【技术实现步骤摘要】
本专利技术涉及工务设备病害识别，尤其涉及一种工务设备病害识别方法及装置。
技术介绍
1、设备病害的及时检修和修复对于保障高速铁路运营的安全和稳定至关重要；受到季节性天气变化等环境因素的影响，每年的春秋季是高速铁路工务段最容易发生设备事故的时期，因此待检修的设备数量繁多，给设备维护和检修带来了极大挑战。传统的病害识别方法主要依赖于人工观察与判断，对巡检员的专业水平和经验有较高的要求；然而，由于春秋季工务设备病害数量庞大且种类繁多，人工识别不仅耗时耗力，而且容易出现误检的情况，导致了春秋检修效率及准确性低下的问题；因此，开发一种自动化的病害识别系统对于提高春秋季铁路工务设备检修的效率和准确性具有重要意义。
2、随着近几年图像检测技术、计算机视觉技术的发展，国内开展了许多基于深度学习的卷积神经网络的病害自动识别方法的研究，并在一定基础上取得了良好的识别分类效果。例如：公开号为cn114066878a的专利技术专利申请中，公开了一种基于yolov5深度学习算法的桥梁病害自动识别方法；该专利技术主要包含以下步骤：(1)对桥梁病害视频进行截图，构建相关数据集。(2)引入注意力机制模块yolov5算法，对其网络结构和损失函数进行调优，分批训练病害识别模型。(3)观察模型在训练过程中的收敛及拟合情况，并持续调整超参数。(4)利用训练好的模型进行病害识别，输出病害类别及定位结果，生成xml文件。现有技术的该桥梁病害自动识别方法虽然可完成桥梁病害的自动识别，相对于人工识别方法提高了识别效率，但是现有技术的该桥梁病害自动识别方法仅针对特定
技术实现思路
1、鉴于此，本专利技术实施例提供了一种工务设备病害识别方法及装置，以消除或改善现有技术中存在的一个或更多个缺陷。
2、本专利技术的一个方面提供了一种工务设备病害识别方法，所述方法包括：
3、获取待识别工务设备图像；
4、将所述待识别工务设备图像输入至训练好的设备识别模型中得到所述待识别工务设备图像对应的工务设备识别结果；
5、基于所述工务设备识别结果从病害识别模型组中确定与所述工务设备识别结果中的设备类型对应的第一病害识别模型，将所述待识别工务设备图像输入至训练好的所述第一病害识别模型中得到所述待识别工务设备图像对应的设备病害识别结果。
6、在本专利技术的一些实施例中，所述设备识别模型包括第一卷积层、第一flatten层、第一全连接层、第一dropout层和第一输出层；和/或，
7、所述病害识别模型包括第二卷积层、最大池化层、残差块、全局平均池化层、第二flatten层、第二全连接层、第二dropout层和第二输出层。
8、在本专利技术的一些实施例中，所述病害识别模型组中包括多个病害识别模型，且所述多个病害识别模型对应的设备类型不同；和/或，
9、将所述待识别工务设备图像输入至训练好的所述第一病害识别模型中得到所述待识别工务设备图像对应的设备病害识别结果，包括：
10、将所述待识别工务设备图像划分为多个候选框；
11、将各所述候选框内的图像输入至训练好的所述第一病害识别模型得到所述待识别工务设备图像的设备病害识别结果，所述设备病害识别结果包括病害区域以及病害类型；
12、基于识别得到的所述病害区域在所述待识别工务设备图像上绘制病害区域边界框；
13、基于识别得到的所述病害类型在所述病害区域边界框内标注病害类型。
14、在本专利技术的一些实施例中，基于所述工务设备识别结果从病害识别模型组中确定与所述工务设备识别结果中的设备类型对应的第一病害识别模型，包括：
15、通过条件逻辑或字典查询从病害识别模型组中确定与所述工务设备识别结果中的设备类型对应的第一病害识别模型。
16、在本专利技术的一些实施例中，所述方法包括：
17、构建样本数据集，基于所述样本数据集对初始的设备识别模型进行预训练得到训练好的设备识别模型，以及基于所述样本数据集对初始的各病害识别模型进行预训练得到训练好的各病害识别模型；其中，所述样本数据集中的样本数据包括工务设备图像样本数据、工务设备识别结果样本数据和设备病害识别结果样本数据。
18、在本专利技术的一些实施例中，基于所述样本数据集对初始的设备识别模型进行预训练得到训练好的设备识别模型，包括：
19、基于预训练好的vgg16模型的卷积层迁移学习得到所述设备识别模型的第一卷积层；和/或，
20、基于所述样本数据集对初始的各病害识别模型进行预训练得到训练好的各病害识别模型，包括：基于预训练好的resnet50模型的卷积层迁移学习得到所述病害识别模型的第二卷积层。
21、在本专利技术的一些实施例中，构建样本数据集包括：
22、采集各类工务设备对应的工务设备图像样本数据；
23、对各类工务设备对应的工务设备图像样本数据进行设备类型标注以及病害类型标注；
24、将标注后的多个工务设备图像样本数据基于设备类型划分为多个子数据集；
25、对各所述子数据集中的工务设备图像样本数据进行数据清洗和数据增强；
26、将数据清洗和数据增强后的各所述子数据集划分为训练集、验证集和测试集。
27、在本专利技术的一些实施例中，设备类型包括道岔、线路、钢轨、调节器、焊缝、无砟轨道、有砟轨道和无砟道床；和/或，
28、所述设备识别模型的损失函数为：其中，n表示样本数据数量，k表示设备类别数量,tn，k表示第n个样本在第k个设备类别上的真实标签，yn，k表示模型对第n个样本属于第k个设备类别的预测概率；
29、所述病害识别模型的正则化算法为：其中，l0表示交叉熵损失,λ表示正则化系数,wi表示权重，m表示样本数量。
30、根据本专利技术的另一方面，还公开了一种工务设备病害识别系统，包括处理器、存储器及存储在存储器上的计算机程序，所述处理器用于执行所述计算机程序，当所述计算机程序被执行时该系统实现如上任一实施例所述方法的步骤。
31、根据本专利技术的再一方面，公开了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上任一实施例所述方法的步骤。
32、本专利技术上述实施例所公开的工务设备病害识别方法及装置，首先基于设备识别模型识别得到待识别工务设备图像的设备类型，然后再确定与设备类型对应的第一病害识别模型，并基于第一病害识别模型识别待识别工务设备图像中的设备病害类型。该方法基于与设备类型匹配的病害识别模型对设备病害进行精准识别和定位，不仅可识别各种类型的工务设备的设备病害，还提高了工务设备病害识别的准确度和效率。
33、另外，本申请的设备识别模型的第一卷积层基于vgg16模本文档来自技高网...
【技术保护点】
1.一种工务设备病害识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的工务设备病害识别方法，其特征在于，所述设备识别模型包括第一卷积层、第一flatten层、第一全连接层、第一dropout层和第一输出层；和/或，
3.根据权利要求2所述的工务设备病害识别方法，其特征在于，所述病害识别模型组中包括多个病害识别模型，且所述多个病害识别模型对应的设备类型不同；和/或，
4.根据权利要求3所述的工务设备病害识别方法，其特征在于，基于所述工务设备识别结果从病害识别模型组中确定与所述工务设备识别结果中的设备类型对应的第一病害识别模型，包括：
5.根据权利要求3所述的工务设备病害识别方法，其特征在于，所述方法包括：
6.根据权利要求5所述的工务设备病害识别方法，其特征在于，
7.根据权利要求5所述的工务设备病害识别方法，其特征在于，构建样本数据集包括：
8.根据权利要求5至7中任意一项所述的工务设备病害识别方法，其特征在于，设备类型包括道岔、线路、钢轨、调节器、焊缝、无砟轨道、有砟轨道和无砟道床；
9.一种工务设备病害识别系统，包括处理器、存储器及存储在存储器上的计算机程序，其特征在于，所述处理器用于执行所述计算机程序，当所述计算机程序被执行时该系统实现如权利要求1至8中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至8中任一项所述方法的步骤。
...【技术特征摘要】
1.一种工务设备病害识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的工务设备病害识别方法，其特征在于，所述设备识别模型包括第一卷积层、第一flatten层、第一全连接层、第一dropout层和第一输出层；和/或，
3.根据权利要求2所述的工务设备病害识别方法，其特征在于，所述病害识别模型组中包括多个病害识别模型，且所述多个病害识别模型对应的设备类型不同；和/或，
4.根据权利要求3所述的工务设备病害识别方法，其特征在于，基于所述工务设备识别结果从病害识别模型组中确定与所述工务设备识别结果中的设备类型对应的第一病害识别模型，包括：
5.根据权利要求3所述的工务设备病害识别方法，其特征在于，所述方法包括：
【专利技术属性】
技术研发人员：周小爱，封博卿，李聪旭，崔梦真，徐晓磊，王志强，王遥遥，王小利，刘文斌，魏小娟，秦健，杨峰雁，于子轩，焦雯雯，荆严飞，景汉铭，王雪影，李宗洋，刘唯佳，李雅兵，
申请(专利权)人：中国铁道科学研究院集团有限公司电子计算技术研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。