一种轨道车辆方孔锁松动识别方法技术

技术编号：40607091 阅读：13 留言：0更新日期：2024-03-12 22:13

本发明专利技术公开了一种轨道车辆方孔锁松动识别方法，涉及轨道交通领域，本发明专利技术使用孪生残差多尺度特征融合网络的方孔锁松动识别技术，对于10°的松动取得了99.67％的准确率，对于5°的松动识别准确率达到了87.33％，有更高的识别准确度，是基于孪生残差多尺度特征融合网络的技术，相比于孪生残差网络，孪生残差特征融合网络具有更高的识别准确率，对于10°的四角方孔锁松动取得了99.67％的准确率，对于5°的四角方孔锁松动识别准确率达到了87.33％，满足地铁检修预警准确度高的要求，孪生残差多尺度融合网络具有更强的特征学习能力，对方孔锁图像错位有更强的适应性，能快速给出客观、准确的检测分析结果，解决人工检查作业效率低等问题。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术涉及轨道交通领域，尤其涉及一种轨道车辆方孔锁松动识别方法。

技术介绍

1、轨道车辆方孔锁是用于固定轨道车辆车轮的一种锁具，它的作用是确保停放的轨道车辆不会意外移动，增加停车安全。方孔锁通常安装在停车轨道上，车辆停放时可以将方孔锁锁定在轨道的相应位置，车轮被夹住，从而固定车辆位置，防止车辆滑动或移动，在使用时，用户可以使用专门的钥匙或操作手柄来打开或关闭方孔锁。

2、方孔锁是用于紧固设备外部裙板的重要部件，在地铁电客车检修作业量逐年上升的背景下，以人工检查为主的方孔锁松动异常识别手段，存在检修效率低且难以保证检修质量的问题，目前检修行业自动化替代人工检查已成为发展趋势，通过轨旁图像采集设备获得的当前方孔锁图像与历史过车时该方孔锁的图像进行比较，结合当前图像和历史图像中的信息，利用机器学习算法进行松动识别是行业内的通用做法，但模板匹配和svm分类器等传统的机器学习算法应用条件苛刻，难以保证识别的稳定性。

技术实现思路

1、本专利技术的目的在于提供一种轨道车辆方孔锁松动识别方法用于提高方孔锁松动检修效率和检修准确率的目的。

2、本专利技术为解决上述技术问题，采用以下技术方案来实现：

3、一种轨道车辆方孔锁松动识别方法，包括以下步骤：

4、s1、通过安装在轨道周围的摄像头，获取车辆方孔锁位置的实时图像，收集方孔锁图片数据并存储；

5、s2、使用权重共享的残差网络，分别提取当前图像和历史图像在不同尺度下的深度特征；

6、s3、利用ffm模块，分别融合两个图像在相同尺度下的特征；

7、s4、将不同尺度下得到的融合特征按通道拼接后传入全连接层，进行差异识别；

8、s5、通过类别激活图展示图像中每个像素对最终识别结果；

9、s6、通过方孔锁松动数据增广算法，对收集到的方孔锁图像进行训练和测试深度学习网络，识别松动数据和未松动数据。

10、优选地，在步骤s2中，权重共享的残差网络采用resnet残差网络作为特征提取网络。

11、优选地，在步骤s3中，ffm模块进行特征融合，包括以下分步骤：

12、s31、通过卷积层将特征图的深度整合到指定大小，之后利用全局平均池化层，在保持特征深度不变的情况下，将2个特征图采样到1×1大小；

13、s32、经过批归一化层，统一空间分布后，分别展开为一维的特征向量；

14、s33、将2个特征向量拼接，传入1个全连接层，得到融合后的深度特征。

15、优选地，在步骤s33中，全连接层能够整合全局信息，赋予ffm模块更强的特征融合能力，在识别方孔锁松动时，能够让网络将注意力更多地集中在对识别影响更大的方孔锁的中心区域。

16、优选地，在步骤s6中，采用pytorch神经网络框架，进行训练和测试深度学习网络，其使用gpu为titan rtx。

17、优选地，在步骤s6中，方孔锁松动数据增广算法，训练时使用交叉熵作为损失函数，引导网络学习，其数学表达式为：式中：n为每个训练批次中图像的数量，yi为样本的标签，pi为网络预测的结果。

18、优选地，在步骤s6中，方孔锁松动数据增广算法测试时，针对数据集中样本类别数量不均衡的情况，使用二分类的f-score评价指标，衡量深度学习网络的性能，定义为：

19、f–score＝(2*precision*recall)/(precision+recall)，式中：precision为精准率，recall为召回率。

20、优选地，在步骤s6中，精准率和召回率表达式分别为：precision＝tp/(tp+fp)，recall＝tp/(tp+fn)，式中：tp为被正确预测的正样本数量，fp为被错误预测的正样本的数量，fn为被错误预测的负样本的数量。

