本发明涉及方孔锁偏转角度计算领域,尤其涉及一种深度学习辅助的地铁车体方孔锁偏转角度计算方法。
背景技术:
1、方孔锁是保护地铁设备和车辆安全运行的重要屏障,由于列车在运行中不断的震动会造成方孔锁锁芯产生偏转,严重会影响车辆的运行安全。传统的外观异常检测是通过人工排查的方式,这种方式完全靠眼睛进行异常检测,虽然检测的正确率高但是劣势也是非常明显的。如每天列车的出行量大,不能全方位的对车辆进行检测,并且完成一趟车的检测时间长,长时间容易视觉疲劳,造成误判率提高,受主观因素的影响较大。相比之下,机检异常检测能够很好的弥补人检的劣势,提高车辆的出行效率。
技术实现思路
1、本发明为了解决现有技术存在的问题,公开了一种深度学习辅助的地铁车体方孔锁偏转角度计算方法,具体包括以下步骤:
2、s1:使用yolov4目标检测算法对采集的高分辨率图像采用级联式的检测方法提取方孔锁图像。
3、s2:使用mask r-cnn实例分割算法对方孔锁分割,获取方孔锁关键部位的mask区域和定位框信息;
4、s3:利用方孔锁分割结果的关键部位信息,结合几何学知识获取部位关键点,进而计算出方孔锁的偏转角度;
5、所述使用yolov4目标检测算法对采集的完整高分辨率图像采用级联式的检测方法提取方孔锁图像,包括以下步骤:
6、a、使用yolov4检测算法对高分辨率图像进行转向架进行检测,
7、利用转向架定位信息,将高分辨率图像裁剪为5部分,降低图像分辨率,对于每部分的图像记为中分辨率图像;
8、b、使用yolov4目标检测算法对中分辨率图像进行箱体检测,利用箱体的定位信息,提取箱体图像;
9、c、使用yolov4目标检测算法对箱体图像进行方孔锁检测,利用方孔锁的定位信息,提取方孔锁图像;
10、所述使用mask r-cnn实例分割算法对方孔锁分割,获取方孔锁关键部位的mask区域和定位框信息,包括以下步骤:
11、a、将方孔锁的关键部位进行标记,记为label1、label2、label3;
12、b、使用mask r-cnn实例分割算法对方孔锁分割,获取label1、label2、label3的mask区域和定位框信息;
13、所述利用分割结果的关键部位信息,结合几何学知识获取部位关键点,进而计算出方孔锁的偏转角度,包括以下步骤:a、laleb1的关键点p1获取;
14、b、laleb2的关键点p2获取;
15、c、laleb3的关键点p3获取;
16、d、利用label1、label2、label3的关键点信息计算出方孔锁的偏转角度;
17、本发明提供的一种深度学习辅助的地铁车体方孔锁偏转角度计算方法,该方法具有如下有益效果:本发明直接利用深度学习和图像处理技术实现车体方孔锁偏转角度计算,可以给出客观、准确的检测分析结果,避免了传统人工检测方法的缺陷;
1.一种基于深度学习辅助的地铁车体方孔锁偏转角度计算方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于深度学习辅助的地铁车体方孔锁偏转角度计算方法,其特征在于:所述使用yolov4目标检测算法对采集的完整图像采用级联式的检测方法提取方孔锁图像。
3.根据权利要求2所述的基于深度学习辅助的地铁车体方孔锁偏转角度计算方法,其特征在于:包括以下步骤:使用yolov4检测算法对高分辨率图像进行转向架进行检测,利用转向架定位信息,将高分辨率图像分裁剪为5部分,降低图像分辨率,对于每部分的图像记为中分辨率图像;使用yolov4目标检测算法对中分辨率图像进行箱体检测,利用箱体的定位信息,提取箱体图像;使用yolov4目标检测算法对箱体图像进行方孔锁检测,利用方孔锁的定位信息,提取方孔锁图像。
4.根据权利要求1所述的基于深度学习辅助的地铁车体方孔锁偏转角度计算方法,其特征在于:使用mask r-cnn实例分割算法对方孔锁分割,获取方孔锁关键部位的mask区域和定位框信息。
5.根据权利要求4所述的基于深度学习辅助的地铁车体方孔锁偏转角度计算方法,其特征在于:包括以下步骤:将方孔锁的关键部位进行标记,记为label1、label2、label3;使用mask r-cnn实例分割算法对方孔锁分割,获取label1、label2、label3的mask区域和定位框信息。
6.根据权利要求1所述的基于深度学习辅助的地铁车体方孔锁偏转角度计算方法,其特征在于:利用方孔锁分割结果的关键部位信息,结合几何学知识获取部位关键点,进而计算出方孔锁的偏转角度。
7.根据权利要求6所述的基于深度学习辅助的地铁车体方孔锁偏转角度计算方法,其特征在于:包括以下步骤:laleb1的关键点p1获取;laleb2的关键点p2获取;laleb3的关键点p3获取;利用label1、label2、label3的关键点信息计算出方孔锁的偏转角度。