一种基于E-YOLO的铁路列车风挡破损故障检测方法技术

本发明专利技术公开了一种基于E

【技术实现步骤摘要】
一种基于E
‑
YOLO的铁路列车风挡破损故障检测方法


[0001]本专利技术涉及一种基于E
‑
YOLO的铁路列车风挡破损故障检测方法，属于机动车车牌检测


技术介绍

[0002]采用人工查图的传统的铁路动车故障检测方法费时费力，检测成本高，采用深度学习的故障检测方法能够很大程度降低人工成本，同时还能够减少由于检车人员疲劳、粗心、经验不足等造成的漏检、误检，提高故障检测的准确程度。YOLO
‑
V3检测网络的检测速度快，检测准确程度相对较高，但没有考虑到检测框坐标的不确定性，造成有时网络检测出的检测框定位不准确，误检率高，Gaussian YOLOv3网络使用高斯分布函数建立检测框坐标的概率分布模型，以考虑检测框坐标的不确定性，但Gaussian YOLOv3网络不易收敛。

技术实现思路

[0003]本专利技术的目的是提出一种基于E
‑
YOLO的铁路列车风挡破损故障检测方法，对Gaussian YOLOv3网络的loss函数进行改进，提升了Gaussian YOLOv3网络的loss函数的稳定性，使网络更容易收敛，检测准确率更高，同时本专利根据检测框坐标的不确定性改进了NMS算法，提出了一种E
‑
NMS非极大值抑制算法，提升网络检测结果的准确率，解决了现有技术存在的问题。
[0004]一种基于E
‑
YOLO的铁路列车风挡破损故障检测方法，铁路列车风挡破损故障检测方法包括以下步骤：r/>[0005]步骤一、收集动车图像，建立故障检测样本数据集；
[0006]步骤二、对故障检测样本数据集进行数据扩增，将扩增后的故障检测样本数据集不重叠的划分为训练集、验证集和测试集；
[0007]步骤三、使用划分成的训练集、验证集和测试集对E
‑
YOLO故障检测网络进行训练、验证及测试；
[0008]步骤四、将待检测的动车的原始过车图像输入训练好的E
‑
YOLO故障检测网络中，判断待检测的动车的风挡是否破损故障，若是，则执行步骤五；
[0009]步骤五、上传故障报文并报警。
[0010]进一步的，在步骤一中，具体包括以下步骤：
[0011]步骤一一、在铁轨两侧以及底部配备高清线阵相机；
[0012]步骤一二、当高铁车头通过触发传感器，启动成像设备后对运动的高铁进行逐行扫描，获取高清线阵图像；
[0013]步骤一三、采用labelImg软件对风挡中发生破损的部位进行标注，每张图像生成一个标注文件，即标签，故障图像与标注文件共同构成故障检测样本数据集。
[0014]进一步的，在步骤二中，具体的，数据扩增包括对故障检测样本数据集进行翻转、对比度变换、加噪和裁剪操作。
[0015]进一步的，在步骤二中，具体的，训练集、验证集和测试集的划分比例为7：1：2。
[0016]进一步的，在步骤三中，具体的，采用训练集训练搭建好的E
‑
YOLO网络，初始学习率为0.02，优化方法为adam，N
t
为NMS的阈值，设置为0.6，在验证集上对训练好的E
‑
YOLO网络进行测试，将验证集中检测错误的图像进行数据扩增，加入训练集中重新训练网络，最终在测试集上对训练好的E
‑
YOLO网络进行测试。
[0017]进一步的，在步骤四中，具体包括以下步骤：
[0018]步骤四一、确定检测框坐标定位的不确定性关系；
[0019]步骤四二、获得检测框坐标的损失函数；
[0020]步骤四三、获得检测框综合置信度；
[0021]步骤四四、采用E
‑
NMS算法对检测框进行非极大值抑制，得到最终的检测结果。
[0022]进一步的，在步骤四一中，具体的：
[0023]对E
‑
YOLO检测模型输出的检测框的检测框坐标进行高斯分布建模，检测框输出变成其中，代表中心点坐标x分量的高斯建模的均值和方差，代表中心点坐标w分量的高斯建模的均值和方差，代表中心点坐标h分量的高斯建模的均值和方差，网络输出通道数为(3*(8+1+C))，均值与方差取值范围都为(0，1)，对检测框的坐标做公式(1)、(2)中操作：
[0024][0025][0026]其中，σ为公式(3)中sigmod函数，
[0027][0028]将最终均值作为检测框回归坐标，方差为检测框回归坐标的不确定度，方差越靠近0，则高斯分布越集中，检测框坐标为均值的可靠性越大；方差越接近1，则高斯分布越分散，检测框坐标为均值的可靠性越小。
[0029]进一步的，在步骤四二中，具体的：
[0030]将故障检测样本数据集经过E
‑
YOLO检测模型卷积提取特征后产生特征图，然后将特征图对应到故障检测样本数据集形成若干格子；
[0031]公式(4)为E
‑
YOLO网络检测框坐标的损失函数，
[0032][0033]和的损失函数与同理，式中W与H分别为故障检测样本数据集划分为格子后，沿故障检测样本数据集宽划分的格子数量和沿图像高划分的格子数量，和表示在第i行第j列个格子的第k个锚框回归的检测框的均值和方差，ε为一个正
数，保证函数内元素不为零，函数表示检测框对应的标签位置框的x值在均值为方差为的高斯分布下的概率密度函数值其中高斯分布概率密度函数为：分布概率密度函数为：为将x、带入f(x)后的值，近似表示概率，在网络所有输出的均值和方差中令标签位置框的概率密度函数值最大的均值和方差为网络需要的检测结果，最大表示检测框的高斯分布和标签位置框的高斯分布最为接近，函数N值越大，检测框坐标越接近标签位置框坐标即检测框坐标不确定性越小，(N+ε)
‑
1/2
越小，L
x
越小；函数N越小，检测框坐标越偏离标签位置框坐标即检测框坐标不确定性越大，越大，L
x
越大，λ
ijk
由公式(5)得出，
[0034][0035]式中，w
G
与h
G
分别为标签位置框的宽高相对于原图的比例，当标签位置框的尺寸较大时λ
ijk
较小，标签位置框的尺寸较小时λ
ijk
较大，在标签位置框与当前锚框的IOU大于阈值0.3即当前锚框存在目标时取1，IOU小于阈值0.3即当前锚框没有目标时取0。
[0036]进一步的，在步骤四三中，具体的：
[0037]检测框的综合置信度如公式(6)所示，
[0038]S＝σ(p
obj
)
×
σ(max(P0,P1,
…
,P
c
))
×
(1
‑
Uncertainty
aver
)
ꢀꢀ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于E
‑
YOLO的铁路列车风挡破损故障检测方法，其特征在于，所述铁路列车风挡破损故障检测方法包括以下步骤：步骤一、收集动车图像，建立故障检测样本数据集；步骤二、对所述故障检测样本数据集进行数据扩增，将扩增后的故障检测样本数据集不重叠的划分为训练集、验证集和测试集；步骤三、使用划分成的训练集、验证集和测试集对E
‑
YOLO故障检测网络进行训练、验证及测试；步骤四、将待检测的动车的原始过车图像输入训练好的E
‑
YOLO故障检测网络中，判断待检测的动车的风挡是否破损故障，若是，则执行步骤五；步骤五、上传故障报文并报警。2.根据权利要求1所述的一种基于E
‑
YOLO的铁路列车风挡破损故障检测方法，其特征在于，在步骤一中，具体包括以下步骤：步骤一一、在铁轨两侧以及底部配备高清线阵相机；步骤一二、当高铁车头通过触发传感器，启动成像设备后对运动的高铁进行逐行扫描，获取高清线阵图像；步骤一三、采用labelImg软件对风挡中发生破损的部位进行标注，每张图像生成一个标注文件，即标签，故障图像与标注文件共同构成故障检测样本数据集。3.根据权利要求1所述的一种基于E
‑
YOLO的铁路列车风挡破损故障检测方法，其特征在于，在步骤二中，具体的，所述数据扩增包括对故障检测样本数据集进行翻转、对比度变换、加噪和裁剪操作。4.根据权利要求1所述的一种基于E
‑
YOLO的铁路列车风挡破损故障检测方法，其特征在于，在步骤二中，具体的，所述训练集、验证集和测试集的划分比例为7：1：2。5.根据权利要求1所述的一种基于E
‑
YOLO的铁路列车风挡破损故障检测方法，其特征在于，在步骤三中，具体的，采用训练集训练搭建好的E
‑
YOLO网络，初始学习率为0.02，优化方法为adam，N
t
为NMS的阈值，设置为0.6，在验证集上对训练好的E
‑
YOLO网络进行测试，将验证集中检测错误的图像进行数据扩增，加入训练集中重新训练网络，最终在测试集上对训练好的E
‑
YOLO网络进行测试。6.根据权利要求1所述的一种基于E
‑
YOLO的铁路列车风挡破损故障检测方法，其特征在于，在步骤四中，具体包括以下步骤：步骤四一、确定检测框坐标定位的不确定性关系；步骤四二、获得检测框坐标的损失函数；步骤四三、获得检测框综合置信度；步骤四四、采用E
‑
NMS算法对检测框进行非极大值抑制，得到最终的检测结果。7.根据权利要求6所述的一种基于E
‑
YOLO的铁路列车风挡破损故障检测方法，其特征在于，在步骤四一中，具体的：对E
‑
YOLO检测模型输出的检测框的检测框坐标进行高斯分布建模，检测框输出变成其中，代表中心点坐标x分量的高斯建模的均值和方差，代表中心点坐标w分量的高斯建模的均值和方差，代
表中心点坐标h分量的高斯建模的均值和方差，网络输出通道数为(3*(8+1+C))，均值与方差取值范围都为(0，1)，对检测框的坐标做公式(1)、(2)中操作：差取值范围都为(0，1)，对检测框的坐标做公式(1)、(2)中操作：其中，σ为公式(3)中sigmod函数，将最终均值作为检测框回归坐标，方差为检测框回归坐标的不确定度，方差越靠近0，则高斯分布越集中，检测框坐标为均值的可靠性越大；方差越接近1，则高斯分布越分散，检测框坐标为均值的可靠性越小。8.根据权利要求6所述的一种基于E
‑
YOLO的铁路列车风挡破损故障检测方法，其特征在于，在步骤四二中，具体的：将故障检测样本数据集经过E
‑
YOLO检测模型卷积提取特征后产生特征图，然后将所述特征图对应到所述故障检测样本数据集形成若干格子；公式(4)为E
‑
YOLO网络检测框坐标的损失函数，的损失函数，和的损失函数与同理，式中W与H分别为故障检测样本数据集划分为格子后，沿故障检测样本数据集宽划分的格子数量和沿图像高划分的格子数量，和表示在第i行第j列个格子的第k个锚框回归的检测框的均值和方差，ε为一个正数，保证函数内元素不为零，函数表示检测框对应的标签位置框的x值在均值为方差为的高斯分布下的概率密度函数值其中高斯分布概率密度函数为：概率密度函数为：为将x、带入f(x)后的值，近似表示概率，在网络所有输出的均值和方差中令标签位置框的概率密度函数值最大的均值和方差为网络需要的检测结果，最大表示检测框的高斯分布和标签位置框的高斯分布最为接近，函数N值越大，检测框坐标越接近标签位置框坐标即检测框坐标不确定性越小，(N+ε)
‑
1/2

【专利技术属性】
技术研发人员：韩旭，
申请(专利权)人：哈尔滨市科佳通用机电股份有限公司，
类型：发明
国别省市：