CN116205856B - 基于深度学习的人力制动机轴链折断故障检测方法及系统 - Google Patents
基于深度学习的人力制动机轴链折断故障检测方法及系统 Download PDFInfo
- Publication number
- CN116205856B CN116205856B CN202310049997.9A CN202310049997A CN116205856B CN 116205856 B CN116205856 B CN 116205856B CN 202310049997 A CN202310049997 A CN 202310049997A CN 116205856 B CN116205856 B CN 116205856B
- Authority
- CN
- China
- Prior art keywords
- stage
- convolution
- group
- repvgg
- layer
- 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
-
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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]
-
- 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)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
基于深度学习的人力制动机轴链折断故障检测方法及系统,本发明涉及人力制动机轴链折断故障检测方法及系统。本发明的目的是为了解决现有深度学习模型对人力制动机轴链折断故障检测的检测速率低的问题。基于深度学习的人力制动机轴链折断故障检测方法具体过程为:一、采集图像,基于采集图像构建人力制动机轴链折断故障数据集;二、构建RepVGG目标检测模型;三、训练RepVGG目标检测模型的训练阶段,获得训练好的RepVGG目标检测模型的训练阶段,将训练好的RepVGG目标检测模型的训练阶段的参数赋予推理阶段;四、将待测图像输入RepVGG目标检测模型的推理阶段,获得检测结果。本发明用于故障检测领域。
Description
技术领域
本发明涉及人力制动机轴链折断故障检测方法及系统。
背景技术
车辆段一般采用人工核查图像的方式对铁路货车进行全车检查,人工查看图像工作重复枯燥,效率低下,可能会出现故障遗漏、误报等情况,难以确保报警的准确率。
人力制动机对铁路货车的安全运行至关重要,与空气制动装置一样是火车的重要制动力来源。人力制动机轴链折断是全车检查中的一项重要故障,采用基于深度学习的检测方法不仅节省人力,其检测效率也大大提高。
由于货车车型不同,人力制动机轴链出现在车辆底部的位置不固定,需要对货车底部所有图像进行检测,并且人力制动机关键检测部位众多。上述两点要求算法不仅要兼顾检测速度与精度,还需要对检测部位数量进行平衡。
发明内容
本发明的目的是为了解决现有深度学习模型对人力制动机轴链折断故障检测的检测速率低的问题,而提出基于深度学习的人力制动机轴链折断故障检测方法及系统。
基于深度学习的人力制动机轴链折断故障检测方法具体过程为:
步骤一、采集图像,基于采集图像构建人力制动机轴链折断故障数据集;
步骤二、构建RepVGG目标检测模型;具体过程为:
RepVGG目标检测模型包括训练阶段与推理阶段;
训练阶段包含四组卷积组stage:
第一组卷积组stage包含1个跨层连接单元;
每个跨层连接单元包含3×3卷积层、BN层、1×1卷积层、BN层、ReLU激活函数层;
每个跨层连接单元中的连接关系为:
人力制动机轴链折断故障数据依次输入3×3卷积层、BN层;
人力制动机轴链折断故障数据依次输入1×1卷积层、BN层;
将2个BN层输出特征进行加和后输入ReLU激活函数层,ReLU激活函数层输出特征;
第二组卷积组stage包含2个跨层连接单元;
前一个跨层连接单元的输出数据作为后一个跨层连接单元的输入数据;
第三组卷积组stage包含12个跨层连接单元;
前一个跨层连接单元的输出数据作为后一个跨层连接单元的输入数据;
第四组卷积组stage包含1个跨层连接单元;
