本发明涉及轨道交通,尤其涉及一种轨面黏着工况识别方法、装置及电子设备。
背景技术:
1、轨面黏着工况指的是轮轨接触面的粗糙程度以及轮轨间是否存在第三介质,如水、雪、落叶等其他物质,在不同的工况下,可利用的轮轨黏着是不同的。若在不同工况下采用相同的行进速度,势必会引起轨道车辆车轮的滑行,严重时可导致轮轨擦伤和制动力缺失,极大地影响行车安全。
2、目前,大部分对于轨面黏着工况的研究在如何改善和增强轨面黏着的措施上,而尚未对轨面黏着工况的识别做相关研究。对轨面黏着工况进行识别的需求是目前业界亟待解决的重要课题。
技术实现思路
1、针对现有技术存在的问题,本发明实施例提供一种轨面黏着工况识别方法、装置及电子设备,实现对轨面黏着工况进行识别,进而保障行车安全。
2、本发明提供一种轨面黏着工况识别方法,包括:
3、将目标轨面图像输入训练好的轨面黏着工况识别模型,得到所述目标轨面图像对应的轨面黏着工况;
4、其中,所述轨面黏着工况识别模型是基于带有轨面实际工况信息标签的样本轨面图像集对深度学习模型训练得到的;所述深度学习模型包含卷积注意力机制模块cbam、变换网络模块、感受野模块rfb和自适应特征融合模块asff中的一种或多种。
5、根据本发明提供的一种轨面黏着工况识别方法,所述深度学习模型是基于yolov5s网络得到的。
6、根据本发明提供的一种轨面黏着工况识别方法,所述卷积注意力机制模块cbam设置于所述yolov5s网络中的骨干网络中。
7、根据本发明提供的一种轨面黏着工况识别方法,所述变换网络模块设置于所述yolov5s网络中的骨干网络中。
8、根据本发明提供的一种轨面黏着工况识别方法,所述感受野模块rfb设置于所述yolov5s网络中的颈部网络中。
9、根据本发明提供的一种轨面黏着工况识别方法,所述自适应特征融合模块asff设置于所述yolov5s网络中的预测头网络中。
10、本发明还提供一种轨面黏着工况识别装置,包括:
11、获取单元,用于将目标轨面图像输入训练好的轨面黏着工况识别模型,得到所述目标轨面图像对应的轨面黏着工况;
12、其中,所述轨面黏着工况识别模型是基于带有轨面实际工况信息标签的样本轨面图像集对深度学习模型训练得到的;所述深度学习模型包含卷积注意力机制模块cbam、变换网络模块、感受野模块rfb和自适应特征融合模块asff中的一种或多种。
13、根据本发明提供的一种轨面黏着工况识别装置,所述深度学习模型是基于yolov5s网络得到的。
14、根据本发明提供的一种轨面黏着工况识别装置,所述卷积注意力机制模块cbam设置于所述yolov5s网络中的骨干网络中。
15、根据本发明提供的一种轨面黏着工况识别装置,所述变换网络模块设置于所述yolov5s网络中的骨干网络中。
16、根据本发明提供的一种轨面黏着工况识别装置,所述感受野模块rfb设置于所述yolov5s网络中的颈部网络中。
17、根据本发明提供的一种轨面黏着工况识别装置,所述自适应特征融合模块asff设置于所述yolov5s网络中的预测头网络中。
18、本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述轨面黏着工况识别方法。
19、本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述轨面黏着工况识别方法。
20、本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述轨面黏着工况识别方法。
21、本发明提供的轨面黏着工况识别方法、装置及电子设备,通过根据带有轨面实际工况信息标签的样本轨面图像集来训练深度学习模型,深度学习模型包含卷积注意力机制模块cbam、变换网络模块、感受野模块rfb和自适应特征融合模块asff中的一种或多种,得到训练好的轨面黏着工况识别模型,然后将目标轨面图像输入训练好的轨面黏着工况识别模型,可以得到目标轨面图像对应的轨面黏着工况,从而实现对轨面黏着工况进行识别,进而保障行车安全。
1.一种轨面黏着工况识别方法,其特征在于,包括:
2.根据权利要求1所述的轨面黏着工况识别方法,其特征在于,所述深度学习模型是基于yolov5s网络得到的。
3.根据权利要求2所述的轨面黏着工况识别方法,其特征在于,所述卷积注意力机制模块cbam设置于所述yolov5s网络中的骨干网络中。
4.根据权利要求2所述的轨面黏着工况识别方法,其特征在于,所述变换网络模块设置于所述yolov5s网络中的骨干网络中。
5.根据权利要求2所述的轨面黏着工况识别方法,其特征在于,所述感受野模块rfb设置于所述yolov5s网络中的颈部网络中。
6.根据权利要求2所述的轨面黏着工况识别方法,其特征在于,所述自适应特征融合模块asff设置于所述yolov5s网络中的预测头网络中。
7.一种轨面黏着工况识别装置,其特征在于,包括:
8.根据权利要求7所述的轨面黏着工况识别装置,其特征在于,所述深度学习模型是基于yolov5s网络得到的。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并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程序时实现如权利要求1至6任一项所述轨面黏着工况识别方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,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6任一项所述轨面黏着工况识别方法。