[发明专利]一种转撤机自动开闭器动静节点接入距离检测方法

说明书

本发明涉及一种转辙机自动开闭器动静节点接入距离检测方法，包括步骤：S1、建立图像数据集；S2、构建两个深度学习网络模型；S3、模型初始化设置；S4、训练模型；S5、利用第一深度学习网络模型对待检测图像中转辙机自动开闭器的静节点铜柱区域进行识别和定位；S6、以静节点铜柱区域为基准对待检测图像进行分割得到包括自动开闭器动静节点的局部图像；S7、利用第二深度学习网络模型对局部图像进行识别确定动静节点的关键位置；S8、基于自动开闭器静节点铜柱区域识别和定位后的部件尺寸，计算选取最优缩放基准；S9、通过等比缩放测算转辙机自动开闭器动静节点接入距离。与现有技术相比，本发明具有检测效率高、精度高等优点。

技术领域

本发明涉及一种转辙机检测方法，尤其是涉及一种转辙机自动开闭器动静节点接入距离检测方法。

背景技术

转辙机用于实现对道岔的转换和锁闭，能正确地反映道岔的实际位置。当道岔的尖轨密贴于基本轨后，能给出相应的指示；当道岔被挤或因故处于四开位置时，能及时给出报警或表示，是直接关系行车安全的设备。转辙机在日常使用难免受到损耗，时刻面临维修保养的工作，其中转辙机的动接点柱与静接点座的接触深度成为了检修的关键。目前，对于转辙机机箱的巡检还需要人工参与，由于转辙机的内部构造较为复杂，巡检人员通常需要凭借经验以及手动进行检查。由于需要检查的转辙机数量众多且人工检查效率低下，大量重复的工作将消耗巨大的人力和物力。因此，需要采取更为先进的方法来对转辙机进行有效地检测。随着人工智能以及深度学习的出现，使得图像处理技术得到极大地发展，人工智能对图像的分类和识别技术得到了广泛地应用。目前，还未有利用深度学习对转辙机自动开闭器动静节点接入距离进行检测的技术，而传统的人工巡检方法也由于高成本已经不能满足现实检测效率的需要。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种转辙机自动开闭器动静节点接入距离检测方法。

本发明的目的可以通过以下技术方案来实现：

一种转辙机自动开闭器动静节点接入距离检测方法，该方法包括如下步骤：

S1、建立两类转辙机自动开闭器图像数据集，标注好训练集和测试集；

S2、构建用于对转辙机自动开闭器的铜柱区域进行识别和定位的第一深度学习网络模型，以及用于对转辙机自动开闭器的动静节点的关键位置进行识别的第二深度学习网络模型；

S3、对两个深度学习网络模型初始化设置；

S4、利用训练集和测试集分别对两个深度学习网络模型进行训练和测试直至预测性能达到阈值；

S5、利用训练好的第一深度学习网络模型对待检测图像中转辙机自动开闭器的静节点铜柱区域进行识别和定位；

S6、以转辙机自动开闭器的静节点铜柱区域为基准对待检测图像进行分割得到包括自动开闭器动静节点的局部图像；

S7、利用训练好的第二深度学习网络模型对局部图像进行识别确定动静节点的关键位置；

S8、基于自动开闭器静节点铜柱区域识别和定位后的部件尺寸，采用交叉比例计算选取最优缩放基准；

S9、通过等比缩放测算转辙机自动开闭器动静节点接入距离。

优选地，步骤S1中第一类图像数据集以转辙机节点组中心位置为圆心，以不同长度为半径的空间球面对节点组进行多角度拍摄，并对节点组中静节点铜柱区域进行标注；第二类图像数据集以第一类图像数据集为基础，以静节点铜柱中心点为正方形框的中心，截取包括自动开闭器动静节点的局部图像，并对动节点簧片以及用于固定簧片的固定件进行标注。

优选地，在获取第一类图像数据集过程中进行图像拍摄时每个角度拍摄的图像数量保持均匀。

优选地，所述的第一深度学习网络模型的输出包括三类，分别为静节点铜柱、铜柱底座和图片背景。