第一组卷积组stage的输出数据作为第二组卷积组stage的输入数据,第二组卷积组stage的输出数据作为第三组卷积组stage的输入数据,第三组卷积组stage的输出数据作为第四组卷积组stage的输入数据,第四组卷积组stage的输出数据作为训练阶段输出数据;
推理阶段包含四组卷积组stage:
第一组卷积组stage包含1个卷积单元;
每个卷积单元包含3x3卷积层、BN层和ReLU激活函数层;
每个卷积单元中的连接关系为:
数据依次输入3x3卷积层、BN层和ReLU激活函数层,ReLU激活函数层输出特征
第二组卷积组stage包含2个卷积单元;
第三组卷积组stage包含12个卷积单元;
第四组卷积组stage包含1个卷积单元;
第一组卷积组stage的输出数据作为第二组卷积组stage的输入数据,第二组卷积组stage的输出数据作为第三组卷积组stage的输入数据,第三组卷积组stage的输出数据作为第四组卷积组stage的输入数据,第四组卷积组stage的输出数据作为推理阶段输出数据;
步骤三、训练RepVGG目标检测模型的训练阶段,获得训练好的RepVGG目标检测模型的训练阶段,将训练好的RepVGG目标检测模型的训练阶段的参数赋予RepVGG目标检测模型的推理阶段;
步骤四、将待测图像输入RepVGG目标检测模型的推理阶段,获得检测结果。
优选地,步骤一中采集图像,基于采集图像构建人力制动机轴链折断故障数据集;具体过程为:
步骤一一:在铁轨底部配备线阵成像设备对货车底部进行拍摄获取线阵图像,并将线阵图像进行存储;
步骤一二:基于线阵图像进行轴链粗定位;
步骤一三:基于步骤一二构建原始数据集;
步骤一四:对原始数据集图像进行预处理;
步骤一五:对预处理后的原始数据集图像进行数据重采样。
优选地,步骤一二中基于线阵图像进行轴链粗定位;具体过程为:
基于先验信息,得到线阵图像中包含人力制动机轴链的子图。
优选地,步骤一三中基于步骤一二构建原始数据集;具体过程为:
人力制动机轴链子图分为正常人力制动机轴链子图和故障人力制动机轴链子图;
对人力制动机轴链子图中的关键部件进行标注,关键部件为:人力制动机识别区域、动滑轮、定滑轮、导轮、拉铆销套、轴链、拉杆、轴链单环折断、轴链折断后下垂、铁丝、拉铆销套丢失、拉铆销套窜出。
优选地,步骤一四中对原始数据集图像进行预处理;具体过程为:
对图像依次采取自适应调整亮度、直方图均衡化和图像缩放处理。
优选地,步骤一五中对预处理后的原始数据集图像进行数据重采样;具体过程为:
步骤一五一:为每一个类别赋予权重,类别权重的计算方式为该类在数据集中出现次数的倒数;
计算所有类别权重后,对类别权重进行归一化,即每一类权重除以所有权重的总和;
步骤一五二:通过类别权重计算图像权重,图像权重的计算方式为
其中N为类别总数量,n为第n类,Numn为图像中第n类的数量,Weightn为归一化后的第n类的类别权重;
步骤一五三:获得图像权重后,根据图像权重对数据进行重采样。
优选地,步骤二中RepVGG目标检测模型的训练阶段中每组卷积组stage中第一个卷积层的步长为2。
优选地,步骤三中训练RepVGG目标检测模型的训练阶段,获得训练好的RepVGG目标检测模型的训练阶段,将训练好的RepVGG目标检测模型的训练阶段的参数赋予RepVGG目标检测模型的推理阶段;具体过程为:
将步骤一五三重采样后数据图像缩放到相同大小和比例,分辨率为512*1600;
将缩放到相同大小和比例后的图像输入RepVGG目标检测模型的训练阶段;
采用Cross Entropy loss损失函数对类别预测进行训练;
采用L1 loss损失函数对位置预测进行训练;
RepVGG目标检测模型的优化器选择SGD,学习率0.02,动量0.9;
获得训练好的RepVGG目标检测模型的训练阶段;
将RepVGG目标检测模型的训练阶段的参数赋予RepVGG目标检测模型的推理阶段。
优选地,步骤四中将待测图像输入RepVGG目标检测模型的推理阶段,获得检测结果;具体过程为:
采集待测图像,对待测图像进行轴链粗定位,得到包含人力制动机轴链的子图;
将人力制动机轴链的子图输入RepVGG目标检测模型的推理阶段,获得人力制动机轴链的子图中关键部件是否发生故障;具体过程为:
若不存在故障,继续检测;
若存在故障,则对故障检测框继续判断,过程为:
若故障检测框左上角x坐标小于定滑轮左上角x坐标或故障检测框右下角x坐标大于拉杆右下角x坐标,则删除检测结果;
若故障检测框左上角y坐标小于导轮左上角y坐标或故障检测框右下角y坐标大于导轮右下角y坐标,则删除检测结果;
若仍然存在故障检测框,则报警。
基于深度学习的人力制动机轴链折断故障检测系统用于执行基于深度学习的人力制动机轴链折断故障检测方法。
本发明的有益效果为:
(1)使用本发明改进的RepVGG神经网络自动检测人力制动机轴链折断故障,减少检车人员工作量。
(2)本发明通过数据重采样解决轴链折断故障中检测部位样本不均衡问题。
(3)使用本发明改进的RepVGG神经网络构建目标检测网络,在保证检测精度的同时,可以获得更快的检测速度。
本发明采用的改进的RepVGG网络由4个stage组成,分别由1、2、12、1个跨层连接单元组成;与基线版本的RepVGG相比,少了一个包含4个跨层连接单元的stage,并且将原本包含14个跨层连接单元的stage改为包含12个,基线版本的RepVGG训练阶段包含五组stage,第一组stage包含1个跨层连接单元,第二组stage包含2个跨层连接单元,第三组stage包含4个跨层连接单元,第四组stage包含12个跨层连接单元,第五组stage包含1个跨层连接单元。本发明改进的RepVGG网络虽然较基线版本相比少了一次降采样,但由于人力制动机子图本身尺寸并不大,带来的感受野变化影响并不明显。同时由于人力制动机子图中背景固定,样本多样性较低,减少跨层连接单元对识别准确度影响不大,实验表明减少6个跨层连接单元仅降低了0.003的识别准确率,但是却加快了识别时间,在对三台相机拍摄的图像同时进行检测时,平均检测速度提升20%。
(4)本发明通过多目标位置关系对卷积神经网络目标检测模型的预测结果进行后处理,极大程度消除了误检测。
附图说明
图1为人力制动机轴链折断故障检测流程图;
图2为本发明改进的RepVGG目标检测模型部分结构图。
具体实施方式
具体实施方式一:本实施方式基于深度学习的人力制动机轴链折断故障检测方法具体过程为:
利用固定设备搭载线阵相机,对运行中的铁路货车进行拍摄,拍摄货车的底部图像。根据货车车型、车钩位置、制动缸方向等先验信息,在线阵图像大图中获得包含人力制动机轴链的粗定位感兴趣区域。对粗定位图像进行数据扩增与标注,构建数据集。搭建卷积神经网络多分支目标检测模型,训练神经网络至模型收敛,获得参数权重。在实际测试中,将多分支模型转换为单路模型,并加载神经网络权重,对拍摄到的部件图像判断是否为轴链折断故障,如果是则对故障区域进行报警。
步骤一、采集图像,基于采集图像构建人力制动机轴链折断故障数据集;
步骤二、构建RepVGG目标检测模型;具体过程为:
本发明采用RepVGG网络来实现人力制动机轴链折断目标检测模型。
RepVGG目标检测模型包括训练阶段与推理阶段;
训练阶段包含四组卷积组stage:
第一组卷积组stage包含1个跨层连接单元;
每个跨层连接单元包含3×3卷积层、BN层、1×1卷积层、BN层、ReLU激活函数层;
每个跨层连接单元中的连接关系为:
人力制动机轴链折断故障数据依次输入3×3卷积层、BN层;
人力制动机轴链折断故障数据依次输入1×1卷积层、BN层;
将2个BN层输出特征进行加和后输入ReLU激活函数层,ReLU激活函数层输出特征;
第二组卷积组stage包含2个跨层连接单元;
前一个跨层连接单元的输出数据作为后一个跨层连接单元的输入数据(第一个跨层连接单元的输出数据作为第二个跨层连接单元的输入数据);
第三组卷积组stage包含12个跨层连接单元;
前一个跨层连接单元的输出数据作为后一个跨层连接单元的输入数据(第一个跨层连接单元的输出数据作为第二个跨层连接单元的输入数据,第二个跨层连接单元的输出数据作为第三个跨层连接单元的输入数据,等等);
第四组卷积组stage包含1个跨层连接单元;
第一组卷积组stage的输出数据作为第二组卷积组stage的输入数据,第二组卷积组stage的输出数据作为第三组卷积组stage的输入数据,第三组卷积组stage的输出数据作为第四组卷积组stage的输入数据,第四组卷积组stage的输出数据作为训练阶段输出数据;
推理阶段包含四组卷积组stage:
第一组卷积组stage包含1个卷积单元;
每个卷积单元包含3x3卷积层、BN层和ReLU激活函数层;
每个卷积单元中的连接关系为:
数据依次输入3x3卷积层、BN层和ReLU激活函数层,ReLU激活函数层输出特征
第二组卷积组stage包含2个卷积单元;
第三组卷积组stage包含12个卷积单元;
第四组卷积组stage包含1个卷积单元;
第一组卷积组stage的输出数据作为第二组卷积组stage的输入数据,第二组卷积组stage的输出数据作为第三组卷积组stage的输入数据,第三组卷积组stage的输出数据作为第四组卷积组stage的输入数据,第四组卷积组stage的输出数据作为推理阶段输出数据;
RepVGG是一种训练与推理解耦的网络模型,如图1所示,它在训练阶段是由多个跨层连接单元组成的多分支模型,而在推理阶段,RepVGG为单路模型,且网络中仅包含3x3卷积和BN层,便于部署与加速优化。对于人力制动机轴链折断故障检测,使用RepVGG模型可以有效提高该任务的检测速度。本发明采用的RepVGG网络由4个stage组成,分别由1、2、12、1个跨层连接单元组成。
与基线版本的RepVGG相比,少了一个包含4个跨层连接单元的stage,并且将原本包含14个跨层连接单元的stage改为包含12个,基线版本的RepVGG训练阶段包含五组stage,第一组stage包含1个跨层连接单元,第二组stage包含2个跨层连接单元,第三组stage包含4个跨层连接单元,第四组stage包含12个跨层连接单元,第五组stage包含1个跨层连接单元。虽然较基线版本相比少了一次降采样,但由于人力制动机子图本身尺寸并不大,带来的感受野变化影响并不明显。同时由于人力制动机子图中背景固定,样本多样性较低,减少跨层连接单元对识别准确度影响不大,实验表明减少6个跨层连接单元仅降低了0.003的识别准确率,但是却加快了识别时间,在对三台相机拍摄的图像同时进行检测时,平均检测速度提升20%。
步骤三、训练RepVGG目标检测模型的训练阶段,获得训练好的RepVGG目标检测模型的训练阶段,将训练好的RepVGG目标检测模型的训练阶段的参数赋予RepVGG目标检测模型的推理阶段;
步骤四、将待测图像输入RepVGG目标检测模型的推理阶段,获得检测结果。
具体实施方式二:本实施方式与具体实施方式一不同的是:步骤一中采集图像,基于采集图像构建人力制动机轴链折断故障数据集;具体过程为:
步骤一一:在铁轨底部配备线阵成像设备对货车底部进行拍摄获取线阵图像,并将线阵图像进行存储;
步骤一二:基于线阵图像进行轴链粗定位;
步骤一三:基于步骤一二构建原始数据集;
步骤一四:对原始数据集图像进行预处理;
步骤一五:对预处理后的原始数据集图像进行数据重采样。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:步骤一二中基于线阵图像进行轴链粗定位;具体过程为:
基于先验信息,得到线阵图像中包含人力制动机轴链的子图。
人力制动机轴链固定出现在车钩缓冲部,和制动缸出现在车辆底部的同一侧,并且出现在制动缸朝向的方向。通过以上先验信息,以车钩边缘为基准向人力制动机轴链所在位置进行固定比例的裁切,得到包含人力制动机轴链的子图。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:步骤一三中基于步骤一二构建原始数据集;具体过程为:
人力制动机轴链子图分为正常人力制动机轴链子图和故障人力制动机轴链子图;
对人力制动机轴链子图中的关键部件进行标注,关键部件为:人力制动机识别区域、动滑轮、定滑轮、导轮、拉铆销套、轴链、拉杆(人力制动机识别区域、动滑轮、定滑轮、导轮、拉铆销套、轴链、拉杆用于定位)、轴链单环折断、轴链折断后下垂、铁丝(轴链折断后会用铁丝进行捆绑连接)、拉铆销套丢失、拉铆销套窜出(轴链单环折断、轴链折断后下垂、铁丝、拉铆销套丢失、拉铆销套窜出用于检测故障)。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:步骤一四中对原始数据集图像进行预处理;具体过程为:
由于铁路货车新旧、速度、环境光等都会对成像质量产生影响,产生低亮度、过曝、低对比度、图像拉伸等问题,需要对图像依次采取自适应调整亮度、直方图均衡化和图像缩放处理。
其他步骤及参数与具体实施方式一至四至一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:步骤一五中对预处理后的原始数据集图像进行数据重采样;具体过程为:
由于采集数据中存在故障的图像占比较小,无法通过增加数据的方法来平衡数据中的每一个类别的数量。如果数据中故障类别占比小则会严重影响故障的检测效果,故本发明为每一个类别赋予权重,再通过类别权重计算图像权重,在模型加载数据时,根据图像权重对数据进行重采样;
步骤一五一:为每一个类别(12个类别)赋予权重,类别权重的计算方式为该类在数据集中出现次数的倒数;
计算所有类别权重后,对类别权重进行归一化,即每一类权重除以所有权重的总和;
步骤一五二:通过类别权重计算图像权重,图像权重的计算方式为
其中N为类别总数量(12),n为第n类,Numn为图像中第n类的数量,Weightn为归一化后的第n类的类别权重;
步骤一五三:获得图像权重后,根据图像权重对数据进行重采样。
由于某一类在数据集中数量越少其比重越大,采用数据重采样可以有效的对数据集中各类别数量进行平衡。
其他步骤及参数与具体实施方式一至五至一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是:步骤二中RepVGG目标检测模型的训练阶段中每组卷积组stage中第一个卷积层的步长为2。
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八:本实施方式与具体实施方式一至七之一不同的是:步骤三中训练RepVGG目标检测模型的训练阶段,获得训练好的RepVGG目标检测模型的训练阶段,将训练好的RepVGG目标检测模型的训练阶段的参数赋予RepVGG目标检测模型的推理阶段;具体过程为:
将步骤一五三重采样后数据图像缩放到相同大小和比例,分辨率为512*1600;
将缩放到相同大小和比例后的图像输入RepVGG目标检测模型的训练阶段;
采用Cross Entropy loss损失函数对类别预测进行训练;
采用L1 loss损失函数对位置预测进行训练;
RepVGG目标检测模型的优化器选择SGD,学习率0.02,动量0.9;
获得训练好的RepVGG目标检测模型的训练阶段;
将RepVGG目标检测模型的训练阶段的参数赋予RepVGG目标检测模型的推理阶段。
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九:本实施方式与具体实施方式一至八之一不同的是:步骤四中将待测图像输入RepVGG目标检测模型的推理阶段,获得检测结果;具体过程为:
采集待测图像,对待测图像进行轴链粗定位,得到包含人力制动机轴链的子图;
将人力制动机轴链的子图输入RepVGG目标检测模型的推理阶段,获得人力制动机轴链的子图中关键部件(包括人力制动机识别区域、动滑轮、定滑轮、导轮、拉铆销套、轴链、拉杆、轴链单环折断、轴链折断后下垂、铁丝、拉铆销套丢失、拉铆销套窜出)是否发生故障;具体过程为:
若不存在故障,继续检测;
若存在故障,则对故障检测框继续判断,过程为:
由于子图中的任意位置都存在检测出故障的风险,需要通过关键部件来排除轴链范围外的检测结果(关键部件包含人力制动机的定滑轮、导论、拉杆等部件,通过这些部件的位置信息可以屏蔽掉人力制动机位置外的检测结果);
若故障检测框左上角x坐标小于定滑轮左上角x坐标或故障检测框右下角x坐标大于拉杆右下角x坐标,则删除检测结果;
若故障检测框左上角y坐标小于导轮左上角y坐标或故障检测框右下角y坐标大于导轮右下角y坐标,则删除检测结果;
若仍然存在故障检测框,则报警。
其它步骤及参数与具体实施方式一至八之一相同。
具体实施方式十:本实施方式基于深度学习的人力制动机轴链折断故障检测系统用于执行基于深度学习的人力制动机轴链折断故障检测方法。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.基于深度学习的人力制动机轴链折断故障检测方法,其特征在于:所述方法具体过程为:
步骤一、采集图像,基于采集图像构建人力制动机轴链折断故障数据集;
步骤二、构建RepVGG目标检测模型;具体过程为:
RepVGG目标检测模型包括训练阶段与推理阶段;
训练阶段包含四组卷积组stage:
第一组卷积组stage包含1个跨层连接单元;
每个跨层连接单元包含3×3卷积层、BN层、1×1卷积层、BN层、ReLU激活函数层;
每个跨层连接单元中的连接关系为:
人力制动机轴链折断故障数据依次输入3×3卷积层、BN层;
人力制动机轴链折断故障数据依次输入1×1卷积层、BN层;
将2个BN层输出特征进行加和后输入ReLU激活函数层,ReLU激活函数层输出特征;
第二组卷积组stage包含2个跨层连接单元;
前一个跨层连接单元的输出数据作为后一个跨层连接单元的输入数据;
第三组卷积组stage包含12个跨层连接单元;
前一个跨层连接单元的输出数据作为后一个跨层连接单元的输入数据;
第四组卷积组stage包含1个跨层连接单元;
