CN113947027A - 一种基于深度学习的高铁受电弓运行监测方法 - Google Patents
一种基于深度学习的高铁受电弓运行监测方法 Download PDFInfo
- Publication number
- CN113947027A CN113947027A CN202111251446.8A CN202111251446A CN113947027A CN 113947027 A CN113947027 A CN 113947027A CN 202111251446 A CN202111251446 A CN 202111251446A CN 113947027 A CN113947027 A CN 113947027A
- Authority
- CN
- China
- Prior art keywords
- speed rail
- pantograph
- deep learning
- data
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims abstract description 13
- 238000000137 annealing Methods 0.000 claims abstract description 11
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 238000013519 translation Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 description 6
- 238000002360 preparation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于深度学***衡的问题,用标注完好的数据集来训练模型,通过反向传播机制,调整模型的参数值,得到高铁受电弓检测模型,最终利用训练好的模型来实现对高铁受电弓运行监测。
Description
技术领域
本发明涉及铁路运输安全技术领域,特别涉及一种基于深度学习的高铁受电弓运行监测方法。
背景技术
在铁路运输进行高速智能化的时代,高铁、地铁等电气化机车在我国交通***中起到了重要作用。目前,高铁以平均300km/h的速度稳定运行,都要通过受电弓装置获取动力。高速铁路牵引供电安全检测监测***(6C***)的一部分,高铁受电弓会受到外力撞击而断裂,造成受电弓结构损坏,会因为电弧打火而脱离高压线而使高铁失去动力,会因为受电弓悬挂异物而存在运行隐患。因此,为保证行车安全,对受电弓运行状态的快速监测具有十分重要的意义。通过检测的方法,对处于运行状态中的受电弓进行监测,而一旦受电弓发生结构损坏、火花频繁、悬挂异物等异常情况时,此时检测程序会及时报警,让驻车机师第一时间知道受电弓出现故障。
目前受电弓检测技术主要有接触式和非接触式的检测方式。传统的受电弓检测大都是基于人工登车或利用综合检测车进行检测,这类接触式检测方法极大地提高了检测精度。但主要的缺点是人工检测或利用综合检测车进行接触式检测需要占用线路,干扰正常行车;近年来,非接触式图像检测以其行车干扰小、通用性好、便于安装使用等优点成为受电弓检测领域中的研究热点。当前在基于图像的受电弓状态检测和预警方面,常用边缘检测结合经验阈值的判断方法。由于受电弓在线监测***运行环境复杂,多处于户外,采集的图像图片质量受光线、环境、天气等条件影响很大。相同的受电弓在不同时刻获取的图片光线、阴影、色相和背景物都不一样。受电弓检测算法就是从复杂多变的图片中把受电弓实体完整地提取出来,并监测到结构损坏、火花频繁、悬挂异物等异常情况,保证图像分析的结果和整个***的精度、稳定性不受环境变化的影响。在实际运用中,图像目标和背景之间并不具备截然不同的灰度,随着自然光照射角度的不同,目标和背景的亮度均要发生变化。当前的边缘检测结合经验阈值的监测方法难以实现对长持续时间实时监测和安全报警。现有方法在受电弓的运行状态监控应用中存在较大的安全隐患。因此,如何解决上述问题,是本领域技术人员需要研究的内容。
发明内容
本发明的主要目的在于克服现有技术的不足,本发明提出了采用深度学习进行高铁受电弓运行状态的监测方法,通过对训练样本进行深度学习获取检测模型来检测高铁受电弓运行状态,实现对高铁受电弓运行状态的自动监测,检测结果稳定,通用性强,可以有效解决背景技术中的问题。
为实现上述目的,本发明采取的技术方案为:一种基于深度学习的高铁受电弓运行监测方法,包括以下步骤:
步骤(1)、对获取到了高铁运行离线视频进行抽帧并保存相应的帧图,需要收集结构损坏、火花频繁、悬挂异物等异常情况的图片。然后数据集进行数据标注,构建用于检测算法训练的数据集,并将数据集划分为训练集和验证集;
