CN116758016A - 道岔滑床板腐蚀损伤检测方法、装置、设备和存储介质 - Google Patents

道岔滑床板腐蚀损伤检测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN116758016A
CN116758016A CN202310637694.9A CN202310637694A CN116758016A CN 116758016 A CN116758016 A CN 116758016A CN 202310637694 A CN202310637694 A CN 202310637694A CN 116758016 A CN116758016 A CN 116758016A
Authority
CN
China
Prior art keywords
slide plate
corrosion damage
switch slide
turnout
vgg
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
Application number
CN202310637694.9A
Other languages
English (en)
Inventor
高瑞鹏
刘萌萌
易辰
邓诗弋
王怡然
千勃兴
郑维康
邵伟
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.)
Xian University of Technology
Original Assignee
Xian University of 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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202310637694.9A priority Critical patent/CN116758016A/zh
Publication of CN116758016A publication Critical patent/CN116758016A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06V10/77—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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06T2207/20—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
    • G06T2207/30136—Metal
    • 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)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明属于道岔滑床板质量评定技术领域，公开了一种道岔滑床板腐蚀损伤检测方法、装置、设备和存储介质，包括：获取道岔滑床板的图像；将所述道岔滑床板的图像输入预先训练好的腐蚀损伤检测模型中，若道岔滑床板发生腐蚀损伤，则输出结果为道岔滑床板发生腐蚀损伤；所述腐蚀损伤检测模型是采用包含发生腐蚀损伤的道岔滑床板图像作为训练数据集，训练VGG‑16+改进ResNet50网络模型得到。本发明测得的道岔滑床板的腐蚀准确率高，检测时间大大缩短，具有识别精度高，腐蚀检测速度快的特点。

Description

道岔滑床板腐蚀损伤检测方法、装置、设备和存储介质
技术领域
本发明属于道岔滑床板质量评定技术领域，具体涉及道岔滑床板腐蚀损伤检测方法、装置、设备和存储介质。
背景技术
铁路作为国民经济的基础性行业之一，一直受到高度重视。道岔滑床板是保证铁路安全行驶的关键部件之一，作为使列车从一股轨道转入或者越过另一股轨道的重要结构，属于轨道线路的薄弱环节之一。滑床板是道岔的重要组成部件，它为尖轨和心轨提供支撑，直接关系着高速列车运行安全。
道岔滑床板常年置于露天，受风沙雨雪及列车上散落物的污染和侵蚀，极易受到腐蚀，所以其发生腐蚀后产生的后果不容小觑。若不能及时发现道岔滑床板存在的安全隐患，必然会极大的影响火车的安全行驶。目前金属腐蚀的检测识别方法主要为传统的人工检测，这一方法不仅过度依赖于人工经验，随机性强，而且费时、费力，而且识别准确率较低，耗费时间比较长。
发明内容
针对现有技术中存在的问题，本发明提供了一种道岔滑床板腐蚀损伤检测方法、装置、设备和存储介质，测得的道岔滑床板的腐蚀准确率高，检测时间大大缩短，具有识别精度高，腐蚀检测速度快的特点。
为了解决上述技术问题，本发明通过以下技术方案予以实现：
