【技術實現步驟摘要】
本專利技術涉及軌道交通車輛檢測技術，特別是涉及一種軌交車輛底盤實時檢測方法、系統、設備及存儲介質。
技術介紹
1、軌道交通車體檢測以列車底盤檢測為例，主要采用人工檢測的維護方案，分為日檢、周檢、月檢、年檢等，其中日檢的工作量最大，工作重復程度最高。日檢，主要包括車底巡檢和車側巡檢。一列六編組的地鐵，車底巡檢和車側巡檢，常規要求在20min內完成，每列車配套日檢人員為兩人次，主要通過人工目檢。人工檢測地溝作業，存在人員安全風險；車型多、結構復雜、檢修項多；任務量大，需配套人員多，人力成本高；個人能力及責任心不一，質量把控困難；容易漏檢及誤檢；重復性勞動強度大，效率低等問題。隨著機器人的深入研發，機器人開始應用于軌道交通車體檢測任務，采用移動機器人、機械臂和相機組合的方式代替人工進行地溝的列車巡檢，排除潛在的安全隱患和避免人員的重復性勞動損傷。檢測機器人可以將相機拍攝的列車底盤圖像進行拼接，建立列車底盤模型，并用神經網網絡檢測損傷，為維修人員提供檢查依據。
2、現有技術不足：
3、1、相機幀率低：傳統相機的幀率無法清晰拍攝高速行駛過程中的列車底盤圖像，這也就導致了實時檢測的難以實現。
4、2、效率問題：列車的整個底盤需要由上萬張圖像拼接獲得，這對于終端處理或上傳服務器處理，在效率上都是一項十分艱巨的挑戰。
5、3、精度問題：列車底盤的一些缺陷，例如螺栓松動、放松鐵絲有無斷裂等都是十分細微的，這就要求檢測算法的高精度，否則極易導致缺陷難以發現，留下安全隱患。
6、以上方案都是
技術實現思路
1、專利技術目的：本專利技術的目的是提供一種軌交車輛底盤實時檢測方法及系統，實現了在軌交車輛行駛過程中對車輛底盤進行高效、穩定的檢測，具有高實時性和高精度。
2、技術方案：本專利技術的一種軌交車輛底盤實時檢測方法，包括以下步驟：
3、s1、實時采集軌交車輛行駛過程中的底盤圖像數據，獲得底盤圖像序列，并對底盤圖像序列進行拼接，得到完整的軌交車輛底盤圖像；對完整的軌交車輛底盤圖像進行多尺度分割，獲得多尺度圖像數據集；
4、s2、構建改進的yolo-v8模型，采用多尺度圖像數據集對改進的yolo-v8模型進行訓練和驗證，得到訓練好的改進的yolo-v8模型；使用訓練好的改進的yolo-v8模型對完整的列車底盤圖像進行缺陷預檢測，并將存在缺陷的圖像區域進行裁剪，形成檢測區域圖像集；
5、其中，改進的yolo-v8模型為：在yolo-v8模型的neck和head的連接部分，添加三個gam注意力模塊，將yolo-v8模型的骨干網路的倒數第二個和第三個c2f模塊中替換為c2f_dcn模塊；
6、s3、構建改進的mask-rcnn模型，采用檢測區域圖像集對改進的mask-rcnn模型進行訓練和驗證，得到訓練好的改進的mask-rcnn模型；
7、其中，改進的mask-rcnn模型為：在mask-rcnn模型的主干網絡的特征提取部分融合了改進的cbam注意力模塊，改進的cbam注意力模塊在cbam注意力模塊基礎上引入空洞卷積；
8、s4、將待檢測軌交車輛底盤圖像輸入訓練好的改進的yolo-v8模型進行缺陷預檢測，并將存在缺陷的圖像區域進行裁剪，形成初步檢測區域圖像集，將初步檢測區域圖像集輸入訓練好的改進的mask-rcnn模型，對初步檢測區域圖像集中的圖片進行二次甄別，精確定位軌交車輛底盤的故障類型以及故障區域，并生成缺陷檢測報告。
9、進一步的，步驟s1中采用脈沖相機對軌交車輛行駛過程中的底盤實時進行拍攝，獲得實時的底盤圖像數據。
10、進一步的，步驟s1中使用apap算法，對底盤圖像序列中相鄰兩幀圖像做特征點匹配處理，進而拼接圖像，最終一次拼接得到完整的軌交車輛底盤圖像。
11、進一步的，gam注意力模塊融合了通道-空間注意機制，在通道層面，gam首先將輸入特征圖進行維度轉換，接著輸入到多層感知器mlp恢復原來的維度，最后通過sigmoid激活函數輸出；在空間層面，gam通過一系列的卷積處理再送入sigmoid輸出，最終實現兩個層面注意力作用的疊加。
12、進一步的，c2f_dcn模塊為：將c2f模塊中的卷積替換為可形變卷積模塊dcn。
13、進一步的，改進的mask-rcnn模型包括輸入、cam、sam和輸出，輸入特征為f∈rc×h×w，cam和sam部分的卷積由空洞卷積替換；cam部分的空洞卷積的結果與原圖像相乘得到cam的輸出f'＝mc(f)·f，再將cam輸出作為sam的輸入，進行sam部分的空洞卷積，再將sam部分空洞卷積的輸出結果與輸入相乘得到f”＝ms(f')·f'，就是最終的輸出特征。
14、進一步的，空洞卷積核與原始卷積核大小關系為：
15、k'＝k+(k-1)(r-1)
16、其中，k'表示空洞卷積核大小，k表示原始卷積核大小，r表示膨脹因子。
17、基于相同的專利技術構思，本專利技術的一種軌交車輛底盤實時檢測系統，包括：
18、數據集制作單元，用于實時采集軌交車輛行駛過程中的底盤圖像數據，獲得底盤圖像序列，并對底盤圖像序列進行拼接，得到完整的軌交車輛底盤圖像；對完整的軌交車輛底盤圖像進行多尺度分割，獲得多尺度圖像數據集；
19、改進的yolo-v8模型構建及訓練單元，用于構建改進的yolo-v8模型，采用多尺度圖像數據集對改進的yolo-v8模型進行訓練和驗證，得到訓練好的改進的yolo-v8模型；使用訓練好的改進的yolo-v8模型對完整的列車底盤圖像進行缺陷預檢測，并將存在缺陷的圖像區域進行裁剪，形成檢測區域圖像集；
20、其中，改進的yolo-v8模型為：在yolo-v8模型的neck和head的連接部分，添加三個gam注意力模塊，將yolo-v8模型的骨干網路的倒數第二個和第三個c2f模塊中替換為c2f_dcn模塊；
21、改進的mask-rcnn模型構建及訓練單元，用于構建改進的mask-rcnn模型，采用檢測區域圖像集對改進的mask-rcnn模型進行訓練和驗證，得到訓練好的改進的mask-rcnn模型；
22、其中，改進的mask-rcnn模型為：在mask-rcnn模型的主干網絡的特征提取部分融合了改進的cbam注意力模塊，改進的cbam注意力模塊在cbam注意力模塊基礎上引入空洞卷積；
23、檢測單元，用于將待檢測軌交車輛底盤圖像輸入訓練好的改進的yolo-v8模型進行缺陷預檢測，并將存在缺陷的圖像區域進行裁剪，形成初步檢測區域圖像集，將初步檢測區域圖像集輸入訓練好的改進的mask-rcnn模型，對初步檢測區域圖像集中的圖片進行二次甄別，精確定位軌交車輛底盤的故障本文檔來自技高網...
【技術保護點】
1.一種軌交車輛底盤實時檢測方法，其特性在于，包括以下步驟：
2.根據權利要求1所述的一種軌交車輛底盤實時檢測方法，其特性在于，步驟S1中采用脈沖相機對軌交車輛行駛過程中的底盤實時進行拍攝，獲得實時的底盤圖像數據。
3.根據權利要求1所述的一種軌交車輛底盤實時檢測方法，其特性在于，步驟S1中使用APAP算法，對底盤圖像序列中相鄰兩幀圖像做特征點匹配處理，進而拼接圖像，最終一次拼接得到完整的軌交車輛底盤圖像。
4.根據權利要求1所述的一種軌交車輛底盤實時檢測方法，其特性在于，GAM注意力模塊融合了通道-空間注意機制，在通道層面，GAM首先將輸入特征圖進行維度轉換，接著輸入到多層感知器MLP恢復原來的維度，最后通過Sigmoid激活函數輸出；在空間層面，GAM通過一系列的卷積處理再送入Sigmoid輸出，最終實現兩個層面注意力作用的疊加。
5.根據權利要求1所述的一種軌交車輛底盤實時檢測方法，其特性在于，C2f_DCN模塊為：將C2f模塊中的卷積替換為可形變卷積模塊DCN。
6.根據權利要求1所述的一種軌交車輛底盤實時檢測方
7.根據權利要求6所述的一種軌交車輛底盤實時檢測方法，其特性在于，空洞卷積核與原始卷積核大小關系為：
8.一種軌交車輛底盤實時檢測系統，其特征在于，包括：
9.一種軌交車輛底盤實時檢測設備，其特征在于，所述設備包括：
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機指令，所述計算機指令被調用時，用于執行如權利要求1-7任一項所述的軌交車輛底盤實時檢測方法的步驟。
...【技術特征摘要】
1.一種軌交車輛底盤實時檢測方法，其特性在于，包括以下步驟：
2.根據權利要求1所述的一種軌交車輛底盤實時檢測方法，其特性在于，步驟s1中采用脈沖相機對軌交車輛行駛過程中的底盤實時進行拍攝，獲得實時的底盤圖像數據。
3.根據權利要求1所述的一種軌交車輛底盤實時檢測方法，其特性在于，步驟s1中使用apap算法，對底盤圖像序列中相鄰兩幀圖像做特征點匹配處理，進而拼接圖像，最終一次拼接得到完整的軌交車輛底盤圖像。
4.根據權利要求1所述的一種軌交車輛底盤實時檢測方法，其特性在于，gam注意力模塊融合了通道-空間注意機制，在通道層面，gam首先將輸入特征圖進行維度轉換，接著輸入到多層感知器mlp恢復原來的維度，最后通過sigmoid激活函數輸出；在空間層面，gam通過一系列的卷積處理再送入sigmoid輸出，最終實現兩個層面注意力作用的疊加。
5.根據權利要求1所述的一種軌交車輛底盤實時檢測方法，其特性在于，c2f_dcn模塊為：將c2f模塊中的卷積替...
【專利技術屬性】
技術研發人員：王志剛，韓早，姚卓濱，鐘濤，吳冶，李昂，
申請(專利權)人：南京英麒智能科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。