一种基于深度学习的动车组高压线缆无损检测方法技术

本申请涉及动车组线缆检测技术领域，尤其涉及一种基于深度学习的动车组高压线缆无损检测方法。方法包括：基于X射线检测，获取关于动车组高压线缆的X光样本图片集，以及输入X光样本图片集至样本扩充模型，得到扩充图片集；针对扩充图片集，进行预处理，得到训练图片集；针对标准YOLOv5网络，进行优化处理，得到优化YOLOv5网络；通过训练图片集对优化YOLOv5网络进行训练，得到动车组高压线缆无损检测模型；获取关于动车组高压线缆的X光待测图片集并且输入至动车组高压线缆无损检测模型，得到相应于X光待测图片集的缺陷标注图片集。本申请通过训练动车组高压线缆无损检测模型，可实现高压线缆的自动高效检测，无需人工参与检测，提高了检测效率。高了检测效率。高了检测效率。

【技术实现步骤摘要】
一种基于深度学习的动车组高压线缆无损检测方法


[0001]本申请涉及动车组线缆检测
，尤其涉及一种基于深度学习的动车组高压线缆无损检测方法。

技术介绍

[0002]动车组是国内高铁交通的中坚力量，因此动车组重要零部件的探伤检测甚为重要。
[0003]无损探伤技术可以在不损伤被检对象使用性能的前提下，探测各种内部或表面的缺陷，可以定性甚至定量的判断缺陷的位置和大小、形状，还应能对被评价对象的寿命等进行预测评估，因此开展无损探伤对动车组高压线缆的检测是其质量控制和运行安全的重要保障。
[0004]在现有技术中，可通过X射线检测技术进行无损检测，在进行X射线无损检测时只需要根据结构观察外力破坏部位的各层影像以及电缆型号等即可对电缆的完整性以及损伤程度进行判断，但是由于高压电缆的X光图像存在尺寸大、不清晰、质量差、对比度低、有噪声等问题并且辨别过程中需人工参与，耗时耗力，虽然检测效果很好，但效率过低。