一种道岔滑床板腐蚀损伤检测方法，包括：
获取道岔滑床板的图像；
将所述道岔滑床板的图像输入预先训练好的腐蚀损伤检测模型中，若道岔滑床板发生腐蚀损伤，则输出结果为道岔滑床板发生腐蚀损伤；所述腐蚀损伤检测模型是采用包含发生腐蚀损伤的道岔滑床板图像作为训练数据集，训练VGG-16+改进ResNet50网络模型得到。
进一步地，所述VGG-16+改进ResNet50网络模型包括全连接层和特征向量，所述特征向量由VGG-16经过全局池化得到的特征向量和改进ResNet50经过全局池化得到的特征向量使用Concatenate进行特征融合形成。
进一步地，所述VGG-16+改进ResNet50网络模型采用Softmax函数进行分类。
进一步地，所述改进ResNet50包括依次连接的BN残差块、Relu残差块、Conv残差块、BN残差块、Relu残差块和Conv残差块。
进一步地，所述改进ResNet50还包括SENet特征提取模块和三个非线性激活层。
进一步地，所述改进ResNet50的输入层大小为400×400。
进一步地，所述采用包含发生腐蚀损伤的道岔滑床板图像作为训练数据集，训练VGG-16+改进ResNet50网络模型，具体为：
获取训练数据集，所述训练数据集包括若干组训练数据，每组所述训练数据均包括：发生腐蚀损伤的道岔滑床板图像以及标识该道岔滑床板图像为发生腐蚀损伤的标签；
利用所述训练数据集训练VGG-16+改进ResNet50网络模型，得到所述腐蚀损伤检测模型。
一种道岔滑床板腐蚀损伤检测装置，包括：
获取模块，用于获取道岔滑床板的图像；
检测模块，用于将所述道岔滑床板的图像输入预先训练好的腐蚀损伤检测模型中，若道岔滑床板发生腐蚀损伤，则输出结果为道岔滑床板发生腐蚀损伤；所述腐蚀损伤检测模型是采用包含发生腐蚀损伤的道岔滑床板图像作为训练数据集，训练VGG-16+改进ResNet50网络模型得到。
一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种道岔滑床板腐蚀损伤检测方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种道岔滑床板腐蚀损伤检测方法的步骤。
与现有技术相比，本发明至少具有以下有益效果：
本发明提供的一种道岔滑床板腐蚀损伤检测方法，针对道岔滑床板腐蚀损伤的检测，将道岔滑床板的图像输入预先训练好的腐蚀损伤检测模型中，若道岔滑床板发生腐蚀损伤，则输出结果为道岔滑床板发生腐蚀损伤。腐蚀损伤检测模型是采用包含发生腐蚀损伤的道岔滑床板图像作为训练数据集，训练VGG-16+改进ResNet50网络模型得到，将VGG-16和改进的ResNet50两种模型结合，经过全局池化得到的特征向量使用Concatenate进行特征融合，使用全连接层保证其足够多的特征，可以提高模型的训练的速度和识别准确率，识别精度高，道岔滑床板的腐蚀实验数据集准确率达到近99％。相对于传统的检测方法，本发明测得的道岔滑床板的腐蚀准确率高，检测时间大大缩短，具有识别精度高，腐蚀检测速度快的特点。
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具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明一种道岔滑床板腐蚀损伤检测方法的流程图。
图2为本发明VGG-16+改进ResNet50网络模型训练的流程图。
图3为不同腐蚀时间采集的试样图。
图4为SE特征提取模块流程图。
图5为融合模型流程图。
图6为不同学习率100次迭代结果图。
图7为不同batch size100次迭代结果图。
图8为模型准确率和损失率变化曲线图。
图9为不同迭代次数的准确率比较图。
图10为测试结果混淆矩阵图。
图11为不同模型准确率和损失率曲线图。
图12为不同模型的准确率图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
作为本发明的某一具体实施方式，如图1所示，一种道岔滑床板腐蚀损伤检测方法，具体包括以下步骤：
S1、获取道岔滑床板的图像，示例的，使用相机和电子显微镜采集道岔滑床板的图像。
S2、将所述道岔滑床板的图像输入预先训练好的腐蚀损伤检测模型中，若道岔滑床板发生腐蚀损伤，则输出结果为道岔滑床板发生腐蚀损伤。
其中，所述腐蚀损伤检测模型是采用包含发生腐蚀损伤的道岔滑床板图像作为训练数据集，训练VGG-16+改进ResNet50网络模型得到。
具体地说，所述VGG-16+改进ResNet50网络模型包括全连接层和特征向量，所述特征向量由VGG-16经过全局池化得到的特征向量和改进ResNet50经过全局池化得到的特征向量使用Concatenate进行特征融合形成；所述VGG-16+改进ResNet50网络模型采用Softmax函数进行分类。
