[发明专利]一种基于深度学习的转撤机接点组部件距离检测方法

权利要求书

1.一种基于深度学习的转辙机接点组部件距离检测方法，其特征在于，该方法包括如下步骤：

S1、建立转辙机接点组图像数据集，标注好训练集和测试集；

S2、构建用于识别转辙机接点组关键部件的深度学习网络模型；

S3、深度学习网络模型初始化设置；

S4、利用训练集和测试集对深度学习网络模型进行训练和测试直至预测性能达到阈值；

S5、利用训练好的深度学习网络模型对转辙机接点组图像中的关键部件进行识别；

S6、获取转辙机接点组图像中关键部件之间的距离以及尺寸大小，采用交叉比例计算选取最优缩放基准；

S7、通过等比缩放测算关键部件间的实际距离；

所述的转辙机接点组关键部件包括铜柱、簧片以及用于固定簧片的固定件；

步骤S6获取的转辙机接点组图像中关键部件之间的距离以及尺寸大小包括：

铜柱的面积yi，铜柱两侧相对的两个用于固定簧片的固定件端部之间的距离li，位于铜柱同一侧的距离最远的两个用于固定簧片的固定件端部的距离qj，i表示第i个铜柱，i＝1，2，……，n，j表示铜柱上、下两侧，j＝1表示铜柱上侧，j＝2表示铜柱下侧；

交叉比例计算选取最优缩放基准的具体获取方式为：

定义比例式：

其中，Yi为铜柱的实际面积，Li为铜柱两侧相对的两个用于固定簧片的固定件端部之间的实际距离，Qj为位于铜柱同一侧的距离最远的两个用于固定簧片的固定件端部的实际距离，Q_l′和Y_l′为通过l1、l2和l3为长度基准比例计算出的准实际长度和准实际面积，L′_q和Y_q′为通过q1和q2为长度基准比例计算出的准实际长度和准实际面积，L′_y和Q′_y为通过y1、y2和y3为面积基准比例计算出的准实际长度；

定义差值D_l、D_q、D_y：

D_l＝(Q1+Q2)-Q′₁+(Y1+Y2+Y3)-Y₁′

D_q＝(L1+L2+L3)-L′_q+(Y1+Y2+Y3)-Y_q′

D_y＝(L1+L2+L3)-L′_q+(Q1+Q2)-Q′_y

比较D_l、D_q与D_y的大小，若D_l最小，则取铜柱两侧相对的两个用于固定簧片的固定件端部之间的距离大小为最优缩放基准，若D_q最小，则取位于铜柱同一侧的距离最远的两个用于固定簧片的固定件端部的距离大小为最优缩放基准，若D_y最小，则取铜柱的面积大小为最优缩放基准。

2.根据权利要求1所述的一种基于深度学习的转辙机接点组部件距离检测方法，其特征在于，步骤S1具体为：首先，以转辙机接点组中心位置为圆心，不同长度为半径的空间球面对转辙机接点组进行多角度拍摄，然后，对拍摄图片的长宽进行统一，最后，划分训练集和测试集。

3.根据权利要求2所述的一种基于深度学习的转辙机接点组部件距离检测方法，其特征在于，每个角度拍摄的图像数量保持均匀。

4.根据权利要求1所述的一种基于深度学习的转辙机接点组部件距离检测方法，其特征在于，所述的深度学习网络模型输出包括四类，分别为铜柱、簧片、用于固定簧片的固定件以及图片背景。

5.根据权利要求1所述的一种基于深度学习的转辙机接点组部件距离检测方法，其特征在于，所述的深度学习网络模型包括Mask-RCNN网络。

6.根据权利要求1所述的一种基于深度学习的转辙机接点组部件距离检测方法，其特征在于，步骤S4训练过程中对每个GPU分配偶数张图片进行单次训练。

7.根据权利要求1所述的一种基于深度学习的转辙机接点组部件距离检测方法，其特征在于，步骤S7进行等比缩放测算过程中，若最优缩放基准为铜柱两侧相对的两个用于固定簧片的固定件端部之间的距离大小，则缩放比例为(l1+l2+l3)/(L1+L2+L3)，若最优缩放基准为位于铜柱同一侧的距离最远的两个用于固定簧片的固定件端部的距离大小，则缩放比例为(q1+q2)/(Q1+Q2)，若最优缩放基准为铜柱的面积大小，则缩放比例为(y1+ly2+y3)/(Y1+Y2+Y3)。