步骤(2)、对于构建好的高铁受电弓数据集进行预处理,包含数据归一化以及图像数据增强的操作;
步骤(3)、构建基于yolov5的高铁受电弓检测模型,根据分类要求对最后的SoftMax层进行调整,使模型输出每一种标签的概率结果;
步骤(4)、对于高铁受电弓检测网络,学***衡的问题,采用了改进的FocalLoss损失函数;
步骤(5)、根据构建好的模型,用标注完好的数据集来训练模型,依据标签值和预测值之间的误差,通过反向传播机制,调整模型的参数值,最终得到高铁受电弓检测模型。
进一步地,所述步骤(1)的具体操作为:对获取到了高铁运行离线视频进行抽帧并保存相应的帧图,并按(受电弓、左弓角、右弓角、火花、异物、结构损坏等6种标签)标注数据集,同时按照8:2的比例将数据集划分为训练集和验证集,即可完成数据集准备工作。
进一步地,所述步骤(2)的具体操作为:将图像尺寸统一缩放至640*640,然后再进行数据归一化操作。
进一步地,所选步骤(2)中在线数据增强指:获得批处理数量(batch)数据之后,然后对这个batch中的每一张数据进行数据增强,如旋转、平移、翻折等相应的变化。数据增强的方式具体为:
以百分之三十的概率进行30度左右方向旋转;以百分之三十的概率进行水平平移;以百分之三十的概率进行垂直平移;以百分之三十的概率进行水平翻转;进行亮度和对比度调节;以百分之三十的概率进行增加高斯噪声处理,通过一系列操作可将将图片数量增加为原来的7倍左右。
进一步地,所选步骤(3)中的具体操作为:对受电弓检测分类器采用卷积神经网络作为特征提取网络,将得到的特征图作为n个节点的SoftMax分类层的输入,最后输出每一种标签的概率。
进一步地,步骤(4)中所采用的余弦退火为:让学习率随迭代次数(epoch)的变化图类似于余弦函数,通过余弦函数来降低学习率,余弦函数中随着epoch的增加,学习率首先缓慢下降,然后加速下降,再次缓慢下降。这种下降模式和学习率配合,能跳出局部最小值并找到通向全局最小值。余弦退火学习率更新策略为:
式中,newlr表示新学习率,initiallr表示初始学习率,etamin表示最小学习率,epoch代表当前迭代次数,Tmax表示cos周期的1/2。
进一步地,步骤(4)中所采用改进的Focal Loss为:通过样本的数量来调节为已有的损失函数加权,以此来缓解样本不均衡问题,应用在Focal Loss上则为:
进一步地,步骤(5)中训练检测模型时,微调的模型参数有:初始化学习率、优化器、批处理大小等。
实验硬件:中央处理器为2.6GHz Intel i7-9750H,图像处理器为英伟达GTX2080Ti,显存为11G。实验软件:操作***为Ubuntu 16.04,程序设计语言版本为Python3.7,深度学习框架为Pytorch1.7.0。
本发明将受电弓检测专业人员的业务技能和深度学习相结合,专业的技术人员通过对样本图片按照具体的类别进行标注,在利用深度学习对专业人员标注完成的图像进行自动特征提取及分类训练,最终利用训练好的模型来实现对高铁受电弓运行监测。
与现有技术相比,本发明的检测识别准确率可达98%以上,一帧图像检测时长仅需40ms,检测效率较人工检验提升了6倍,实现对高铁受电弓运行状态的自动检测,检测结果稳定,通用性强。
与现有技术相比,本发明所采用的余弦退火学习率更新算法,通过余弦函数来降低学习率,余弦函数中随着epoch的增加,学习率首先缓慢下降,然后加速下降,再次缓慢下降,能跳出局部最小值并找到通向全局最小值,最终得到泛化效果最好的模型。
与现有技术相比,本发明采用改进的Focal Loss,通过样本的数量来调节为已有的损失函数加权,以此来改进损失函数,能够缓解数据样本类别不均衡所带来的长尾效应,提升了对少样本类别的检测精度。
附图说明
图1是本发明中yolov5的网络结构示意图;
图2是本发明模型训练方法流程示意图;
图3是本发明检测流程示意图;
图4是本发明检测的最终结果图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明,其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制,对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的,基于本发明中的具体实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他具体实施方式,都属于本发明保护的范围。
实施例1
如图1-4所示,一种基于深度学习的高铁受电弓运行监测方法,包括以下步骤:
步骤(1)、对获取到了高铁运行离线视频进行抽帧并保存相应的帧图,需要收集结构损坏、火花频繁、悬挂异物等异常情况的图片;然后数据集进行数据标注,构建用于检测算法训练的数据集,并将数据集划分为训练集和验证集;对获取到了高铁运行离线视频进行抽帧并保存相应的帧图,并按(受电弓、左弓角、右弓角、火花、异物、结构损坏等6种标签)标注数据集,同时按照8:2的比例将数据集划分为训练集和验证集,即可完成数据集准备工作;