具体地说，所述改进ResNet50包括依次连接的BN残差块、Relu残差块、Conv残差块、BN残差块、Relu残差块和Conv残差块；所述改进ResNet50还包括SENet特征提取模块和三个非线性激活层；所述改进ResNet50的输入层大小为400×400。
具体地说，如图2所示，所述采用包含发生腐蚀损伤的道岔滑床板图像作为训练数据集，训练VGG-16+改进ResNet50网络模型，具体如下：
a.获取训练数据集，所述训练数据集包括若干组训练数据，每组所述训练数据均包括：发生腐蚀损伤的道岔滑床板图像以及标识该道岔滑床板图像为发生腐蚀损伤的标签；
b.利用所述训练数据集训练VGG-16+改进ResNet50网络模型，得到所述腐蚀损伤检测模型。
关于a步骤中对训练数据集的获取，示例的，使用相机和电子显微镜采集道岔滑床板在腐蚀过程中不同时间段的图像信息，并对采集的图像进行增强、尺寸变换、归一化、制标签处理，得到充足、规范的图像样本数据集，然后将图像样本数据集按照数据比例划分为训练数据集和验证数据集。
其中，样本数据集包括道岔滑床板0h的腐蚀图像样本数据、道岔滑床板2h的腐蚀图像样本数据、道岔滑床板6h的腐蚀图像样本数据、道岔滑床板24h的腐蚀图像样本数据、道岔滑床板48h的腐蚀图像样本数据和道岔滑床板72h的腐蚀图像样本数据；
训练数据集包括60％的道岔滑床板0h的腐蚀图像样本数据、60％的道岔滑床板2h的腐蚀图像样本数据、60％的道岔滑床板6h的腐蚀图像样本数据、60％的道岔滑床板24h的腐蚀图像样本数据、60％的道岔滑床板48h的腐蚀图像样本数据、60％的道岔滑床板72h的腐蚀图像样本数据；
测试数据集包括40％的道岔滑床板0h的腐蚀图像样本数据、40％的道岔滑床板2h的腐蚀图像样本数据、40％的道岔滑床板6h的腐蚀图像样本数据、40％的道岔滑床板24h的腐蚀图像样本数据、40％的道岔滑床板48h的腐蚀图像样本数据、40％的道岔滑床板72h的腐蚀图像样本数据。
关于b步骤中的VGG-16+改进ResNet50网络模型，需要说明的是，ResNet50只有保证输入的图像尺寸足够大时，后续卷积层才能提取到足够多的腐蚀特征。由于ResNet50的模型较深，参数较多，过大的输入图像尺寸反而不利于后续神经网络的计算，因此根据图像特征对ResNet50网络模型作出调整，输入层设计为400×400大小的腐蚀图像，使用小型卷积滤波器整合三个非线性激活层，代替单一非线性激活层，这样既增加了判别能力、减少了网络参数，又减小了计算量。残差块可以解决随着网络层数增加模型预测效果逐渐变差的问题，但如果只改变正常网络的训练参数，那么模型很快就会收敛，并随着网络层数变多模型预测效果也随之降低，因此对ResNet50残差块的分支进行改进，将原来的Conv-BN-Relu的顺序改为BN-Relu-Conv-BN-Relu-Conv，并在ResNet50网络模型中添加SENet特征提取模块对各个通道进行权重的分配，特征提取的过程为：
首先对输入H×W×C的图片进行全局平均池化得到1×1×C的特征图，其中W、H和C分别代表道岔滑床板腐蚀图片特征图的宽度、高度和通道数；其次通过两个全连接层将特征图的通道数先降到原来的1/r倍，并通过ReLU激活函数升到原来的通道数；然后通过sigmiod函数得到归一化的权重；最后通过Scale操作将得到的归一化权重加权到每个通道的特征，得到的道岔滑床板表面腐蚀图片特征图大小为H'×W'×C'。
将两种模型VGG-16和改进ResNet50经过全局池化得到的特征向量使用Concatenate进行特征融合，然后再使用全连接层保证足够多的特征，最后使用Softmax进行分类。
示例的，利用训练数据集对VGG-16+改进ResNet50网络模型进行训练，训练完成后，将验证数据集带入训练好的VGG-16+改进ResNet50网络模型中，得到腐蚀损失检测结果，并进行输出。腐蚀损失检测具体过程为：
①将预处理后的道岔滑床板腐蚀图像数据分别送入VGG-16和改进的ResNet50网络模型后不直接进行分类。
②通过各自的GAP层相加融合，并添加一个六分类层来对融合后的特征向量进行分类。
③融合后的模型Acc、Recall、Precision、F1指标均达到0.99，训练100次后得到VGG-16+改进的ResNet50的性能较好，准确率为98.98％。
④VGG-16+改进ResNet50网络模型在测试集精度上明显优于其他模型，准确率可达到98.98％，验证了该方法能够快速、准确地识别道岔滑床板钢板的腐蚀状况。
实施例
为了证明本方法的有效性，首先使用基材为Q235钢在中性盐雾环境下模拟实验，基板材料尺寸为100mm×100mm×10mm。熔覆层材料选择Cu粉、Ni粉为原料，以9:1的质量比进行混合，Cu粉选用球形粉，表面光滑，粒径为38μm，纯度为99％；Ni粉选用球形粉，粒径为45μm，纯度为99％。
表1：中性盐雾实验前后主要用到的试验仪器
设备名称 规格型号 技术参数
行星球磨机 YXQM-4L 功率：0.75KW
高速激光熔覆机床 ZKZM-JC41 —
超声波清洗器 KQ3200DE 频率：40KHz
盐雾试验箱 FQY025 盐雾沉降率：1～2ml/80cm·h
空气压缩机 EV51 功率：1.5KW
电子天平 DHC-5000 精确到0.01g
数显测厚规 — 精确到0.01mm
扫描电子显微镜
数码相机 Canon EOS80D 分辨率：6000\times4000像素
腐蚀材料制备过程为：完成石墨粉末的化学镀覆后，将镀镍处理的石墨通过粉末冶金制成铜基石墨自润滑材料，然后用粘结剂羧甲基纤维素钠与熔覆粉末(铜基石墨复合自润滑材料)均匀混合成膏状涂抹在基材Q235钢板表面，并以激光功率1000W、扫描速度200mm/s、光斑直径2.5mm和搭接率50％的参数进行激光熔覆。
盐雾腐蚀试验的过程为：将浓度为5％的氯化钠溶液以喷雾的形式在喷雾塔中连续喷出，使盐雾沉降到六块制备好的待测试验件(100mm×100mm×10mm)上，最后根据实验设定分时间段取样，以便后续图像信息的采集。
如图2所示，在试样达到预期盐雾腐蚀时间后，将试样取出对表面干燥，完全干燥后使用相机对未除锈腐蚀表面形貌进行图像采集。该实验周共采集图像711张，采集文件格式为*.JPG格式。
下面对不同的腐蚀检测方法进行对比实验，对本发明的方法进行验证。
步骤一：将预处理后的道岔滑床板图像数据分别送入改进后的ResNet50、VGG-16、Xception预训练网络。神经网络的训练过程看作参数优化问题，训练过程中通过对输入样本进行不断迭代，以达到循环更新网络中的权重和偏置参数的效果。设置学习率分别为0.005、0.001、0.0001和batch size分别为16、32、64，通过分析迭代次数100次的识别率选取最适合本模型的参数，得出迭代结果。如图6和图7所示，从迭代结果得出，经过100次的训练迭代，训练集和测试集的准确率随着迭代次数变化趋近于平缓；由图中曲线可以看出，学习率为0.005，Batch size为32时，准确率更高，曲线更平滑，模型表现出更好的效果。实验模型的训练参数设置如表2所示：
表2：模型训练参数
步骤二：给出本实验模型对测试集进行测试得到的混淆矩阵，其中测试集中共有16张图片被预测错误，在213张5月24日11时48分的图像中，本实验模型将1张识别为当日9时的腐蚀图像，其余识别正确，在219张5月24日9时48分的腐蚀图像中将1张错误识别为当日9时的腐蚀图像，其余识别正确，在207张5月25日9时48分的腐蚀图像中将9张错误识别为5月26日同一时刻的腐蚀图像，其余识别正确，在233张5月26日9时48分的腐蚀图像中将5张错误识别为其他时间点的腐蚀图像，其余识别正确。结果表明，本实验模型有较高的准确率，然而还是有上升的空间。
步骤三：将预处理后的道岔滑床板腐蚀图像数据分别送入VGG-16、Xception和改进的ResNet50网络后不直接进行分类，而是通过各自的GAP层和根据排列组合的方式相加融合，本实验选用分类效果较好的两种融合模型，最后添加一个六分类层来对融合后的特征向量进行分类。从结果可以看出，融合后的模型各项指标均达到0.99，明显高于步骤一、二改进的模型，模型更加适合道岔滑床板的腐蚀图像检测。
步骤四：为了得到泛化性较好的模型，本实验将步骤一和二以及三中的模型分别训练100次以后绘制准确率和损失率曲线，如图8所示，其中横坐标为模型迭代次数，左侧图纵坐标为准确率，右侧图纵坐标代表损失率，分别用不同颜色的曲线表示不同模型。通过横向对比，分析了2种融合模型和3种模型经过100次的迭代训练结果，如图11和图12所示，在5种卷积神经网络模型中，VGG-16+改进的ResNet50的性能最好，准确率为98.98％。为了提高模型的训练速率，减小模型的训练时间。
表3：不同模型实验结果
从表3的结果看出，所有CNN模型经过相同的次数训练后，改进的ResNet50在单模型中表现出较好的识别效果，模型Xception的验证集精度在所有模型中最低，仅达到58.83％，而当改进的ResNet 50与模型Xception进行融合后准确率有明显提高。除此之外，如图12所示，本发明所述的融合改进模型在验证集精度上明显优于其他模型，准确率可达到98.98％，比VGG-16高3.16％，比改进的ResNet 50高1.02％，比Xception高40.15％，比Xception+改进的ResNet50高2.89％，因此，本发明所述改进的模型VGG-16+改进的ResNet50相比其他4种方法具有突出的优点。
本实施方式提供了一种道岔滑床板腐蚀损伤检测装置，包括：
获取模块，用于获取道岔滑床板的图像；
检测模块，用于将所述道岔滑床板的图像输入预先训练好的腐蚀损伤检测模型中，若道岔滑床板发生腐蚀损伤，则输出结果为道岔滑床板发生腐蚀损伤；所述腐蚀损伤检测模型是采用包含发生腐蚀损伤的道岔滑床板图像作为训练数据集，训练VGG-16+改进ResNet50网络模型得到。
本发明在一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于实现一种道岔滑床板腐蚀损伤检测方法的操作。
本发明在一个实施例中，一种道岔滑床板腐蚀损伤检测方法如果以软件功能单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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以所述权利要求的保护范围为准。

Claims (10)

1.一种道岔滑床板腐蚀损伤检测方法，其特征在于，包括：
获取道岔滑床板的图像；
将所述道岔滑床板的图像输入预先训练好的腐蚀损伤检测模型中，若道岔滑床板发生腐蚀损伤，则输出结果为道岔滑床板发生腐蚀损伤；所述腐蚀损伤检测模型是采用包含发生腐蚀损伤的道岔滑床板图像作为训练数据集，训练VGG-16+改进ResNet50网络模型得到。
2.根据权利要求1所述的一种道岔滑床板腐蚀损伤检测方法，其特征在于，所述VGG-16+改进ResNet50网络模型包括全连接层和特征向量，所述特征向量由VGG-16经过全局池化得到的特征向量和改进ResNet50经过全局池化得到的特征向量使用Concatenate进行特征融合形成。
3.根据权利要求2所述的一种道岔滑床板腐蚀损伤检测方法，其特征在于，所述VGG-16+改进ResNet50网络模型采用Softmax函数进行分类。
4.根据权利要求2所述的一种道岔滑床板腐蚀损伤检测方法，其特征在于，所述改进ResNet50包括依次连接的BN残差块、Relu残差块、Conv残差块、BN残差块、Relu残差块和Conv残差块。
5.根据权利要求4所述的一种道岔滑床板腐蚀损伤检测方法，其特征在于，所述改进ResNet50还包括SENet特征提取模块和三个非线性激活层。
6.根据权利要求5所述的一种道岔滑床板腐蚀损伤检测方法，其特征在于，所述改进ResNet50的输入层大小为400×400。
7.根据权利要求1所述的一种道岔滑床板腐蚀损伤检测方法，其特征在于，所述采用包含发生腐蚀损伤的道岔滑床板图像作为训练数据集，训练VGG-16+改进ResNet50网络模型，具体为：
获取训练数据集，所述训练数据集包括若干组训练数据，每组所述训练数据均包括：发生腐蚀损伤的道岔滑床板图像以及标识该道岔滑床板图像为发生腐蚀损伤的标签；
利用所述训练数据集训练VGG-16+改进ResNet50网络模型，得到所述腐蚀损伤检测模型。
8.一种道岔滑床板腐蚀损伤检测装置，其特征在于，包括：
获取模块，用于获取道岔滑床板的图像；
检测模块，用于将所述道岔滑床板的图像输入预先训练好的腐蚀损伤检测模型中，若道岔滑床板发生腐蚀损伤，则输出结果为道岔滑床板发生腐蚀损伤；所述腐蚀损伤检测模型是采用包含发生腐蚀损伤的道岔滑床板图像作为训练数据集，训练VGG-16+改进ResNet50网络模型得到。
9.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任一项所述的一种道岔滑床板腐蚀损伤检测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的一种道岔滑床板腐蚀损伤检测方法的步骤。
CN202310637694.9A 2023-05-31 2023-05-31 道岔滑床板腐蚀损伤检测方法、装置、设备和存储介质 Pending CN116758016A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310637694.9A CN116758016A (zh) 2023-05-31 2023-05-31 道岔滑床板腐蚀损伤检测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310637694.9A CN116758016A (zh) 2023-05-31 2023-05-31 道岔滑床板腐蚀损伤检测方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN116758016A true CN116758016A (zh) 2023-09-15

Family

ID=87959958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310637694.9A Pending CN116758016A (zh) 2023-05-31 2023-05-31 道岔滑床板腐蚀损伤检测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN116758016A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117237930A (zh) * 2023-11-13 2023-12-15 成都大学 基于ResNet与迁移学习的腐蚀金具SEM图像识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117237930A (zh) * 2023-11-13 2023-12-15 成都大学 基于ResNet与迁移学习的腐蚀金具SEM图像识别方法

Similar Documents

Publication Publication Date Title
CN111563893B (zh) 基于航拍图像的均压环缺陷检测方法、装置、介质和设备
CN116758016A (zh) 道岔滑床板腐蚀损伤检测方法、装置、设备和存储介质
CN107248030A (zh) 一种基于机器学习算法的债券风险预测方法及系统
CN111612064B (zh) Pm2.5污染气团溯源方法、装置、电子设备及存储介质
CN112362816A (zh) 一种基于观测数据的臭氧来源分析方法及装置
Qian et al. LFF-YOLO: A YOLO algorithm with lightweight feature fusion network for multi-scale defect detection
Chen et al. Proactive quality control: Observing system simulation experiments with the Lorenz’96 model
CN106530329A (zh) 一种基于分数阶微分和多特征联合的稀疏表示跟踪方法
CN109063983B (zh) 一种基于社交媒体数据的自然灾害损失实时评估方法
Mazandaranizadeh et al. Development of a PSO-ANN model for rainfall-runoff response in basins, Case Study: Karaj Basin
CN111414878B (zh) 一种关于地块的社会属性分析、图像处理方法及装置
CN103886332A (zh) 一种检测与识别金属网栅缺陷的方法
Zhang et al. Research on surface defect detection algorithm of strip steel based on improved YOLOV3
Cheng et al. Wheel hub defect detection based on the DS-Cascade RCNN
Seo et al. Mobilenet using coordinate attention and fusions for low-complexity acoustic scene classification with multiple devices
CN115017679A (zh) 大气污染扩散的模拟方法、装置、存储介质和电子设备
CN116883393B (zh) 一种基于无锚框目标检测算法的金属表面缺陷检测方法
JP2012182196A (ja) 品質推定装置、品質推定方法及び品質推定方法をコンピュータに実行させるためのプログラム
CN110378229B (zh) 一种基于filter–wrapper框架的电子鼻数据特征选择方法
CN104331711A (zh) 基于多尺度模糊测度与半监督学习的sar图像识别方法
CN116468686A (zh) 一种基于软优化知识蒸馏的带钢表面缺陷识别方法
CN103761530A (zh) 一种基于相关向量机的高光谱图像解混方法
CN114880305A (zh) 一种基于数据中台的ai算法建模的方法及系统
Cao et al. Enhanced Campus Security Target Detection Using a Refined YOLOv7 Approach.
Kang et al. Rail Surface Defect Detection Based on MobileViTv2 and Eddy Current

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