【技術實現步驟摘要】
本專利技術屬于軌道交通檢測領域，特別涉及用于軌道交通的構件尺寸檢測設備及其檢測方法。
技術介紹
1、在軌道交通領域，構件尺寸檢測是保證產品質量和運行安全的重要環節。目前，軌道交通構件的尺寸檢測主要存在以下技術方案：
2、一種方案是基于人工測量的傳統方法，通過使用卡尺、量尺等工具進行測量，這種方法效率低下且容易出現人為誤差。
3、另一種方案是基于單一傳感器的自動化測量系統，雖然提高了效率，但難以應對復雜環境下的多維度測量需求。
4、還有一種方案使用簡單的機器視覺系統，由于缺乏智能算法的支持，難以保證復雜環境下的測量精度。
技術實現思路
1、針對上述問題，本專利技術提供一種軌道交通構件尺寸檢測裝置及其檢測方法。采用多級脈沖神經形態計算技術對多源傳感器數據進行處理，通過梯度下降優化器實現多目標優化，并引入分布式誤差計算單元進行時間差分學習，從而提高檢測的精度和效率。
2、為解決上述技術問題，本專利技術采用如下技術方案：
3、一種軌道交通構件尺寸檢測方法，包括：
4、采集多源傳感器數據，包括激光測距數據流、圖像數據流和超聲波數據流；
5、對激光測距數據流進行噪聲濾除和數據標準化處理，對圖像數據流進行畸變校正和光照補償處理，對超聲波數據流進行信號增強和去噪處理，得到標準化的多源傳感器數據；
6、基于標準化的多源傳感器數據，通過多級脈沖神經形態網絡進行分割計算，得到軌道交通構件的分割結果，其中分割結
7、基于分割結果，采用梯度下降優化器進行多目標優化，得到優化后的尺寸參數集合，其中多目標優化包括測量精度最大化、計算時間最小化和資源消耗最小化；
8、基于優化后的尺寸參數集合，通過分布式誤差計算單元進行時間差分學習，得到軌道交通構件的最終尺寸測量結果。
9、其中，所述通過多級脈沖神經形態網絡進行分割計算的步驟包括:
10、將所述標準化的多源傳感器數據轉換為時域脈沖序列,包括:
11、將所述激光測距數據流轉換為距離編碼脈沖序列,
12、將所述圖像數據流轉換為灰度編碼脈沖序列,
13、將所述超聲波數據流轉換為強度編碼脈沖序列;
14、利用所述時域脈沖序列通過所述多級脈沖神經形態網絡進行特征提取;
15、基于所述特征提取的結果,實現所述軌道交通構件的輪廓和區域分割。
16、其中，所述多級脈沖神經形態網絡包括:
17、用于接收所述標準化的多源傳感器數據的輸入層,
18、用于將所述多源傳感器數據轉換為時域脈沖序列的脈沖編碼層,
19、用于利用所述時域脈沖序列進行特征提取的特征提取層,
20、用于基于所述特征提取的結果實現構件分割的分割決策層。
21、其中，所述利用所述時域脈沖序列通過所述多級脈沖神經形態網絡進行特征提取,包括:
22、通過所述多級脈沖神經形態網絡的第一層神經元提取基本的邊緣和輪廓特征;
23、通過所述多級脈沖神經形態網絡的第二層神經元提取角點和曲面的結構特征;
24、通過所述多級脈沖神經形態網絡的第三層神經元將所提取的特征進行組合和融合,形成所述軌道交通構件的完整特征表示。
25、其中，所述采用梯度下降優化器進行多目標優化的步驟包括:
26、構造測量精度、計算時間和資源消耗的聯合優化目標函數;
27、基于所述聯合優化目標函數構建梯度下降優化器;
28、通過迭代更新所述梯度下降優化器的參數實現多目標優化。
29、其中，所述通過迭代更新所述梯度下降優化器的參數實現多目標優化,包括:
30、進行前向傳播計算,基于當前參數配置計算各目標函數的值,評估各目標函數整體性能;
31、進行反向更新,根據目標函數的梯度信息調整參數配置;
32、引入動態退火機制,通過隨機擾動探索更大的解空間,避免陷入局部最優解。
33、其中，所述通過分布式誤差計算單元進行時間差分學習的步驟包括:
34、構建多個并行的誤差計算單元;
35、計算當前測量結果與歷史最優結果的時間差異;
36、基于所述時間差異更新學習參數;
37、輸出所述軌道交通構件的最終尺寸測量結果。
38、其中，所述方法還包括:
39、對所述最終尺寸測量結果進行實時驗證;
40、當檢測到所述最終尺寸測量結果存在顯著偏差時,觸發告警并啟動自動校準程序。
41、其中，所述輸出所述軌道交通構件的最終尺寸測量結果,包括:
42、輸出所述軌道交通構件的各項尺寸數據;
43、輸出測量置信度信息;
44、輸出測量誤差估計信息;
45、生成包含測量質量評估指標的測量報告。
46、本申請實施例還提供一種用于軌道交通的構件尺寸檢測設備,包括:
47、多源傳感器陣列,包括:
48、設置在檢測區域四周的激光測距傳感器,用于采集所述軌道交通構件的距離信息,
49、設置在檢測區域上方的工業相機,用于采集所述軌道交通構件的圖像信息,
50、設置在檢測區域底部的超聲波傳感器陣列,用于采集所述軌道交通構件的厚度信息;
51、處理器,用于執行如上述的用于軌道交通的構件尺寸檢測方法。
52、有益效果：
53、1)?采用多級脈沖神經形態計算技術，提高了系統處理多源傳感器數據的能力，增強了檢測的魯棒性；
54、2)?通過梯度下降優化器實現多目標優化，平衡了測量精度、計算時間和資源消耗等多個目標；
55、3)?引入分布式誤差計算單元和時間差分學習機制，實現了測量精度的持續優化；
56、4)?系統具有良好的適應性，可以滿足不同類型軌道交通構件的檢測需求。
本文檔來自技高網...【技術保護點】
1.一種用于軌道交通的構件尺寸檢測方法,其特征在于,包括以下步驟:
2.根據權利要求1所述的方法,其特征在于,所述通過多級脈沖神經形態網絡進行分割計算的步驟包括:
3.根據權利要求2所述的方法,其特征在于,所述多級脈沖神經形態網絡包括:
4.根據權利要求2所述的方法,其特征在于,所述利用所述時域脈沖序列通過所述多級脈沖神經形態網絡進行特征提取,包括:
5.根據權利要求1所述的方法,其特征在于,所述采用梯度下降優化器進行多目標優化的步驟包括:
6.根據權利要求5所述的方法,其特征在于,所述通過迭代更新所述梯度下降優化器的參數實現多目標優化,包括:
7.根據權利要求1所述的方法,其特征在于,所述通過分布式誤差計算單元進行時間差分學習的步驟包括:
8.根據權利要求7所述的方法,其特征在于,所述方法還包括:
9.根據權利要求7所述的方法,其特征在于,所述輸出所述軌道交通構件的最終尺寸測量結果,包括:
10.一種用于軌道交通的構件尺寸檢測設備,其特征在于,包括:
【技術特征摘要】
1.一種用于軌道交通的構件尺寸檢測方法,其特征在于,包括以下步驟:
2.根據權利要求1所述的方法,其特征在于,所述通過多級脈沖神經形態網絡進行分割計算的步驟包括:
3.根據權利要求2所述的方法,其特征在于,所述多級脈沖神經形態網絡包括:
4.根據權利要求2所述的方法,其特征在于,所述利用所述時域脈沖序列通過所述多級脈沖神經形態網絡進行特征提取,包括:
5.根據權利要求1所述的方法,其特征在于,所述采用梯度下降優化器進行多目標優化的步驟...
【專利技術屬性】
技術研發人員：張智鷹，陳勇彬，譚曉晶，陳建，
申請(專利權)人：太科技術有限公司，
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。