一种基于深度学习的第三轨焊点检测方法及装置制造方法及图纸

本申请提供了一种基于深度学习的第三轨焊点检测方法及装置，其中，该方法包括：采集待检测的第三轨焊点的图像；对所述待检测的第三轨焊点的图像进行图像分割处理，以提取包含第三轨焊点的感兴趣区域；利用残差网络结构构建残差神经网络模型；利用焊点样本对所述残差神经网络模型进行训练；利用训练好的所述残差神经网络模型对所述包含第三轨焊点的感兴趣区域进行第三轨焊点检测。本申请实施例使用较少的资源就可以实现高效的焊点自动化检测。的资源就可以实现高效的焊点自动化检测。的资源就可以实现高效的焊点自动化检测。

【技术实现步骤摘要】
一种基于深度学习的第三轨焊点检测方法及装置


[0001]本申请涉及焊点检测
，尤其是涉及一种基于深度学习的第三轨焊点检测方法及装置。

技术介绍

[0002]焊点是由集电靴和第三轨接触不均匀造成的，焊点使得第三轨更容易磨损或其他损害。因此，目前采用焊点检测作为一项轨道损害分析和预防的有效基础手段。
[0003]现有技术中，采用人工检测方法来进行焊点检测。但是通过人工检测方法来检测焊点，会导致焊点检测效率低且成本高。
[0004]为了解决上述问题，目前采用传统图像处理的方法来进行焊点检测。但是在该方法中使用人工设计的特征进行分类，无法实现高效、自动地检测第三轨焊点的位置。