第一组卷积组stage的输出数据作为第二组卷积组stage的输入数据,第二组卷积组stage的输出数据作为第三组卷积组stage的输入数据,第三组卷积组stage的输出数据作为第四组卷积组stage的输入数据,第四组卷积组stage的输出数据作为训练阶段输出数据;
推理阶段包含四组卷积组stage:
第一组卷积组stage包含1个卷积单元;
每个卷积单元包含3x3卷积层、BN层和ReLU激活函数层;
每个卷积单元中的连接关系为:
数据依次输入3x3卷积层、BN层和ReLU激活函数层,ReLU激活函数层输出特征;
第二组卷积组stage包含2个卷积单元;
第三组卷积组stage包含12个卷积单元;
第四组卷积组stage包含1个卷积单元;
第一组卷积组stage的输出数据作为第二组卷积组stage的输入数据,第二组卷积组stage的输出数据作为第三组卷积组stage的输入数据,第三组卷积组stage的输出数据作为第四组卷积组stage的输入数据,第四组卷积组stage的输出数据作为推理阶段输出数据;
步骤三、训练RepVGG目标检测模型的训练阶段,获得训练好的RepVGG目标检测模型的训练阶段,将训练好的RepVGG目标检测模型的训练阶段的参数赋予RepVGG目标检测模型的推理阶段;
步骤四、将待测图像输入RepVGG目标检测模型的推理阶段,获得检测结果。
2.根据权利要求1所述基于深度学习的人力制动机轴链折断故障检测方法,其特征在于:所述步骤一中采集图像,基于采集图像构建人力制动机轴链折断故障数据集;具体过程为:
步骤一一:在铁轨底部配备线阵成像设备对货车底部进行拍摄获取线阵图像,并将线阵图像进行存储;
步骤一二:基于线阵图像进行轴链粗定位;
步骤一三:基于步骤一二构建原始数据集;
步骤一四:对原始数据集图像进行预处理;
步骤一五:对预处理后的原始数据集图像进行数据重采样。
3.根据权利要求2所述基于深度学习的人力制动机轴链折断故障检测方法,其特征在于:所述步骤一二中基于线阵图像进行轴链粗定位;具体过程为:
基于先验信息,得到线阵图像中包含人力制动机轴链的子图。
4.根据权利要求3所述基于深度学习的人力制动机轴链折断故障检测方法,其特征在于:所述步骤一三中基于步骤一二构建原始数据集;具体过程为:
人力制动机轴链子图分为正常人力制动机轴链子图和故障人力制动机轴链子图;
对人力制动机轴链子图中的关键部件进行标注,关键部件为:人力制动机识别区域、动滑轮、定滑轮、导轮、拉铆销套、轴链、拉杆、轴链单环折断、轴链折断后下垂、铁丝、拉铆销套丢失、拉铆销套窜出。
5.根据权利要求4所述基于深度学习的人力制动机轴链折断故障检测方法,其特征在于:所述步骤一四中对原始数据集图像进行预处理;具体过程为:
对图像依次采取自适应调整亮度、直方图均衡化和图像缩放处理。
6.根据权利要求5所述基于深度学习的人力制动机轴链折断故障检测方法,其特征在于:所述步骤一五中对预处理后的原始数据集图像进行数据重采样;具体过程为:
步骤一五一:为每一个类别赋予权重,类别权重的计算方式为每类在数据集中出现次数的倒数;
计算所有类别权重后,对类别权重进行归一化,即每一类权重除以所有权重的总和;
步骤一五二:通过类别权重计算图像权重,图像权重的计算方式为其中N为类别总数量,n为第n类,Numn为图像中第n类的数量,Weightn为归一化后的第n类的类别权重;
步骤一五三:获得图像权重后,根据图像权重对数据进行重采样。
7.根据权利要求6所述基于深度学习的人力制动机轴链折断故障检测方法,其特征在于:所述步骤二中RepVGG目标检测模型的训练阶段中每组卷积组stage中第一个卷积层的步长为2。
8.根据权利要求7所述基于深度学习的人力制动机轴链折断故障检测方法,其特征在于:所述步骤三中训练RepVGG目标检测模型的训练阶段,获得训练好的RepVGG目标检测模型的训练阶段,将训练好的RepVGG目标检测模型的训练阶段的参数赋予RepVGG目标检测模型的推理阶段;具体过程为:
将步骤一五三重采样后数据图像缩放到相同大小和比例,分辨率为512*1600;
将缩放到相同大小和比例后的图像输入RepVGG目标检测模型的训练阶段;
采用Cross Entropy loss损失函数对类别预测进行训练;
采用L1 loss损失函数对位置预测进行训练;
RepVGG目标检测模型的优化器选择SGD,学习率0.02,动量0.9;
获得训练好的RepVGG目标检测模型的训练阶段;