步骤(2)、对于构建好的高铁受电弓数据集进行预处理,包含数据归一化以及图像数据增强的操作;将图像尺寸统一缩放至640*640,然后再进行数据归一化操作;获得批处理数量(batch)数据之后,然后对这个batch中的每一张数据进行数据增强,如旋转、平移、翻折等相应的变化。数据增强的方式具体为:以百分之三十的概率进行30度左右方向旋转;以百分之三十的概率进行水平平移;以百分之三十的概率进行垂直平移;以百分之三十的概率进行水平翻转;进行亮度和对比度调节;以百分之三十的概率进行增加高斯噪声处理,通过一系列操作可将将图片数量增加为原来的7倍左右;
步骤(3)、构建基于yolov5的高铁受电弓检测模型,根据分类要求对最后的SoftMax层进行调整,使模型输出每一种标签的概率结果;对受电弓检测分类器采用卷积神经网络作为特征提取网络,将得到的特征图作为n个节点的SoftMax分类层的输入,最后输出每一种标签的概率;;
步骤(4)、对于高铁受电弓检测网络,学***衡的问题,采用了改进的FocalLoss损失函数;余弦退火学习率更新策略为:
式中,newlr表示新学习率,initiallr表示初始学习率,etamin表示最小学习率,epoch代表当前迭代次数,Tmax表示cos周期的1/2。
Focal Loss上则为:
实施例2
如图1-4所示,一种基于深度学习的高铁受电弓运行监测方法的训练流程,包括如下步骤:
步骤A、对获取到了高铁运行离线视频进行抽帧并保存相应的帧图,需要收集结构损坏、火花频繁、悬挂异物等异常情况的图片,并按(受电弓、左弓角、右弓角、火花、异物、结构损坏等6种标签)标注数据集,同时按照8∶2的比例将数据集划分为训练集和验证集,即可完成数据集准备工作。
步骤B、进行图像预处理,首先图像尺寸统一缩放至640*640,然后再进行数据归一化操作。进一步地,进行在线数据增强,将每一个batch中的每一张数据进行数据增强,如旋转、平移、翻折等相应的变化。数据增强的方式具体为:以百分之三十的概率进行30度左右方向旋转;以百分之三十的概率进行水平平移;以百分之三十的概率进行垂直平移;以百分之三十的概率进行水平翻转;进行亮度和对比度调节;以百分之三十的概率进行增加高斯噪声处理,通过一系列操作可将将图片数量增加为原来的7倍左右;
步骤C、用标注完好的数据集来训练yolov5模型,依据标签值和预测值之间的误差,通过反向传播机制,调整模型的参数值;
步骤D、若模型迭代次数达到预设的epoch,则停止模型训练,否则继续进行模型迭代训练,直至达到预设的epoch,最终完成检测模型的训练。
实施例3
如图3-4所示,一种基于深度学习的高铁受电弓运行监测流程,包括如下步骤:
步骤A、通过图像采集***获取受电弓的实时视频数据;
步骤B、将视频数据按照每一帧送入到检测模型中,进行推理;
步骤C、将推理结果映射到原始视频帧上,显示出最终的检测结果如图4所示。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于深度学习的高铁受电弓运行监测方法,包括以下步骤:
步骤(1)、对获取到了高铁运行离线视频进行抽帧并保存相应的帧图,需要收集异常情况的图片;然后数据集进行数据标注,构建用于检测算法训练的数据集,并将数据集划分为训练集和验证集;
步骤(2)、对于构建好的高铁受电弓数据集进行预处理,包含数据归一化以及图像数据增强的操作;
步骤(3)、构建基于yolov5的高铁受电弓检测模型,根据分类要求对最后的SoftMax层进行调整,使模型输出每一种标签的概率结果;
步骤(4)、对于高铁受电弓检测网络,学***衡的问题,采用了改进的Focal Loss损失函数;
步骤(5)、根据构建好的模型,用标注完好的数据集来训练模型,依据标签值和预测值之间的误差,通过反向传播机制,调整模型的参数值,最终得到高铁受电弓检测模型。
2.根据权利要求1所述的一种基于深度学习的高铁受电弓运行监测方法,其特征在于:所述步骤(1)的具体操作为:对获取到了高铁运行离线视频进行抽帧并保存相应的帧图,并按受电弓、左弓角、右弓角、火花、异物、结构损坏6种标签,标注数据集,同时按照8:2的比例将数据集划分为训练集和验证集。
3.根据权利要求1所述的一种基于深度学***平移;以百分之三十的概率进行垂直平移;以百分之三十的概率进行水平翻转;进行亮度和对比度调节;以百分之三十的概率进行增加高斯噪声处理,通过一系列操作将图片数量增加为原来的7倍左右。
4.根据权利要求1所述的一种基于深度学习的高铁受电弓运行监测方法,其特征在于:所选步骤(3)中的具体操作为:对受电弓检测分类器采用卷积神经网络作为特征提取网络,将得到的特征图作为n个节点的SoftMax分类层的输入,最后输出每一种标签的概率。
7.根据权利要求1所述的一种基于深度学习的高铁受电弓运行监测方法,其特征在于:所选步骤(5)中训练检测模型时,微调的模型参数有:初始化学习率、优化器、批处理大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111251446.8A CN113947027A (zh) | 2021-10-26 | 2021-10-26 | 一种基于深度学习的高铁受电弓运行监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111251446.8A CN113947027A (zh) | 2021-10-26 | 2021-10-26 | 一种基于深度学习的高铁受电弓运行监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947027A true CN113947027A (zh) | 2022-01-18 |
Family
ID=79332510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111251446.8A Pending CN113947027A (zh) | 2021-10-26 | 2021-10-26 | 一种基于深度学习的高铁受电弓运行监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947027A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658387A (zh) * | 2018-11-27 | 2019-04-19 | 北京交通大学 | 电力列车的受电弓碳滑板缺陷的检测方法 |
CN111938569A (zh) * | 2020-09-17 | 2020-11-17 | 南京航空航天大学 | 基于深度学习的眼底多病种分类的检测方法 |
CN112233092A (zh) * | 2020-10-16 | 2021-01-15 | 广东技术师范大学 | 一种用于无人机电力巡检智能缺陷检测的深度学习方法 |
CN112348792A (zh) * | 2020-11-04 | 2021-02-09 | 广东工业大学 | 一种基于小样本学习和自监督学习的x光胸片图像分类方法 |
CN113299363A (zh) * | 2021-04-27 | 2021-08-24 | 西安理工大学 | 一种基于yolov5的皮肤科非处方药售药方法 |
CN113324864A (zh) * | 2020-02-28 | 2021-08-31 | 南京理工大学 | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 |
CN113486711A (zh) * | 2021-05-26 | 2021-10-08 | 上海应用技术大学 | 交通标志识别模型训练方法及*** |
-
2021
- 2021-10-26 CN CN202111251446.8A patent/CN113947027A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658387A (zh) * | 2018-11-27 | 2019-04-19 | 北京交通大学 | 电力列车的受电弓碳滑板缺陷的检测方法 |
CN113324864A (zh) * | 2020-02-28 | 2021-08-31 | 南京理工大学 | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 |
CN111938569A (zh) * | 2020-09-17 | 2020-11-17 | 南京航空航天大学 | 基于深度学习的眼底多病种分类的检测方法 |
CN112233092A (zh) * | 2020-10-16 | 2021-01-15 | 广东技术师范大学 | 一种用于无人机电力巡检智能缺陷检测的深度学习方法 |
CN112348792A (zh) * | 2020-11-04 | 2021-02-09 | 广东工业大学 | 一种基于小样本学习和自监督学习的x光胸片图像分类方法 |
CN113299363A (zh) * | 2021-04-27 | 2021-08-24 | 西安理工大学 | 一种基于yolov5的皮肤科非处方药售药方法 |
CN113486711A (zh) * | 2021-05-26 | 2021-10-08 | 上海应用技术大学 | 交通标志识别模型训练方法及*** |
Non-Patent Citations (5)
Title |
---|
JIAO Z 等: "Real-time detection of pantograph using improved CenterNet", 《2021 IEEE 16TH CONFERENCE ON INDUSTRIAL ELECTRONICS AND APPLICATIONS (ICIEA)》 * |
LIN T Y 等: "Focal loss for dense object detection", 《PROCEEDINGS OF THE IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
LOSHCHILOV I 等: "Sgdr: Stochastic gradient descent with warm restarts", 《ARXIV PREPRINT ARXIV:1608.03983》 * |
冯勇 等: "基于深度学习的高铁受电装置安全状态快速检测方法", 《西安交通大学学报》 * |
捕梦: "模型训练技巧--学习率余弦退火算法和Focal_loss", 《URL: HTTPS://ZHUANLAN.ZHIHU.COM/P/407273954》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107437245B (zh) | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 | |
CN111462076B (zh) | 一种全切片数字病理图像模糊区域检测方法及*** | |
CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
CN107742130A (zh) | 基于深度学习的高铁接触网支持装置紧固件故障诊断方法 | |
CN105044122A (zh) | 一种基于半监督学习模型的铜件表面缺陷视觉检测***及检测方法 | |
CN109472226B (zh) | 一种基于深度学习的睡觉行为检测方法 | |
CN111260797B (zh) | 一种受电弓图像的三维模板自动匹配方法 | |
CN111091547B (zh) | 铁路货车制动梁支柱折断故障图像识别方法 | |
CN108288055A (zh) | 基于深度网络与分级测试的电力机车受电弓及电弧检测方法 | |
CN116310785B (zh) | 基于YOLO v4的无人机影像路面病害检测方法 | |
CN111127448B (zh) | 一种基于孤立森林检测空气弹簧故障的方法 | |
CN103824092A (zh) | 一种用于输变电设备状态在线监测的图像分类方法 | |
CN108009574B (zh) | 一种轨道扣件检测方法 | |
CN103745238B (zh) | 基于AdaBoost和主动形状模型的受电弓识别方法 | |
WO2024027009A1 (zh) | 一种变电站绝缘子的红外热成像缺陷检测方法及装置 | |
CN114757925A (zh) | 一种非接触式高压断路器缺陷检测方法及*** | |
CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测***及其检测方法 | |
Nguyen et al. | U-net for mav-based penstock inspection: an investigation of focal loss in multi-class segmentation for corrosion identification | |
CN113673614B (zh) | 基于机器视觉的地铁隧道异物入侵检测装置及方法 | |
CN113947027A (zh) | 一种基于深度学习的高铁受电弓运行监测方法 | |
CN110188624A (zh) | 一种基于深度学习的变电站风漂物识别方法及*** | |
CN111563886B (zh) | 基于非监督特征学习的隧道钢轨表面病害检测方法及装置 | |
CN112906593A (zh) | 一种基于Faster RCNN的水闸图像识别方法 | |
CN113763326B (zh) | 一种基于Mask Scoring R-CNN网络的受电弓检测方法 | |
Wang et al. | Visual defect detection for substation equipment based on joint inspection data of camera and robot |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |