一种密贴检查器在线监测方法、设备及存储介质技术

本发明专利技术涉及道岔密贴检查器参数检测领域，公开了一种密贴检查器在线监测方法、设备及存储介质，该方法包括：获取密贴检查器内的目标特征点图像，对目标特征点图像进行分类标注并制作成训练集；建立YOLOv7

【技术实现步骤摘要】
一种密贴检查器在线监测方法、设备及存储介质


[0001]本专利技术涉及道岔密贴检查器参数检测领域，特别是涉及一种密贴检查器在线监测方法、设备及存储介质。

技术介绍

[0002]道岔是铁路网的咽喉和关节，也是铁路网中较为薄弱的环节，是事故频繁发生的地方。密贴检查器是反映道岔尖轨或心轨位置状态的设备，用于检查尖轨和心轨的密贴状态，也可以用于道岔挤岔时切断表示。密贴检查器随着道岔频繁的动作，由于受路基、钢轨等条件的影响，故障率较高，出现各种故障现象，有不少为原因不明确的故障，一时难以排除，严重地影响行车效率。维修人员对设备标准不熟悉、设备装配不良、材质老化、产品设计缺陷等问题导致高铁行车安全存在隐患。因此对高铁密贴检查器的在线监测十分有必要。
[0003]目前，密贴检查器只能通过人工现场巡检查看密贴和斥离状态，这种运维模式的效率较低。这种基于静态数据的“定期修”、“故障修”的铁路设备运维模式，难以实现铁路运维系统对提高安全保障能力的需求。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种密贴检查器在线监测方法、设备及存储介质，可以简单便捷同时方便实时监测密贴检查器内部数据，提高安全保障能力和检测精度，降低实时检测延迟。其具体方案如下：
[0005]一种密贴检查器在线监测方法，包括：
[0006]获取密贴检查器内的目标特征点图像，对所述目标特征点图像进行分类标注并制作成训练集；
[0007]建立YOLOv7
‑
g
n
Conv神经网络模型；
[0008]利用所述训练集对建立的所述YOLOv7
‑
g
n
Conv神经网络模型进行训练；
[0009]获取密贴检查器内的待测目标特征点图像，将所述待测目标特征点图像输入至训练好的所述YOLOv7
‑
g
n
Conv神经网络模型中，输出密贴检查器内部的监测数据。
[0010]优选地，在本专利技术实施例提供的上述密贴检查器在线监测方法中，还包括：
[0011]根据所述待测目标特征点图像的监测数据，获取动圆接点打入静簧片接点的深度、静簧片接点的形变量；
[0012]根据所述动圆接点打入静簧片接点的深度和所述静簧片接点的形变量，计算接触点的压力；
[0013]根据所述接触点的压力和所述动圆接点打入静簧片接点的深度，得到所述待测密贴检查器的故障情况。
[0014]优选地，在本专利技术实施例提供的上述密贴检查器在线监测方法中，对所述目标特征点图像进行分类标注，包括：
[0015]根据特征点种类、光线明暗程度和故障类型，对所述目标特征点图像进行分类；
[0016]对分类后的所述目标特征点图像中目标特征点的位置信息进行标注。
[0017]优选地，在本专利技术实施例提供的上述密贴检查器在线监测方法中，在建立YOLOv7
‑
g
n
Conv神经网络模型的过程中，包括：
[0018]构建高效聚合网络ELAN和MP结构作为YOLOv7神经网络模型的骨干模块；
[0019]构建SPPCPC层、多个BConv层、多个MPConv层、多个Catconv层、RepVGG block层来组成所述YOLOv7神经网络模型的头部模块；
[0020]构建用于采用注意力机制对所述头部模块输出的不同特征图进行特征提取的预测层作为所述YOLOv7神经网络模型的预测模块；
[0021]构建g
n
Conv模块并添加至所述YOLOv7神经网络模型中，以建立所述YOLOv7
‑
g
n
Conv神经网络模型。
[0022]优选地，在本专利技术实施例提供的上述密贴检查器在线监测方法中，在对建立的所述YOLOv7神经网络模型进行训练的过程中，包括：
[0023]利用所述g
n
Conv模块通过门控卷积和递归设计执行高阶空间交互；
[0024]将自注意力中的二阶交互扩展到任意阶。
[0025]优选地，在本专利技术实施例提供的上述密贴检查器在线监测方法中，采用下述公式计算接触点的压力：
[0026]F＝
‑
0.141x2+1.698xy+0.385y2+1.000x+8.329y
‑
2.190
[0027]其中，F表示接触点的压力，x表示动圆接点打入静簧片接点的深度、y表示静簧片接点的形变量。
[0028]优选地，在本专利技术实施例提供的上述密贴检查器在线监测方法中，当所述动圆接点打入静簧片接点的深度为负或所述静簧片接点的形变量超出设定范围时，则所述接触点的压力为零。
[0029]优选地，在本专利技术实施例提供的上述密贴检查器在线监测方法中，获取密贴检查器内的目标特征点图像，包括：
[0030]利用OpenCV中的Cv2.VideoCapture()函数调用并打开相机模块，以便所述相机模块拍摄所述密贴检查器内包括多个动静接点和侧面缺口接点的目标特征点图像；
[0031]接收所述相机模块拍摄的所述目标特征点图像。
[0032]本专利技术实施例还提供了一种密贴检查器在线监测设备，包括处理器和存储器，其中，所述处理器执行所述存储器中存储的计算机程序时实现如本专利技术实施例提供的上述密贴检查器在线监测方法。
[0033]本专利技术实施例还提供了一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如本专利技术实施例提供的上述密贴检查器在线监测方法。
[0034]从上述技术方案可以看出，本专利技术所提供的一种密贴检查器在线监测方法，包括：获取密贴检查器内的目标特征点图像，对目标特征点图像进行分类标注并制作成训练集；建立YOLOv7
‑
g
n
Conv神经网络模型；利用训练集对建立的YOLOv7
‑
g
n
Conv神经网络模型进行训练；获取密贴检查器内的待测目标特征点图像，将待测目标特征点图像输入至训练好的YOLOv7
‑
g
n
Conv神经网络模型中，输出密贴检查器内部的监测数据。
[0035]本专利技术提供的上述密贴检查器在线监测方法，区别于传统方法依靠人工拆卸检测密检器，采用机器视觉结合深度学习这种无接触式检测方式，简单便捷同时方便实时监测
密贴检查器内部数据，无需人工上道检查，提高安全保障能力；另外本专利技术通过在YOLOv神经网络中加入g
n
Conv模块来处理获取的密贴检查器内的目标特征点图像，具有高度灵活性和可定制性，在监测的过程中无需引入大量额外计算，提升了自适应能力和高阶空间交互能力，且检测精度高，实时检测延迟低。
[0036]此外，本专利技术还针对密贴检查器在线监测方法提供了相应的设备及计算机可读存储介质，进一步使得上述方法更具有实用性，该设备及计算机可读存储本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种密贴检查器在线监测方法，其特征在于，包括：获取密贴检查器内的目标特征点图像，对所述目标特征点图像进行分类标注并制作成训练集；建立YOLOv7
‑
g
n
Conv神经网络模型；利用所述训练集对建立的所述YOLOv7
‑
g
n
Conv神经网络模型进行训练；获取密贴检查器内的待测目标特征点图像，将所述待测目标特征点图像输入至训练好的所述YOLOv7
‑
g
n
Conv神经网络模型中，输出密贴检查器内部的监测数据。2.根据权利要求1所述的密贴检查器在线监测方法，其特征在于，还包括：根据所述待测目标特征点图像的监测数据，获取动圆接点打入静簧片接点的深度、静簧片接点的形变量；根据所述动圆接点打入静簧片接点的深度和所述静簧片接点的形变量，计算接触点的压力；根据所述接触点的压力和所述动圆接点打入静簧片接点的深度，得到密贴检查器的故障情况。3.根据权利要求1所述的密贴检查器在线监测方法，其特征在于，对所述目标特征点图像进行分类标注，包括：根据特征点种类、光线明暗程度和故障类型，对所述目标特征点图像进行分类；对分类后的所述目标特征点图像中目标特征点的位置信息进行标注。4.根据权利要求1所述的密贴检查器在线监测方法，其特征在于，在建立YOLOv7
‑
g
n
Conv神经网络模型的过程中，包括：构建高效聚合网络ELAN和MP结构作为YOLOv7神经网络模型的骨干模块；构建SPPCPC层、多个BConv层、多个MPConv层、多个Catconv层、RepVGG block层来组成所述YOLOv7神经网络模型的头部模块；构建用于采用注意力机制对所述头部模块输出的不同特征图进行特征提取的预测层作为所述YOLOv...

【专利技术属性】
技术研发人员：吴澎宇，任红光，
申请(专利权)人：苏州固镕电子科技有限公司，
类型：发明
国别省市：