[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

说明书

本发明涉及一种基于深度学习的转撤机转撤机接点组部件距离检测方法，该方法包括如下步骤：S1、建立转撤机接点组图像数据集；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、对深度学习网络模型进行训练；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。与现有技术相比，本发明具有检测效率高、精度高等优点。

技术领域

本发明涉及一种转撤机接点组部件距离检测方法，尤其是涉及一种基于深度学习的转撤机接点组部件距离检测方法。

背景技术

转辙机是指用以可靠地转换道岔位置，改变道岔开通方向，锁闭道岔尖轨，反映道岔位置的重要的信号基础设备，它可以保证列车高效、安全、可靠的运行。一般情况下，转撤机接点组中铜柱与簧片要有一定的接触，才可以使得转撤机正常工作。目前，对转撤机工作状态检查主要通过人工观察，并手动测量铜柱与簧片的接触深度。由于检查方法单一且需要检查的转撤机数量众多，其将消耗大量人力和物力，造成了检查效率和效果低下、成本高等问题。随着人工智能以及深度学习技术的发展，使得机器识别和图像处理技术得到极大提升和广泛应用。目前，极少有利用深度学习对转撤机关键部件的距离进行检测的技术，传统的人工方法也由于高成本、低效率已经不能满足现实检测的需求。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的转撤机接点组部件距离检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于深度学习的转撤机转撤机接点组部件距离检测方法，该方法包括如下步骤：

S1、建立转撤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。

优选地，步骤S1具体为：首先，以转撤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撤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。

优选地，每个角度拍摄的图像数量保持均匀。

优选地，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。

优选地，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。

优选地，所述的深度学习网络模型包括Mask-RCNN网络。

优选地，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。

优选地，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，……，3，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。

优选地，交叉比例计算选取最优缩放基准的具体获取方式为：