本發(fā)明屬于鐵路貨車人力制動機(jī)軸導(dǎo)架折斷故障檢測領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)的人力制動機(jī)軸導(dǎo)架折斷故障檢測方法、存儲介質(zhì)及設(shè)備。

背景技術(shù)：

1、在鐵路貨車的人力制動機(jī)軸導(dǎo)架折斷故障檢測中，傳統(tǒng)方法往往采用人工檢查圖像的方式進(jìn)行故障檢測，但是這種人工檢查圖像的方式容易受到人為主觀因素的影響，而且檢測的效率較低。近幾年，深度學(xué)習(xí)與人工智能不斷發(fā)展，在技術(shù)上不斷成熟。采用深度學(xué)習(xí)方法進(jìn)行人力制動機(jī)軸導(dǎo)架折斷故障檢測，即采用圖像自動識別的方式進(jìn)行人力制動機(jī)軸導(dǎo)架折斷故障檢測可以提高故障檢測的準(zhǔn)確率、效率和穩(wěn)定性。

2、但是現(xiàn)有深度學(xué)習(xí)方法采用的回歸損失為smoothl1?loss損失，而smoothl1?loss損失僅代表預(yù)測邊界框坐標(biāo)和實際邊界框坐標(biāo)之間的差異。即使預(yù)測邊界框和真實邊界框有很好的重疊，但只要它們的坐標(biāo)有微小的偏差，回歸損失就可能會很大，因此現(xiàn)有基于smoothl1?loss回歸損失的人力制動機(jī)軸導(dǎo)架折斷故障檢測方法的準(zhǔn)確率仍然較低，那么，提出一種新的方法以提高人力制動機(jī)軸導(dǎo)架折斷故障檢測方法的準(zhǔn)確率是十分必要的。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是為解決現(xiàn)有基于smoothl1?loss回歸損失的人力制動機(jī)軸導(dǎo)架折斷故障檢測方法的準(zhǔn)確率低的問題，而提出的一種基于深度學(xué)習(xí)的人力制動機(jī)軸導(dǎo)架折斷故障檢測方法、存儲介質(zhì)及設(shè)備。

2、本發(fā)明為解決上述技術(shù)問題所采取的技術(shù)方案是：

3、一種基于深度學(xué)習(xí)的人力制動機(jī)軸導(dǎo)架折斷故障檢測方法，該方法包括以下步驟：

4、將獲取的待檢測鐵路貨車圖像輸入htc檢測網(wǎng)絡(luò)，所述htc檢測網(wǎng)絡(luò)訓(xùn)練時采用的邊界框回歸損失函數(shù)為a1iou?loss；

5、a1iou?loss的計算方式為：

6、a1iou?loss＝0.25*θ+0.25*l′+0.5*c

7、其中，θ是角度損失，l′是距離損失，c是形狀損失；

8、若htc檢測網(wǎng)絡(luò)的輸出結(jié)果為輸入的待檢測圖像中存在人力制動機(jī)軸導(dǎo)架折斷故障，則上傳報文進(jìn)行故障提示，并繼續(xù)檢測下一張圖像；

9、若htc檢測網(wǎng)絡(luò)的輸出結(jié)果為輸入的待檢測圖像中不存在人力制動機(jī)軸導(dǎo)架折斷故障，則繼續(xù)檢測下一張圖像。

10、進(jìn)一步地，角度損失θ具體為：

11、θ＝1-2sin2(arcsin(x)-0.25π)

12、其中，lh表示htc檢測網(wǎng)絡(luò)預(yù)測邊界框的中心點a的橫坐標(biāo)與真實邊界框的中心點agt的橫坐標(biāo)差，lw表示htc檢測網(wǎng)絡(luò)預(yù)測邊界框的中心點a的縱坐標(biāo)與真實邊界框的中心點agt的縱坐標(biāo)差，α為中心點agt和中心點a的連線與水平線之間的夾角，l是htc檢測網(wǎng)絡(luò)預(yù)測邊界框的中心點a與真實邊界框的中心點agt之間的歐式距離。

13、進(jìn)一步地，距離損失l′為：

14、

15、其中，|s|表示s的絕對值，s＝x′+y′+w′+h′，x′是htc檢測網(wǎng)絡(luò)預(yù)測邊界框的左上角頂點的橫坐標(biāo)與真實邊界框的左上角頂點的橫坐標(biāo)之差，y′是htc檢測網(wǎng)絡(luò)預(yù)測邊界框的左上角頂點的縱坐標(biāo)與真實邊界框的左上角頂點的縱坐標(biāo)之差，w′＝w-wgt，w是htc檢測網(wǎng)絡(luò)預(yù)測邊界框的寬度，wgt是實際邊界框的寬度，h′＝h-hgt，h是htc檢測網(wǎng)絡(luò)預(yù)測邊界框的高度，hgt是實際邊界框的高度。

16、進(jìn)一步地，形狀損失c為：

17、

18、其中，e是自然對數(shù)的底數(shù)，pw表示htc檢測網(wǎng)絡(luò)預(yù)測邊界框和實際邊界框的寬度差異，ph表示htc檢測網(wǎng)絡(luò)預(yù)測邊界框和實際邊界框的高度差異；

19、

20、進(jìn)一步地，htc檢測網(wǎng)絡(luò)在fpn模塊之后添加有eca-net模塊。

21、進(jìn)一步地，eca-net模塊的工作過程為：

22、對于fpn模塊輸出的任一特征圖，將該特征圖作為eca-net模塊的輸入，在eca-net模塊內(nèi)，輸入特征圖依次經(jīng)過全局平均池化層、卷積核大小為1×1的卷積層、elu激活函數(shù)層，再將elu激活函數(shù)層的輸出與輸入特征圖進(jìn)行逐像素點積，將逐像素點積結(jié)果作為輸入特征圖對應(yīng)的輸出；

23、同理，對fpn模塊輸出的每個特征圖分別進(jìn)行處理。

24、進(jìn)一步地，htc檢測網(wǎng)絡(luò)的訓(xùn)練過程為：

25、步驟1、利用搭建在鐵路貨車軌道兩側(cè)的成像設(shè)備采集鐵路貨車灰度圖像數(shù)據(jù)集；

26、步驟2、對采集的圖像進(jìn)行數(shù)據(jù)擴(kuò)增，獲得擴(kuò)增后的灰度圖像數(shù)據(jù)集；

27、步驟3、利用擴(kuò)增后的灰度圖像數(shù)據(jù)集對htc檢測網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直至總損失函數(shù)收斂時停止訓(xùn)練，獲得訓(xùn)練好的htc檢測網(wǎng)絡(luò)；

28、所述總損失函數(shù)由分類損失和回歸損失a1iou?loss兩部分組成。

29、更進(jìn)一步地，步驟2中，對采集的圖像進(jìn)行數(shù)據(jù)擴(kuò)增采用的方式包括圖像平移、圖像縮放和亮度調(diào)整。

30、一種計算機(jī)存儲介質(zhì)，所述存儲介質(zhì)中存儲有至少一條指令，所述至少一條指令由處理器加載并執(zhí)行以實現(xiàn)所述的一種基于深度學(xué)習(xí)的人力制動機(jī)軸導(dǎo)架折斷故障檢測方法。

31、一種基于深度學(xué)習(xí)的人力制動機(jī)軸導(dǎo)架折斷故障檢測設(shè)備，所述設(shè)備包括處理器和存儲器，所述存儲器中存儲有至少一條指令，所述至少一條指令由處理器加載并執(zhí)行以實現(xiàn)所述的一種基于深度學(xué)習(xí)的人力制動機(jī)軸導(dǎo)架折斷故障檢測方法。

32、本發(fā)明的有益效果是：

33、本發(fā)明采用a1iou?loss代替原有的smoothl1?loss，可以更直觀的表達(dá)檢測網(wǎng)絡(luò)預(yù)測的邊界框位置與真實邊界框位置之間的差距，通過在htc檢測網(wǎng)絡(luò)原有的fpn模塊后面加入eca-net模塊，可以使注意力機(jī)制得到更加準(zhǔn)確的特征圖，通過損失函數(shù)的改進(jìn)和htc檢測網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)兩個方面來提高檢測網(wǎng)絡(luò)檢測的準(zhǔn)確率。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)的人力制動機(jī)軸導(dǎo)架折斷故障檢測方法，其特征在于，所述方法的具體過程為：

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的人力制動機(jī)軸導(dǎo)架折斷故障檢測方法，其特征在于，所述角度損失θ具體為：

3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的人力制動機(jī)軸導(dǎo)架折斷故障檢測方法，其特征在于，所述距離損失l′為：

4.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的人力制動機(jī)軸導(dǎo)架折斷故障檢測方法，其特征在于，所述形狀損失c為：

5.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的人力制動機(jī)軸導(dǎo)架折斷故障檢測方法，其特征在于，所述htc檢測網(wǎng)絡(luò)在fpn模塊之后添加有eca-net模塊。

6.根據(jù)權(quán)利要求5所述的一種基于深度學(xué)習(xí)的人力制動機(jī)軸導(dǎo)架折斷故障檢測方法，其特征在于，所述eca-net模塊的工作過程為：

7.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的人力制動機(jī)軸導(dǎo)架折斷故障檢測方法，其特征在于，所述htc檢測網(wǎng)絡(luò)的訓(xùn)練過程為：

8.根據(jù)權(quán)利要求7所述的一種基于深度學(xué)習(xí)的人力制動機(jī)軸導(dǎo)架折斷故障檢測方法，其特征在于，所述步驟2中，對采集的圖像進(jìn)行數(shù)據(jù)擴(kuò)增采用的方式包括圖像平移、圖像縮放和亮度調(diào)整。

9.一種計算機(jī)存儲介質(zhì)，其特征在于，所述存儲介質(zhì)中存儲有至少一條指令，所述至少一條指令由處理器加載并執(zhí)行以實現(xiàn)如權(quán)利要求1至8任意一項所述的一種基于深度學(xué)習(xí)的人力制動機(jī)軸導(dǎo)架折斷故障檢測方法。

10.一種基于深度學(xué)習(xí)的人力制動機(jī)軸導(dǎo)架折斷故障檢測設(shè)備，其特征在于，所述設(shè)備包括處理器和存儲器，所述存儲器中存儲有至少一條指令，所述至少一條指令由處理器加載并執(zhí)行以實現(xiàn)如權(quán)利要求1至8任意一項所述的一種基于深度學(xué)習(xí)的人力制動機(jī)軸導(dǎo)架折斷故障檢測方法。

技術(shù)總結(jié)
一種基于深度學(xué)習(xí)的人力制動機(jī)軸導(dǎo)架折斷故障檢測方法、存儲介質(zhì)及設(shè)備，它屬于鐵路貨車人力制動機(jī)軸導(dǎo)架折斷故障檢測領(lǐng)域。本發(fā)明解決了現(xiàn)有基于SmoothL1Loss回歸損失的人力制動機(jī)軸導(dǎo)架折斷故障檢測方法的準(zhǔn)確率低的問題。本發(fā)明對檢測網(wǎng)絡(luò)的回歸損失函數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)并訓(xùn)練后，再將待檢測的圖像作為訓(xùn)練好的檢測網(wǎng)絡(luò)的輸入，通過檢測網(wǎng)絡(luò)輸出人力制動機(jī)軸導(dǎo)架折斷故障檢測結(jié)果。本發(fā)明方法可以應(yīng)用于人力制動機(jī)軸導(dǎo)架折斷故障的檢測。

技術(shù)研發(fā)人員：郭慶陽,袁志偉
受保護(hù)的技術(shù)使用者：哈爾濱市科佳通用機(jī)電股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21