[發(fā)明專利]一種轉撤機自動開閉器動靜節(jié)點接入距離檢測方法

在審

• 申請?zhí)枺?/td>: 202011601276.7
• 申請日: 2020-12-29
• 公開（公告）號: CN112668484A
• 公開（公告）日: 2021-04-16
• 發(fā)明（設計）人: 劉志鋼;張郁;楊鄭龍;魏麗麗;陸鑫源;戴洋競;丁寶剛
• 申請（專利權）人: 上海工程技術大學;上海地鐵維護保障有限公司通號分公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/62;G06N3/04;G06N3/08;G06T3/40;G06T7/11;G06T7/62
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 丁云

本發(fā)明涉及一種轉轍機自動開閉器動靜節(jié)點接入距離檢測方法，包括步驟：S1、建立圖像數據集；S2、構建兩個深度學習網絡模型；S3、模型初始化設置；S4、訓練模型；S5、利用第一深度學習網絡模型對待檢測圖像中轉轍機自動開閉器的靜節(jié)點銅柱區(qū)域進行識別和定位；S6、以靜節(jié)點銅柱區(qū)域為基準對待檢測圖像進行分割得到包括自動開閉器動靜節(jié)點的局部圖像；S7、利用第二深度學習網絡模型對局部圖像進行識別確定動靜節(jié)點的關鍵位置；S8、基于自動開閉器靜節(jié)點銅柱區(qū)域識別和定位后的部件尺寸，計算選取最優(yōu)縮放基準；S9、通過等比縮放測算轉轍機自動開閉器動靜節(jié)點接入距離。與現有技術相比，本發(fā)明具有檢測效率高、精度高等優(yōu)點。

技術領域

本發(fā)明涉及一種轉轍機檢測方法，尤其是涉及一種轉轍機自動開閉器動靜節(jié)點接入距離檢測方法。

背景技術

轉轍機用于實現對道岔的轉換和鎖閉，能正確地反映道岔的實際位置。當道岔的尖軌密貼于基本軌后，能給出相應的指示；當道岔被擠或因故處于四開位置時，能及時給出報警或表示，是直接關系行車安全的設備。轉轍機在日常使用難免受到損耗，時刻面臨維修保養(yǎng)的工作，其中轉轍機的動接點柱與靜接點座的接觸深度成為了檢修的關鍵。目前，對于轉轍機機箱的巡檢還需要人工參與，由于轉轍機的內部構造較為復雜，巡檢人員通常需要憑借經驗以及手動進行檢查。由于需要檢查的轉轍機數量眾多且人工檢查效率低下，大量重復的工作將消耗巨大的人力和物力。因此，需要采取更為先進的方法來對轉轍機進行有效地檢測。隨著人工智能以及深度學習的出現，使得圖像處理技術得到極大地發(fā)展，人工智能對圖像的分類和識別技術得到了廣泛地應用。目前，還未有利用深度學習對轉轍機自動開閉器動靜節(jié)點接入距離進行檢測的技術，而傳統(tǒng)的人工巡檢方法也由于高成本已經不能滿足現實檢測效率的需要。

發(fā)明內容

本發(fā)明的目的就是為了克服上述現有技術存在的缺陷而提供一種轉轍機自動開閉器動靜節(jié)點接入距離檢測方法。

本發(fā)明的目的可以通過以下技術方案來實現：

一種轉轍機自動開閉器動靜節(jié)點接入距離檢測方法，該方法包括如下步驟：

S1、建立兩類轉轍機自動開閉器圖像數據集，標注好訓練集和測試集；

S2、構建用于對轉轍機自動開閉器的銅柱區(qū)域進行識別和定位的第一深度學習網絡模型，以及用于對轉轍機自動開閉器的動靜節(jié)點的關鍵位置進行識別的第二深度學習網絡模型；

S3、對兩個深度學習網絡模型初始化設置；

S4、利用訓練集和測試集分別對兩個深度學習網絡模型進行訓練和測試直至預測性能達到閾值；

S5、利用訓練好的第一深度學習網絡模型對待檢測圖像中轉轍機自動開閉器的靜節(jié)點銅柱區(qū)域進行識別和定位；

S6、以轉轍機自動開閉器的靜節(jié)點銅柱區(qū)域為基準對待檢測圖像進行分割得到包括自動開閉器動靜節(jié)點的局部圖像；

S7、利用訓練好的第二深度學習網絡模型對局部圖像進行識別確定動靜節(jié)點的關鍵位置；

S8、基于自動開閉器靜節(jié)點銅柱區(qū)域識別和定位后的部件尺寸，采用交叉比例計算選取最優(yōu)縮放基準；

S9、通過等比縮放測算轉轍機自動開閉器動靜節(jié)點接入距離。

優(yōu)選地，步驟S1中第一類圖像數據集以轉轍機節(jié)點組中心位置為圓心，以不同長度為半徑的空間球面對節(jié)點組進行多角度拍攝，并對節(jié)點組中靜節(jié)點銅柱區(qū)域進行標注；第二類圖像數據集以第一類圖像數據集為基礎，以靜節(jié)點銅柱中心點為正方形框的中心，截取包括自動開閉器動靜節(jié)點的局部圖像，并對動節(jié)點簧片以及用于固定簧片的固定件進行標注。

優(yōu)選地，在獲取第一類圖像數據集過程中進行圖像拍攝時每個角度拍攝的圖像數量保持均勻。

優(yōu)選地，所述的第一深度學習網絡模型的輸出包括三類，分別為靜節(jié)點銅柱、銅柱底座和圖片背景。