接触网零部件缺陷检测方法及装置制造方法及图纸

本申请涉及一种接触网零部件缺陷检测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取所述接触网零部件的图像数据；对所述图像数据进行截取，得到目标模板图像；基于深度卷积神经网络模型对所述图像数据进行处理，得到特征提取模型；所述深度卷积神经网络模型包括卷积自编码模型；根据所述特征提取模型，对所述目标模板图像和待检测零部件图像进行相似度匹配，以输出检测结果。采用本方法能够有效提高接触网零部件缺陷检测结果的准确性。结果的准确性。结果的准确性。

【技术实现步骤摘要】
接触网零部件缺陷检测方法及装置


[0001]本申请涉及图像检测处理
，特别是涉及一种接触网零部件缺陷检测方法及装置。

技术介绍

[0002]铁路系统中关于接触网悬挂状态检测监测装置(又称4C系统)对螺母、开口销、绝缘子等相关零部件的检测，需要在高分辨率图像中完成自动识别与分析，从而形成维修建议并指导接触网检修。目前，对缺陷识别几乎全部依赖人工标注数据集，然后使用神经网络的深度学习方法对目标区域(Region Of Interest，ROI)进行定位和零部件的检测与缺陷识别。
[0003]然而，对大规模图像进行人工标注工作耗时费力，且传统方法的有效性高度依赖于数据标注的质量，存在检测结果不准确的问题。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种接触网零部件缺陷检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种接触网零部件缺陷检测方法。所述方法包括：
[0006]获取所述接触网零部件的图像数据；
[0007]对所述图像数据进行截取，得到目标模板图像；
[0008]基于深度卷积神经网络模型对所述图像数据进行处理，得到特征提取模型；所述深度卷积神经网络模型包括卷积自编码模型；
[0009]根据所述特征提取模型，对所述目标模板图像和待检测零部件图像进行相似度匹配，以输出检测结果。
[0010]在其中一个实施例中，所述基于深度卷积神经网络模型对所述图像数据进行处理，得到特征提取模型的步骤包括：
[0011]对所述图像数据进行预设尺寸的滑窗切块，得到图像块数据；所述预设尺寸包括大尺寸；
[0012]将所述图像块数据进行预检测处理，得到目标图像块数据；
[0013]对所述目标图像块数据进行分块裁剪，得到子图像块数据；
[0014]将所述子图像块数据输入所述卷积自编码模型进行训练，获得所述特征提取模型。
[0015]在其中一个实施例中，所述将所述图像块数据进行预检测处理，得到目标图像块数据的步骤包括：
[0016]对所述图像块数据进行灰度化处理得到灰度图像块数据；
[0017]基于图像分割模型，将所述灰度图像块数据进行二值化得到二值图像块数据；
[0018]对所述二值图像块数据进行形态学变化处理，以得到每个二值图像块相应的轮廓
面积数据；
[0019]将所述轮廓面积数据大于等于轮廓面积阈值的二值图像块，确定为所述目标图像块数据。
[0020]在其中一个实施例中，所述卷积自编码模型包括编码模型和解码模型；所述将所述子图像块数据输入所述卷积自编码模型进行训练，获得所述特征提取模型的步骤包括：
[0021]依次采用所述编码模型和所述解码模型对所述子图像块数据进行预设次数训练；在所述预设次数训练完成的情况下，剔除所述解码模型，将保留的所述编码模型确定为所述特征提取模型。
[0022]在其中一个实施例中，所述根据所述特征提取模型，对所述目标模板图像和待检测零部件图像进行相似度匹配，以输出检测结果的步骤包括：
[0023]对所述待检测零部件图像依次进行切块、预检测和分块裁剪处理，得到待检测子图像块；
[0024]将所述目标模板图像和所述待检测子图像块分别输入所述特征提取模型进行正向传播，以提取模板中间层特征图和待检测中间层特征图；
[0025]处理所述模板中间层特征图和所述待检测中间层特征图，获得所述检测结果。
[0026]在其中一个实施例中，所述模板中间层特征图包括模板内容特征图和模板样式特征图；所述待检测中间层特征图包括待检测内容特征图和待检测样式特征图；所述检测结果包括缺陷分类结果和缺陷定位结果；
[0027]所述处理所述模板中间层特征图和所述待检测中间层特征图，获得所述检测结果的步骤包括：
[0028]基于所述模板内容特征图和所述待检测内容特征图，确定各待检测子图像块关于各目标模板图像的内容距离数据；
[0029]根据所述模板样式特征图和所述待检测样式特征图，确定所述各待检测子图像块关于所述各目标模板图像的样式距离数据；
[0030]基于所述内容距离数据和所述样式距离数据，依次获得所述缺陷分类结果和所述缺陷定位结果。
[0031]第二方面，本申请还提供了一种接触网零部件缺陷检测装置。所述装置包括：
[0032]数据获取模块，用于获取所述接触网零部件的图像数据；
[0033]截取模块，用于对所述图像数据进行截取，得到目标模板图像；
[0034]特征提取模块，用于基于深度卷积神经网络模型对所述图像数据进行处理，得到特征提取模型；
[0035]检测处理模块，用于根据所述特征提取模型，对所述目标模板图像和待检测零部件图像进行相似度匹配，以输出检测结果。
[0036]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0037]获取所述接触网零部件的图像数据；
[0038]对所述图像数据进行截取，得到目标模板图像；
[0039]基于深度卷积神经网络模型对所述图像数据进行处理，得到特征提取模型；所述深度卷积神经网络模型包括卷积自编码模型；
[0040]根据所述特征提取模型，对所述目标模板图像和待检测零部件图像进行相似度匹配，以输出检测结果。
[0041]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0042]获取所述接触网零部件的图像数据；
[0043]对所述图像数据进行截取，得到目标模板图像；
[0044]基于深度卷积神经网络模型对所述图像数据进行处理，得到特征提取模型；所述深度卷积神经网络模型包括卷积自编码模型；
[0045]根据所述特征提取模型，对所述目标模板图像和待检测零部件图像进行相似度匹配，以输出检测结果。
[0046]第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0047]获取所述接触网零部件的图像数据；
[0048]对所述图像数据进行截取，得到目标模板图像；
[0049]基于深度卷积神经网络模型对所述图像数据进行处理，得到特征提取模型；所述深度卷积神经网络模型包括卷积自编码模型；
[0050]根据所述特征提取模型，对所述目标模板图像和待检测零部件图像进行相似度匹配，以输出检测结果。
[0051]上述接触网零部件缺陷检测方法、装置、计算机设备、存储介质和计算机程序产品，通过对获取的接触网零部件的图像数据进行截取得到目标模板图像，以及采用深度卷积神经网络模型处理该图像数据得到特征提取模型，进而根据该特征提取模型对目标模板图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种接触网零部件缺陷检测方法，其特征在于，所述方法包括：获取所述接触网零部件的图像数据；对所述图像数据进行截取，得到目标模板图像；基于深度卷积神经网络模型对所述图像数据进行处理，得到特征提取模型；所述深度卷积神经网络模型包括卷积自编码模型；根据所述特征提取模型，对所述目标模板图像和待检测零部件图像进行相似度匹配，以输出检测结果。2.根据权利要求1所述的方法，其特征在于，所述基于深度卷积神经网络模型对所述图像数据进行处理，得到特征提取模型的步骤包括：对所述图像数据进行预设尺寸的滑窗切块，得到图像块数据；所述预设尺寸包括大尺寸；将所述图像块数据进行预检测处理，得到目标图像块数据；对所述目标图像块数据进行分块裁剪，得到子图像块数据；将所述子图像块数据输入所述卷积自编码模型进行训练，获得所述特征提取模型。3.根据权利要求2所述的方法，其特征在于，所述将所述图像块数据进行预检测处理，得到目标图像块数据的步骤包括：对所述图像块数据进行灰度化处理得到灰度图像块数据；基于图像分割模型，将所述灰度图像块数据进行二值化得到二值图像块数据；对所述二值图像块数据进行形态学变化处理，以得到每个二值图像块相应的轮廓面积数据；将所述轮廓面积数据大于等于轮廓面积阈值的二值图像块，确定为所述目标图像块数据。4.根据权利要求2所述的方法，其特征在于，所述卷积自编码模型包括编码模型和解码模型；所述将所述子图像块数据输入所述卷积自编码模型进行训练，获得所述特征提取模型的步骤包括：依次采用所述编码模型和所述解码模型对所述子图像块数据进行预设次数训练；在所述预设次数训练完成的情况下，剔除所述解码模型，将保留的所述编码模型确定为所述特征提取模型。5.根据权利要求1至4任意一项所述的方法，其特征在于，所述根据所述特征提取模型，对所述目标模板图像和待检测零部件图像进行相似度匹配，以输出检测结果的步骤包括：对所述待检测零部件图像依次进...

【专利技术属性】
技术研发人员：张剑，郭尽朝，罗建涛，
申请(专利权)人：国能包神铁路集团有限责任公司，
类型：发明
国别省市：