一种列车车底附着异物的智能检测和识别方法与流程

1.本发明涉及列车检测技术领域，具体为一种列车车底附着异物的智能检测和识别方法。


背景技术：

2.列车，即成列的车组，分为两大类型，铁路列车：即火车，这是一般形态，公路列车：即组列式汽车、汽车组列、公路车组体，有澳大利亚的矿山运输车组，有中国的智轨列车，列车是人类历史上最重要的机械交通工具，早期称为蒸汽机车，也叫列车，有独立的轨道行驶。铁路列车按载荷物，可分为运货的货车和载客的客车；亦有两者一起的客货车，众多连续的车辆，一般指火车，尤指由牵引机车和运货或载客的车厢组成的连挂成列的火车，列车定义：列车是指因为一定的目的连挂在一起的一列车辆，区别于车列，组成列车的车辆分为机车和车辆，机车的作用是为列车提供动力，而车辆的作用是实现列车的功能，动车组也是列车，列车已经成为主要交通和运输，对公众生活影响愈加广泛，列车的安全人性对生命和财产显得尤其重要。
3.列车车底由需要机械结构、供电装置等复杂结构组成，其零部件上在运行过程中极可能存在附着异物，造成接触不良等威胁列车安全的情况发生，传统的方法是在列车进库维修时，检测人员通过肉眼观察的方法检测列车车底是否存在异物，这种方法存在，检测效率低下、延时的特点，因此开发一种能在列车运行过程中实时监测车底异物的方法显得尤为重要，本发明采用非接触式的机器视觉方法，只需在列车车底添加一个高速ccd，开发异物检测和识别，即可实时完成附着异物报警功能。


技术实现要素：

4.针对现有技术的不足，本发明提供了一种列车车底附着异物的智能检测和识别方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种列车车底附着异物的智能检测和识别方法，包括以下步骤：
6.s1、运用车载高速ccd获取大量包含异物的列车车底图片；
7.s2、人工标注异物区域，保存标签信息；
8.s3、训练目标检测模型，定位异物区域；
9.s4、将异物区域和背景区域进行分类训练，以提高识别准确率，减少误报率；
10.s5、前向推理过程，将识别结果返回给后台管理人员预警是否存在危险；
11.s6、将识别结果保存至数据库中留底。
12.进一步优化本技术方案，所述步骤s3中，训练目标检测模型定位异物区域步骤如下：
13.s31、目标检测模型采用通用目标检测模型yolov5-s；
14.s32、图片大小为618x618；
15.s33、yolov5-s在嵌入式硬件上推理速度可达到65fps，可满足实时性要求。
16.进一步优化本技术方案，所述步骤s4中，分类训练步骤如下：
17.s41、分类网络采用resnet18浅层网络；
18.s42、分类器采用softmax分类器。
19.进一步优化本技术方案，所述步骤s42中，函数如下：
[0020][0021]
其中，i表示神经网络输出节点编号，pi表示正确类别对应输出节点的概率值。
[0022]
进一步优化本技术方案，所述步骤s5中步骤如下：
[0023]
s51、车底图像多半会出现图像光照不均现象，前向推理过程需要对车底图片进行预处理，故采用直方图均衡化对图像进行光照补偿；
[0024]
s52、将车底高清图片resize到618x618像素大小，运用训练完成的yolov5-s模型推理，检测可能存在异物的区域，并截取异物roi；
[0025]
s53、将异物roi图片resize到64x64像素大小，运用训练完成的分类模型推理，进一步精确识别是否存在异物，减少误报。
[0026]
与现有技术相比，本发明提供了一种列车车底附着异物的智能检测和识别方法，具备以下有益效果：
[0027]
1、该列车车底附着异物的智能检测和识别方法，本方法通过深度学习的方法，对列车车底附着异物进行实时监测，当存在附着异物时，对其精确定位并识别，通知后台确认是否存在危险。
[0028]
2、该列车车底附着异物的智能检测和识别方法，相对于人工审核图片的方法，利用深度学习的智能检测算法在准确性和实时性上都有着较大的优势，节约了人力成本，提高了列车检查效率。
附图说明
[0029]
图1为本发明提出的一种列车车底附着异物的智能检测和识别方法的流程示意图。
具体实施方式
[0030]
下面将结合本发明的实施例，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。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。
[0031]
实施例：
[0032]
请参考图1所示，本发明公开了一种列车车底附着异物的智能检测和识别方法，包括以下步骤：
[0033]
s1、运用车载高速ccd获取大量包含异物的列车车底图片；
[0034]
s2、人工标注异物区域，保存标签信息；
[0035]
s3、训练目标检测模型，定位异物区域；
[0036]
s4、将异物区域和背景区域进行分类训练，以提高识别准确率，减少误报率；
[0037]
s5、前向推理过程，将识别结果返回给后台管理人员预警是否存在危险；
[0038]
s6、将识别结果保存至数据库中留底。
[0039]
作为本实施例的具体优化方案，所述步骤s3中，训练目标检测模型定位异物区域步骤如下：
[0040]
s31、目标检测模型采用通用目标检测模型yolov5-s；
[0041]
s32、图片大小为618x618；
[0042]
s33、yolov5-s在嵌入式硬件上推理速度可达到65fps，可满足实时性要求。
[0043]
作为本实施例的具体优化方案，所述步骤s4中，分类训练步骤如下：
[0044]
s41、分类网络采用resnet18浅层网络；
[0045]
s42、分类器采用softmax分类器，函数如下：
[0046][0047]
其中，i表示神经网络输出节点编号，pi表示正确类别对应输出节点的概率值。
[0048]
6.作为本实施例的具体优化方案，所述步骤s5中步骤如下：
[0049]
s51、车底图像多半会出现图像光照不均现象，前向推理过程需要对车底图片进行预处理，故采用直方图均衡化对图像进行光照补偿；
[0050]
s52、将车底高清图片resize到618x618像素大小，运用训练完成的yolov5-s模型推理，检测可能存在异物的区域，并截取异物roi；
[0051]
s53、将异物roi图片resize到64x64像素大小，运用训练完成的分类模型推理，进一步精确识别是否存在异物，减少误报。
[0052]
本发明的有益效果是：
[0053]
1、该列车车底附着异物的智能检测和识别方法，本方法通过深度学习的方法，对列车车底附着异物进行实时监测，当存在附着异物时，对其精确定位并识别，通知后台确认是否存在危险。
[0054]
2、该列车车底附着异物的智能检测和识别方法，相对于人工审核图片的方法，利用深度学习的智能检测算法在准确性和实时性上都有着较大的优势，节约了人力成本，提高了列车检查效率。
[0055]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。