技术实现思路

[0005]有鉴于此，本申请的目的在于提供一种基于深度学习的第三轨焊点检测方法及装置，以实现高效的焊点自动化检测。
[0006]第一方面，本申请实施例提供了一种基于深度学习的第三轨焊点检测方法，包括：
[0007]采集待检测的第三轨焊点的图像；
[0008]对所述待检测的第三轨焊点的图像进行图像分割处理，以提取包含第三轨焊点的感兴趣区域；
[0009]利用残差网络结构构建残差神经网络模型；
[0010]利用焊点样本对所述残差神经网络模型进行训练；
[0011]利用训练好的所述残差神经网络模型对所述包含第三轨焊点的感兴趣区域进行第三轨焊点检测。
[0012]结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，在对所述待检测的第三轨焊点的图像进行图像分割处理前，还包括：
[0013]对所述待检测的第三轨焊点的图像进行包括高斯模糊、膨胀和腐蚀中至少一项的预处理。
[0014]结合第一方面，本申请实施例提供了第一方面的第二种可能的实施方式，其中，对所述待检测的第三轨焊点的图像进行图像分割处理，以提取包含第三轨焊点的感兴趣区域，包括：
[0015]对所述待检测的第三轨焊点的图像进行二值化处理，得到二值化图像；
[0016]对所述二值化图像进行边缘检测和联通域分析，以提取包含第三轨焊点的感兴趣区域。
[0017]结合第一方面，本申请实施例提供了第一方面的第三种可能的实施方式，其中，利用焊点样本对所述残差神经网络模型进行训练，包括：
[0018]采用生成对抗网络生成焊点样本；
[0019]对所述焊点样本进行数据增强处理；所述数据增强处理包括镜像翻转或随机剪切；
[0020]利用数据增强处理后得到的焊点样本对所述残差神经网络模型进行训练。
[0021]第二方面，本申请实施例还提供一种基于深度学习的第三轨焊点检测装置，包括：
[0022]采集模块，用于采集待检测的第三轨焊点的图像；
[0023]分割模块，用于对所述待检测的第三轨焊点的图像进行图像分割处理，以提取包含第三轨焊点的感兴趣区域；
[0024]构建模块，用于利用残差网络结构构建残差神经网络模型；
[0025]训练模块，用于利用焊点样本对所述残差神经网络模型进行训练；
[0026]检测模块，用于利用训练好的所述残差神经网络模型对所述包含第三轨焊点的感兴趣区域进行第三轨焊点检测。
[0027]结合第二方面，本申请实施例提供了第二方面的第一种可能的实施方式，其中，所述装置还包括：预处理模块，用于对所述待检测的第三轨焊点的图像进行包括高斯模糊、膨胀和腐蚀中至少一项的预处理。
[0028]结合第二方面，本申请实施例提供了第二方面的第二种可能的实施方式，其中，所述分割模块包括：
[0029]处理单元，用于对所述待检测的第三轨焊点的图像进行二值化处理，得到二值化图像；
[0030]提取单元，用于对所述二值化图像进行边缘检测和联通域分析，以提取包含第三轨焊点的感兴趣区域。
[0031]结合第二方面，本申请实施例提供了第二方面的第三种可能的实施方式，其中，所述训练模块包括：
[0032]生成单元，用于采用生成对抗网络生成焊点样本；
[0033]增强单元，用于对所述焊点样本进行数据增强处理；所述数据增强处理包括镜像翻转或随机剪切；
[0034]训练单元，用于利用数据增强处理后得到的焊点样本对所述残差神经网络模型进行训练。
[0035]第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面中任一种可能的实施方式中的步骤。
[0036]第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面中任一种可能的实施方式中的步骤。
[0037]本申请实施例提供的一种基于深度学习的第三轨焊点检测方法及装置，采用采集待检测的第三轨焊点的图像；对所述待检测的第三轨焊点的图像进行图像分割处理，以提取包含第三轨焊点的感兴趣区域；利用残差网络结构构建残差神经网络模型；利用焊点样本对所述残差神经网络模型进行训练；利用训练好的所述残差神经网络模型对所述包含第三轨焊点的感兴趣区域进行第三轨焊点检测。与现有技术中的在传统图像处理的方法中使
用人工设计的特征进行分类，导致的无法实现高效、自动地检测第三轨焊点的位置相比，其利用残差网络结构构建残差神经网络模型，利用训练好的所述残差神经网络模型对所述包含第三轨焊点的感兴趣区域进行第三轨焊点检测，使用较少的资源就可以实现高效的焊点自动化检测。
[0038]进一步，本申请实施例提供的基于深度学习的第三轨焊点检测方法，还可以采用生成对抗网络生成焊点样本；对所述焊点样本进行数据增强处理；所述数据增强处理包括镜像翻转或随机剪切；利用数据增强处理后得到的焊点样本对所述残差神经网络模型进行训练。该检测方法可以采用较少的焊点样本来获得高精度残差神经网络模型，可以解决焊点样本少导致的检测模型过拟合的问题，并提升模型的泛化能力。
[0039]为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0040]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0041]图1示出了本申请实施例所提供的一种基于深度学习的第三轨焊点检测方法的流程图；
[0042]图2示出了待检测的第三轨焊点的图像；
[0043]图3示出了包含第三轨焊点的感兴趣区域；
[0044]图4示出了第三轨焊点检测结果；
[0045]图5示出了本申请实施例所提供的一种基于深度学习的第三轨焊点检测装置的结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的第三轨焊点检测方法，其特征在于，包括：采集待检测的第三轨焊点的图像；对所述待检测的第三轨焊点的图像进行图像分割处理，以提取包含第三轨焊点的感兴趣区域；利用残差网络结构构建残差神经网络模型；利用焊点样本对所述残差神经网络模型进行训练；利用训练好的所述残差神经网络模型对所述包含第三轨焊点的感兴趣区域进行第三轨焊点检测。2.根据权利要求1所述的方法，其特征在于，在对所述待检测的第三轨焊点的图像进行图像分割处理前，还包括：对所述待检测的第三轨焊点的图像进行包括高斯模糊、膨胀和腐蚀中至少一项的预处理。3.根据权利要求1所述的方法，其特征在于，对所述待检测的第三轨焊点的图像进行图像分割处理，以提取包含第三轨焊点的感兴趣区域，包括：对所述待检测的第三轨焊点的图像进行二值化处理，得到二值化图像；对所述二值化图像进行边缘检测和联通域分析，以提取包含第三轨焊点的感兴趣区域。4.根据权利要求1所述的方法，其特征在于，利用焊点样本对所述残差神经网络模型进行训练，包括：采用生成对抗网络生成焊点样本；对所述焊点样本进行数据增强处理；所述数据增强处理包括镜像翻转或随机剪切；利用数据增强处理后得到的焊点样本对所述残差神经网络模型进行训练。5.一种基于深度学习的第三轨焊点检测装置，其特征在于，包括：采集模块，用于采集待检测的第三轨焊点的图像；分割模块，用于对所述待检测的第三轨焊点的图像进行图像分割处理，以提取包含第三轨焊点的感兴趣区域；构建模块，用于...

【专利技术属性】
技术研发人员：黄永祯，杨少鹏，
申请(专利权)人：中科徐州人工智能研究院有限公司，
类型：发明
国别省市：