技术实现思路

[0005]本申请提供了一种基于深度学习的动车组高压线缆无损检测方法，能够解决通过X射线对动车组高压线缆进行无损检测时存在的X光图像低质并且辨别过程中需人工参与，耗时耗力的问题。
[0006]本申请的技术方案是一种基于深度学习的动车组高压线缆无损检测方法，包括：
[0007]S1：基于X射线检测，获取关于动车组高压线缆的X光样本图片集，以及输入X光样本图片集至基于标准GAN网络构建的样本扩充模型，相应地得到扩充图片集；
[0008]S2：针对扩充图片集，进行包括图片分块、全局自适应HDR增强和双边滤波的预处理，相应地得到训练图片集；
[0009]S3：针对标准YOLOv5网络，进行包括在骨干网络中改进CBS模块并且通过SPPSE模块替代SPPF模块、在预测网络的上层引入RepVGG轻量级卷积神经网络以及通过SioU损失函数代替CioU损失函数的优化处理，相应地得到优化YOLOv5网络；
[0010]S4：通过训练图片集对优化YOLOv5网络进行训练，相应地得到以关于动车组高压线缆的待检测的X光待测图片集为输入值并且以缺陷标注图片集为输出值的动车组高压线缆无损检测模型；
[0011]S5：获取关于动车组高压线缆的X光待测图片集并且输入至动车组高压线缆无损检测模型，得到相应于X光待测图片集的缺陷标注图片集。
[0012]可选地，所述步骤S1包括：
[0013]S11：基于X射线检测，获取关于动车组高压线缆的包括X光第一样本图片子集和X光第二样本图片子集的X光样本图片集；
[0014]S12：针对标准GAN网络进行优化处理，相应地得到优化GAN网络，所述优化GAN网络的生成器包括5层转置卷积网络并且转置卷积网络中的激活函数包括ReLU激活函数和Tanh激活函数，以及所述优化GAN网络的判别器包括5层传统卷积网络并且传统卷积网络中的激活函数包括LeakyReLU激活函数和Sigmoid激活函数；
[0015]S13：通过X光第一样本图片子集对优化GAN网络进行训练，相应地得到以待扩充图片集为输入值并且以扩充图片集为输出值的样本扩充模型；
[0016]S14：以X光第二样本图片子集作为待扩充图片集，输入至样本扩充模型，相应地得到扩充图片集。
[0017]可选地，所述步骤S2包括：
[0018]S21：针对扩充图片集中的每张图片，进行子图交叠划分处理以及基于交叠划分结果进行区域重叠分割处理，相应地得到第一处理数据集；
[0019]S22：针对第一处理数据集中的每张图片，进行全局自适应HDR增强处理，相应地得到第二处理数据集；
[0020]S23：针对第二处理数据集中的每张图片，进行双边滤波处理，相应地得到训练图片集。
[0021]可选地，所述步骤S3包括：
[0022]S31：针对标准YOLOv5网络，进行包括在骨干网络中改进CBS模块并且通过SPPSE模块替代SPPF模块、在预测网络的上层引入RepVGG轻量级卷积神经网络以及通过SioU损失函数代替CioU损失函数的优化处理，相应地得到优化YOLOv5网络；
[0023]改进后所述的CBS模块包括：呈串联的6
×
6卷积核、BN层和SiLU激活函数层；
[0024]所述SPPSE模块包括：呈顺序连接的SENet注意力机制和SPPCSPC模块。
[0025]有益效果：
[0026]首先，本申请通过将X光样本图片集输入至基于标准GAN网络构建的样本扩充模型，可通过GAN网络克服传统数据扩充方法生成数据图像单一、存在冗余信息的特点；
[0027]其次，本申请通过对扩充图片集进行包括图片分块、全局自适应HDR增强和双边滤波的预处理，可解决常规分割算法中缺陷信息不完整的局限性，还可实现低亮度像素的自适应增强功能，此外还能平滑图像噪声；
[0028]再次，本申请通过对标准YOLOv5网络，进行包括在骨干网络中改进CBS模块并且通过SPPSE模块替代SPPF模块以及在预测网络的上层引入RepVGG轻量级卷积神经网络的优化处理，可获得更多的深浅层特征信息，使骨干网络更有效地捕获低层次小特征，提高模型的小目标检测能力，还可提高提取特征信息的能力和效率以及精度；
[0029]尤其，本申请通过训练动车组高压线缆无损检测模型，可实现高压线缆的自动高效检测，无需人工参与检测；
[0030]综上可知，本申请能够解决通过X射线对动车组高压线缆进行无损检测时存在的X光图像低质并且辨别过程中需人工参与，耗时耗力的问题。
附图说明
[0031]为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，
还可以根据这些附图获得其他的附图。
[0032]图1为本申请实施例中基于深度学习的动车组高压线缆无损检测方法的流程示意图；
[0033]图2为本申请实施例中样本扩充模型中生成器的结构示意图；
[0034]图3为本申请实施例中样本扩充模型中判别器的结构示意图
[0035]图4为本申请实施例中由样本扩充模型得到的扩充图片集的示例图；
[0036]图5为本申请实施例中进行区域重叠分割处理的示例图；
[0037]图6为本申请实施例中进行全局自适应HDR处理前后的对比示例图；
[0038]图7为本申请实施例中进行双边滤波处理前后的对比示例图；
[0039]图8为本申请实施例中动车组高压线缆无损检测模型的结构示意图；
[0040]图9为本申请实施例中改进后CBS模块的结构示意图；
[0041]图10为本申请实施例中SPPSE模块和SENet注意力机制的结构示意图；
[0042]图11为本申请实施例中RepVGG模块的结构示意图；
[0043]图12为本申请实施例中不同网络结构的检测精度的对比示意本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的动车组高压线缆无损检测方法，其特征在于，包括：S1：基于X射线检测，获取关于动车组高压线缆的X光样本图片集，以及输入X光样本图片集至基于标准GAN网络构建的样本扩充模型，相应地得到扩充图片集；S2：针对扩充图片集，进行包括图片分块、全局自适应HDR增强和双边滤波的预处理，相应地得到训练图片集；S3：针对标准YOLOv5网络，进行包括在骨干网络中改进CBS模块并且通过SPPSE模块替代SPPF模块、在预测网络的上层引入RepVGG轻量级卷积神经网络以及通过SioU损失函数代替CioU损失函数的优化处理，相应地得到优化YOLOv5网络；S4：通过训练图片集对优化YOLOv5网络进行训练，相应地得到以关于动车组高压线缆的待检测的X光待测图片集为输入值并且以缺陷标注图片集为输出值的动车组高压线缆无损检测模型；S5：获取关于动车组高压线缆的X光待测图片集并且输入至动车组高压线缆无损检测模型，得到相应于X光待测图片集的缺陷标注图片集。2.根据权利要求1所述的基于深度学习的动车组高压线缆无损检测方法，其特征在于，所述步骤S1包括：S11：基于X射线检测，获取关于动车组高压线缆的包括X光第一样本图片子集和X光第二样本图片子集的X光样本图片集；S12：针对标准GAN网络进行优化处理，相应地得到优化GAN网络，所述优化GAN网络的生成器包括5层转置卷积网络并且转置卷积网络中的激活函数包括ReLU激活函数和Tanh激活函数，以及所述优化GAN网络...

【专利技术属性】
技术研发人员：杜巧玲，卢任达，卢宏，
申请(专利权)人：吉林大学，
类型：发明
国别省市：