将RepVGG目标检测模型的训练阶段的参数赋予RepVGG目标检测模型的推理阶段。
9.根据权利要求8所述基于深度学习的人力制动机轴链折断故障检测方法,其特征在于:所述步骤四中将待测图像输入RepVGG目标检测模型的推理阶段,获得检测结果;具体过程为:
采集待测图像,对待测图像进行轴链粗定位,得到包含人力制动机轴链的子图;
将人力制动机轴链的子图输入RepVGG目标检测模型的推理阶段,获得人力制动机轴链的子图中关键部件是否发生故障;具体过程为:
若不存在故障,继续检测;
若存在故障,则对故障检测框继续判断,过程为:
若故障检测框左上角x坐标小于定滑轮左上角x坐标或故障检测框右下角x坐标大于拉杆右下角x坐标,则删除检测结果;
若故障检测框左上角y坐标小于导轮左上角y坐标或故障检测框右下角y坐标大于导轮右下角y坐标,则删除检测结果;
若仍然存在故障检测框,则报警。
10.基于深度学习的人力制动机轴链折断故障检测系统,其特征在于:所述系统用于执行权利要求1至9之一所述的基于深度学习的人力制动机轴链折断故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310049997.9A CN116205856B (zh) | 2023-02-01 | 2023-02-01 | 基于深度学习的人力制动机轴链折断故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310049997.9A CN116205856B (zh) | 2023-02-01 | 2023-02-01 | 基于深度学习的人力制动机轴链折断故障检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116205856A CN116205856A (zh) | 2023-06-02 |
CN116205856B true CN116205856B (zh) | 2023-09-08 |
Family
ID=86510593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310049997.9A Active CN116205856B (zh) | 2023-02-01 | 2023-02-01 | 基于深度学习的人力制动机轴链折断故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116205856B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191235A (zh) * | 2021-04-22 | 2021-07-30 | 上海东普信息科技有限公司 | 杂物检测方法、装置、设备及存储介质 |
CN113269237A (zh) * | 2021-05-10 | 2021-08-17 | 青岛理工大学 | 基于注意力机制的装配体变化检测方法、设备和介质 |
CN113435590A (zh) * | 2021-08-27 | 2021-09-24 | 之江实验室 | 面向边缘计算的重参数神经网络架构搜索方法 |
CN113628759A (zh) * | 2021-07-22 | 2021-11-09 | 中国科学院重庆绿色智能技术研究院 | 一种基于大数据的传染病疫情安全区域预测方法 |
CN113657124A (zh) * | 2021-07-14 | 2021-11-16 | 内蒙古工业大学 | 基于循环共同注意力Transformer的多模态蒙汉翻译方法 |
CN114626503A (zh) * | 2021-12-29 | 2022-06-14 | 亚信科技(中国)有限公司 | 模型的训练方法、目标检测方法、装置、电子设备及介质 |
CN114842019A (zh) * | 2022-07-06 | 2022-08-02 | 山东建筑大学 | 一种电池板表面缺陷检测方法、系统、存储介质及设备 |
-
2023
- 2023-02-01 CN CN202310049997.9A patent/CN116205856B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191235A (zh) * | 2021-04-22 | 2021-07-30 | 上海东普信息科技有限公司 | 杂物检测方法、装置、设备及存储介质 |
CN113269237A (zh) * | 2021-05-10 | 2021-08-17 | 青岛理工大学 | 基于注意力机制的装配体变化检测方法、设备和介质 |
CN113657124A (zh) * | 2021-07-14 | 2021-11-16 | 内蒙古工业大学 | 基于循环共同注意力Transformer的多模态蒙汉翻译方法 |
CN113628759A (zh) * | 2021-07-22 | 2021-11-09 | 中国科学院重庆绿色智能技术研究院 | 一种基于大数据的传染病疫情安全区域预测方法 |
CN113435590A (zh) * | 2021-08-27 | 2021-09-24 | 之江实验室 | 面向边缘计算的重参数神经网络架构搜索方法 |
CN114626503A (zh) * | 2021-12-29 | 2022-06-14 | 亚信科技(中国)有限公司 | 模型的训练方法、目标检测方法、装置、电子设备及介质 |
CN114842019A (zh) * | 2022-07-06 | 2022-08-02 | 山东建筑大学 | 一种电池板表面缺陷检测方法、系统、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116205856A (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402211B (zh) | 一种基于深度学习的高速列车车底异物识别方法 | |
CN111080598B (zh) | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 | |
CN113971660B (zh) | 桥梁健康诊断的计算机视觉方法和智能摄像系统 | |
CN111091546B (zh) | 铁路货车钩尾框折断故障识别方法 | |
CN114495029B (zh) | 一种基于改进YOLOv4的交通目标检测方法及系统 | |
CN111862029A (zh) | 一种铁路动车组垂向减震器螺栓部件故障检测方法 | |
CN111259770B (zh) | 基于无人机平台和深度学习的复杂背景下索力快速测试方法 | |
CN113516629A (zh) | Tfds通过作业智能检测系统 | |
CN111415353A (zh) | 基于ResNet58网络的紧固件毛刺缺陷的检测结构及其检测方法 | |
CN112329520B (zh) | 基于生成对抗学习的货车轴承故障识别方法 | |
CN115424128A (zh) | 一种货车转向架下拉杆故障图像检测方法及系统 | |
CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
CN114445397A (zh) | 一种基于浅层神经网络的带钢缺陷检测方法 | |
CN112884753A (zh) | 一种基于卷积神经网络的轨道扣件检测及分类方法 | |
CN115147439A (zh) | 基于深度学习与注意力机制的混凝土裂缝分割方法及系统 | |
CN116205856B (zh) | 基于深度学习的人力制动机轴链折断故障检测方法及系统 | |
CN117576038A (zh) | 基于YOLOv8网络的织物瑕疵检测方法及系统 | |
CN115546223A (zh) | 一种列车车下设备紧固螺栓的缺失检测方法和系统 | |
CN117876787A (zh) | 采煤机滚筒截齿检测方法、系统和数据处理设备 | |
CN112037205A (zh) | 一种基于深度学习的起重机裂纹检测方法 | |
Zhang et al. | An improved DCGAN for fabric defect detection | |
CN110084852A (zh) | 一种高铁接触网支撑装置套筒顶紧螺栓的精确定位方法 | |
CN116206222A (zh) | 基于轻量化目标检测模型的输电线路故障检测方法及系统 | |
CN112712055B (zh) | 一种双路可变形cnn煤矿顺槽皮带运输异物监测方法 | |
CN116070083A (zh) | 一种基于卷积神经网络的钢丝绳故障智能识别算法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |