOLOv5s模型的 Neck 网络层融合SE注意力机制,以提升模型的特征提取能力;其次,增加一个预测层来提升对轨道波磨级别的检测性能。
具体为,在Backbone网络即特征提取网络第10层增加一次Conv操作进行下采样,Conv 操作是由 Conv2d、BN(Batch Normalization)和 SiLU 激活函数所构成,进一步增大感受野。在Neck网络即颈部提取网络,对第 25 层和第14层的Concat张量拼接,使具有较大感受野的深层特征层与具有较强位置信息的浅层特征层进行特征融合,增强特征金字塔的表征能力,从而提高网络模型对波磨类别的识别精度。最后经过 C3 结构形成用于检测较大目标的检测头。经过改进后的多尺度检测模型,再使用 K-means聚类重新初始化 anchor坐标,并且根据 BPR(Best Possible Recall)是否大于 0.98 来决定是否重新生成新的anchor。修改后的预测层特征图尺寸为40×40,20×20,10×10。
在改进后的网络结构中第 12 层的 SPPF 模块实现了局部特征和全局特征的融合,丰富了特征图的表达能力,有利于对图像中目标大小差异较大的情况进行识别,在其后嵌入 SE 模块,以进一步提升 SPP 模块输出特征图中明显的特征,并抑制不重要的特征;在第 14 层位置处嵌入 SE 模块,使第 25 层输出的含有高维特征信息的特征图与第14层经过 SE 模块凸显了尺寸较大目标物信息的特征图进行融合,有利于第 1 检测层对于图像中相对较大目标物的准确识别。
最后,对特征融合处理后的YOLOv5s模型的边界框回归损失函数进行改进,以得到目标YOLOv5s模型。
具体为,改进边界框回归损失函数以提高边界框的定位精度,将边界框损失函数GIoU Loss替换为CIoU Loss,增加影响因子以考虑边界框的宽高比。
在得到目标YOLOv5s模型后,则依据划分为多个数据级别的轨道表面图像对其进行训练,其包括:
首先,将划分为多个数据级别的轨道表面图像分成训练集、测试集及验证集,在本发明实施例中,训练集、测试集、验证集的比例为8:1:1,其具体比例也可以根据实际需求做变更,不限于举例说明。
使用训练集训练模型以及确定普通参数;
使用验证集调整网络模型的超参数,需要调整的超参数一般有网络层数、每层网络的神经元数、学习率、激活函数、优化器、预训练权重等;
使用测试集客观评价训练完成后的网络模型性能;
S150,通过训练得到的目标YOLOv5s模型对新获取的轨道表面图像进行数据级别预测。
具体为,经过训练调整的目标YOLOv5s模型已经具有了良好的预测精度,即当需要对新的轨道表面图像进行级别划分时,即可直接输入目标YOLOv5s模型,即可获得数据级别预测结果。相对于人工巡检的方式,更加高效便捷。
请参照图3,是本发明实施例提供的一种对轨道表面波磨分级的装置100的功能模块示意图,该装置包括:
第一获取模块110,用于获取多张轨道表面图像。
在本发明实施例中,S110可以由第一获取模块110执行。
第二获取模块120,用于获取每一张所述轨道表面图像对应的位置信息。
在本发明实施例中,S120可以由第二获取模块120执行。
分级模块130,用于将所述多张轨道表面图像分为多个数据级别。
在本发明实施例中,S130可以由分级模块130执行。
训练模块140,用于依据划分为多个数据级别的轨道表面图像对目标YOLOv5s模型进行训练。
在本发明实施例中,S140可以由训练模块140执行。
预测模块150,用于通过训练得到的目标YOLOv5s模型对新获取的轨道表面图像进行数据级别预测。
在本发明实施例中,S150可以由预测模块150执行。
由于在对轨道表面波磨分级的方法部分已经详细描述,在此不再赘述。
综上所述,本发明实施例提供的一种对轨道表面波磨分级的方法及装置,该方法包括:先获取多张轨道表面图像,以及每一张轨道表面图像对应的位置信息,再将多张轨道表面图像划分为多个数据级别,进而依据划分为多个数据级别的轨道表面图像对目标YOLOv5s模型进行训练,训练完成后的目标YOLOv5s模型即可对新获取的轨道表面图像进行数据级别预测。本方案可通过电子设备对轨道表面图像进行定时采集,并通过智能神经网络模型对获取的轨道表面图像的波磨程度进行自动分类,更加安全高效。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。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、方法、物品或者设备不仅包括那些要素,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、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种对轨道表面波磨分级的方法,其特征在于,所述方法包括:
获取多张轨道表面图像;
获取每一张所述轨道表面图像对应的位置信息;
将所述多张轨道表面图像分为多个数据级别;
依据划分为多个数据级别的轨道表面图像对目标YOLOv5s模型进行训练;
通过训练得到的目标YOLOv5s模型对新获取的轨道表面图像进行数据级别预测。
2.如权利要求1所述的方法,其特征在于,所述获取多张轨道表面图像的步骤包括:
采用安装于相机稳定器上的工业相机沿着轨道行驶,并同时采集不同轨道位置处的轨道表面图像。
3.如权利要求1所述的方法,其特征在于,所述获取每一张所述轨道表面图像对应的位置信息的步骤包括:
在获取所述轨道表面图像的同时,采用卫星定位装置获取在同一时刻下所述轨道表面图像对应的经纬度信息。
4.如权利要求1所述的方法,其特征在于,所述获取多张轨道表面图像的步骤之后还包括:
对获取的多张所述轨道表面图像进行预处理操作,所述预处理操作包括图像模糊、翻转、裁剪、仿射变换、透视变换。
5.如权利要求1所述的方法,其特征在于,所述目标YOLOv5s模型的形成方法包括:
对原始YOLOv5s模型进行裁剪掉冗余网络层处理;
对裁剪掉冗余网络层处理后的YOLOv5s模型的 Neck 网络层融合SE注意力机制,以提升模型的特征提取能力;其次,增加一个预测层来提升对轨道波磨级别的检测性能;
对特征融合处理后的YOLOv5s模型的边界框回归损失函数进行改进,以得到目标YOLOv5s模型。
6.如权利要求1所述的方法,其特征在于,所述依据划分为多个数据级别的轨道表面图像对目标YOLOv5s模型进行训练的步骤包括:
将划分为多个数据级别的轨道表面图像分成训练集、测试集及验证集;
使用训练集训练模型以及确定普通参数;
使用验证集调整网络模型的超参数,需要调整的超参数包括网络层数、每层网络的神经元数、学习率、激活函数、优化器、预训练权重;
使用测试集客观评价训练完成后的网络模型性能。
7.一种对轨道表面波磨分级的装置,其特征在于,所述装置包括:
第一获取模块,用于获取多张轨道表面图像;
第二获取模块,用于获取每一张所述轨道表面图像对应的位置信息;
分级模块,用于将所述多张轨道表面图像分为多个数据级别;
训练模块,用于依据划分为多个数据级别的轨道表面图像对目标YOLOv5s模型进行训练;
预测模块,用于通过训练得到的目标YOLOv5s模型对新获取的轨道表面图像进行数据级别预测。
8.如权利要求7所述的装置,其特征在于,所述第一获取模块具体用于采用安装于相机稳定器上的工业相机沿着轨道行驶,并同时采集不同轨道位置处的轨道表面图像。
9.如权利要求7所述的装置,其特征在于,所述第二获取模块具体用于在获取所述轨道表面图像的同时,采用卫星定位装置获取在同一时刻下所述轨道表面图像对应的经纬度信息。
10.如权利要求7所述的装置,其特征在于,所述训练模块具体用于将划分为多个数据级别的轨道表面图像分成训练集、测试集及验证集;
使用训练集训练模型以及确定普通参数;
使用验证集调整网络模型的超参数,需要调整的超参数包括网络层数、每层网络的神经元数、学习率、激活函数、优化器、预训练权重;
使用测试集客观评价训练完成后的网络模型性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211619069.3A CN115620153A (zh) | 2022-12-16 | 2022-12-16 | 一种对轨道表面波磨分级的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211619069.3A CN115620153A (zh) | 2022-12-16 | 2022-12-16 | 一种对轨道表面波磨分级的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115620153A true CN115620153A (zh) | 2023-01-17 |
Family
ID=84880740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211619069.3A Pending CN115620153A (zh) | 2022-12-16 | 2022-12-16 | 一种对轨道表面波磨分级的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620153A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565900A (zh) * | 2022-01-18 | 2022-05-31 | 广州软件应用技术研究院 | 基于改进YOLOv5和双目立体视觉的目标检测方法 |
CN114972117A (zh) * | 2022-06-30 | 2022-08-30 | 成都理工大学 | 一种轨道表面磨损识别分类方法及系统 |
CN115187946A (zh) * | 2022-07-06 | 2022-10-14 | 中国矿业大学 | 井下障碍物点云与图像数据融合的多尺度智能感知方法 |
-
2022
- 2022-12-16 CN CN202211619069.3A patent/CN115620153A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565900A (zh) * | 2022-01-18 | 2022-05-31 | 广州软件应用技术研究院 | 基于改进YOLOv5和双目立体视觉的目标检测方法 |
CN114972117A (zh) * | 2022-06-30 | 2022-08-30 | 成都理工大学 | 一种轨道表面磨损识别分类方法及系统 |
CN115187946A (zh) * | 2022-07-06 | 2022-10-14 | 中国矿业大学 | 井下障碍物点云与图像数据融合的多尺度智能感知方法 |
Non-Patent Citations (3)
Title |
---|
李凡等: "复杂环境下输电线路绝缘子的破损识别与定位" * |
极市平台: "Yolov4/v5的创新点汇总!" * |
王建楠: "基于改进YOLOv5的无人机检测方法" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378869B (zh) | 一种样本自动标注的钢轨扣件异常检测方法 | |
CN109086756A (zh) | 一种基于深度神经网络的文本检测分析方法、装置及设备 | |
CN107909564A (zh) | 一种基于深度学习的全卷积网络图像裂纹检测方法 | |
CN108257114A (zh) | 一种基于深度学习的输电设备缺陷自动识别方法 | |
CN107085744A (zh) | 利用数据分析增强的飞机维护和检查 | |
CN111861978A (zh) | 基于Faster R-CNN的桥梁裂缝实例分割方法 | |
Guo et al. | Automatic rail surface defects inspection based on Mask R-CNN | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN112288192A (zh) | 一种环保监测预警方法及系统 | |
Prasad et al. | Performance of active contour models in train rolling stock part segmentation on high-speed video data | |
CN112581450A (zh) | 基于膨胀卷积金字塔与多尺度金字塔的花粉检测方法 | |
CN115423995A (zh) | 一种轻量化幕墙裂纹目标检测方法及系统、安全预警系统 | |
CN117252842A (zh) | 一种飞机蒙皮缺陷检测及网络模型训练方法 | |
Saisree et al. | Pothole detection using deep learning classification method | |
Xue et al. | A high efficiency deep learning method for the x-ray image defect detection of casting parts | |
CN114170487A (zh) | 一种基于视觉的水面油污检测方法 | |
CN106951924B (zh) | 基于AdaBoost算法的地震相干体图像断层自动识别方法及系统 | |
CN117315365A (zh) | 一种基于视觉分析的凸轮轴表面损伤检测系统 | |
CN115620153A (zh) | 一种对轨道表面波磨分级的方法及装置 | |
CN116310748A (zh) | 一种自动驾驶场景恢复及自动驾驶原型测试方法和系统 | |
Zhang et al. | Automatic forgery detection for x-ray non-destructive testing of welding | |
CN114782411A (zh) | 一种基于神经网络的危险品识别方法及识别系统 | |
KR20230063742A (ko) | 계층적 cnn을 이용한 스마트 팩토리에서의 제품 불량 탐지 방법 및 이를 기록한 기록매체 | |
Kimura | Large-Scale Landslides Detection from Satellite Images with Incomplete Labels | |
Chady et al. | Multisource system for NDT of welded elements exploited in aircraft industry |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230117 |
|
RJ01 | Rejection of invention patent application after publication |