21、优选地，在步骤s6中，方孔锁松动数据为正样本，未松动数据为负样本。

22、优选地，在步骤s5中，类别激活图能够以可视化的方式展示图像中每个像素对最终识别结果的贡献程度。

23、本专利技术的有益效果是：

24、1、本专利技术使用孪生残差多尺度特征融合网络的方孔锁松动识别技术，对于10°的松动取得了99.67％的准确率，对于5°的松动识别准确率达到了87.33％，有更高的识别准确度，是基于孪生残差多尺度特征融合网络的技术，相比于孪生残差网络，孪生残差特征融合网络具有更高的识别准确率，对于10°的四角方孔锁松动取得了99.67％的准确率，对于5°的四角方孔锁松动识别准确率达到了87.33％，满足地铁检修预警准确度高的要求。

25、2、本专利技术孪生残差多尺度融合网络具有更强的特征学习能力，对方孔锁图像错位有更强的适应性。

26、3、本专利技术的识别方法能快速给出客观、准确的检测分析结果，解决人工检查作业效率低等问题。

本文档来自技高网...

【技术保护点】

1.一种轨道车辆方孔锁松动识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种轨道车辆方孔锁松动识别方法，其特征在于，在步骤S2中，权重共享的残差网络采用ResNet残差网络作为特征提取网络。

3.根据权利要求1所述的一种轨道车辆方孔锁松动识别方法，其特征在于，在步骤S3中，FFM模块进行特征融合，包括以下分步骤：

4.根据权利要求1所述的一种轨道车辆方孔锁松动识别方法，其特征在于，在步骤S33中，全连接层能够整合全局信息，赋予FFM模块更强的特征融合能力，在识别方孔锁松动时，能够让网络将注意力更多地集中在对识别影响更大的方孔锁的中心区域。

5.根据权利要求1所述的一种轨道车辆方孔锁松动识别方法，其特征在于，在步骤S6中，采用Pytorch神经网络框架，进行训练和测试深度学习网络，其使用GPU为TITAN RTX。

6.根据权利要求1所述的一种轨道车辆方孔锁松动识别方法，其特征在于，在步骤S6中，方孔锁松动数据增广算法，训练时使用交叉熵作为损失函数，引导网络学习，其数学表达式为：式中：N为每个训练批次中图像

7.根据权利要求1所述的一种轨道车辆方孔锁松动识别方法，其特征在于，在步骤S6中，方孔锁松动数据增广算法测试时，针对数据集中样本类别数量不均衡的情况，使用二分类的F-score评价指标，衡量深度学习网络的性能，定义为：

8.根据权利要求1所述的一种轨道车辆方孔锁松动识别方法，其特征在于，在步骤S6中，精准率和召回率表达式分别为：Precision＝TP/(TP+FP)，Recall＝TP/(TP+FN)，式中：TP为被正确预测的正样本数量，FP为被错误预测的正样本的数量，FN为被错误预测的负样本的数量。

9.根据权利要求1所述的一种轨道车辆方孔锁松动识别方法，其特征在于，在步骤S6中，方孔锁松动数据为正样本，未松动数据为负样本。

10.根据权利要求1所述的一种轨道车辆方孔锁松动识别方法，其特征在于，在步骤S5中，类别激活图能够以可视化的方式展示图像中每个像素对最终识别结果的贡献程度。

...

【技术特征摘要】

1.一种轨道车辆方孔锁松动识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种轨道车辆方孔锁松动识别方法，其特征在于，在步骤s2中，权重共享的残差网络采用resnet残差网络作为特征提取网络。

3.根据权利要求1所述的一种轨道车辆方孔锁松动识别方法，其特征在于，在步骤s3中，ffm模块进行特征融合，包括以下分步骤：

4.根据权利要求1所述的一种轨道车辆方孔锁松动识别方法，其特征在于，在步骤s33中，全连接层能够整合全局信息，赋予ffm模块更强的特征融合能力，在识别方孔锁松动时，能够让网络将注意力更多地集中在对识别影响更大的方孔锁的中心区域。

5.根据权利要求1所述的一种轨道车辆方孔锁松动识别方法，其特征在于，在步骤s6中，采用pytorch神经网络框架，进行训练和测试深度学习网络，其使用gpu为titan rtx。

6.根据权利要求1所述的一种轨道车辆方孔锁松动识别方法，其特征在于，在步骤s6中，方孔锁松动数据增广算法，训练时使用交叉熵作为损失函数，引导网络...

【专利技术属性】
技术研发人员：谭文举，马进火，任崇会，李福斌，郑吴富，韦忠潮，周子杰，莫厶矿，凌沛文，梁家智，
申请(专利权)人：南宁轨道交通集团有限责任公司，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人