买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西南交通大学

摘要：本发明提供了一种基于虚拟点跟踪网络的轮轨相对位移计算方法，在转向架上安装一台高清工业相机，使轮轨接触区域位于镜头拍摄区域的正中心，拍摄轮轨接触视频，构建一种虚拟点跟踪网络，所述虚拟点跟踪网络受简化的YOLO模型和UNet模型的联合驱动，所述简化的YOLO模型和UNet模型由两段不同的轮轨接触视频训练获得，使用另一段轮轨接触视频输入虚拟点跟踪网络中，逐帧提取轮缘一侧两个虚拟点和踏面一侧两个虚拟点的横向像素坐标，计算得到轮缘一侧两个虚拟点横向像素差的向量集和踏面一侧两个虚拟点的横向像素差的向量集，将两个向量集去零均值并进行平滑处理，最终得到两段反应轮轨相对位移的曲线。

主权项：1.一种基于虚拟点跟踪网络的轮轨相对位移计算方法，其特征在于，包括以下步骤：S1、构建简化的YOLO网络，所述简化的YOLO网络包括Backbone模块和Neck模块；S2、用一台高清工业相机工装到转向架上，使轮轨接触区域位于镜头拍摄区域的正中心，采集轮轨接触视频；使用一段采集到的轮轨接触视频作为数据集，记作视频1，将视频1逐帧提取，分别对每一帧进行多个类别感兴趣区域的标记，标记的感兴趣区域有四种：以轮缘最低点P1为中心的矩形区域，记为区域1；以近轮缘端的轨道头最低点P2为中心的矩形区域，记为区域2；以踏面倒角的中点O3为中心的矩形区域，记为区域3；以近踏面端的轨道头最低点P4为中心的矩形区域，记为区域4；标记完成后，使用简化的YOLO网络进行训练，经过训练，最终得到一个训练好的简化的YOLO模型；S3、训练完毕后，传入另一段轮轨接触视频2，逐帧提取，将每一帧输入到简化的YOLO模型中，通过MobileNetV3的Backbone模块提取特征，将特征输入到Neck模块中进行特征融合，输出预测图像，所述预测图像是含有四个感兴趣区域的轮轨接触图像，尺寸为Wo×Ho×Co＝352×288×3，Wo表示轮轨接触图像的宽，Ho表示轮轨接触图像的高，Co表示轮轨接触图像的通道数，所述每帧预测图像中的感兴趣区域记为第一预测区域1'、2'、3'、4'，其与视频1每帧图像中的感兴趣区域1、2、3、4位置相对应；S4、在每一帧的预测图像中，分别用和第一预测区域1'、2'、3'、4'尺寸相同的第一预测框对其进行标识，得到四个第一预测框，对四个第一预测框进行预处理矫正，使第一预测框尺寸为wo×ho的固定值，wo表示预处理矫正之后第一预测框的宽，ho表示预处理矫正之后第一预测框的高，设置默认的wo×ho＝32×32；第一预测框经过预处理矫正之后，提取第一预测框内的图像，并按第一预测区域分类保存，得到四个类别的第一预测框图像；S5、第一预测框内的图像被分类保存之后，对每个类别中的每个第一预测框图像分别标记相应的第一虚拟点，分别为第一虚拟轮缘最低点P1′、第一虚拟近轮缘端的轨道头最低点P2′、第一虚拟踏面倒角的中点P3′、第一虚拟近踏面端的轨道头最低点P4′；提取每个第一虚拟点的坐标并记作Pi′ui′,vi′，其中ui′为第i个点的横轴像素坐标，vi'为第i个点的纵轴像素坐标，i＝1,2,3,4；然后构建两个矩阵X和Y： xm,n,ym,n表示矩阵中第m行，第n列位置的值；以每个第一虚拟点为中心，对每个第一预测框内的图像构建一个热力图作为标签，整张热力图服从高斯分布，热力图中每一个位置的值heatmapxm,n,ym,n为： 式中σ表示高斯分布标准差，将每个位置的值拼接为完整的热力图标签如下： 然后单独对每个类别的第一预测框内的图像和热力图标签进行数据增强操作，所述数据增强操作包括对第一预测框内的图像随机添加噪声，随机改变图像的对比度、饱和度和亮度，第一预测框内的图像和热力图标签同向随机翻转；S6、将数据增强后的第一预测框内的图像和热力图标签输入到4个未训练的UNet网络中进行训练，得到4个训练好的UNet模型；S7、构建虚拟点跟踪网络，所述虚拟点跟踪网络由步骤2中已训练的简化的YOLO模型和步骤4中已训练的4个UNet模型联合驱动；使用一段采集到的轮轨接触视频3，逐帧提取轮轨接触图像，传入到所述虚拟点跟踪网络中，使用虚拟点跟踪网络预测每一帧轮轨接触图像中的4个感兴趣区域，记为第二预测区域1”、2”、3”、4”，用和第二预测区域1”、2”、3”、4”尺寸相同的第二预测框对其进行标识；然后，通过热力图回归的方式得到每一个第二预测框内图像的热力图，在每个热力图中检测相应的第二虚拟点，即第二虚拟轮缘最低点P1”、第二虚拟近轮缘端的轨道头最低点P2”、第二虚拟踏面倒角的中点P3”、第二虚拟近踏面端的轨道头最低点P4”，根据Soft-argmax函数找到每个热力图中第二虚拟点的位置，从而实现对每个第二预测区域内的第二虚拟点坐标的检测；通过第二预测框左上角位置相对于整张轮轨接触图像的全局坐标Bi”ui”,vi”和每个第二虚拟点相对于每个第二预测框的局部坐标pi”ui”,vi”得到每个第二虚拟点在整张轮轨接触图像上的全局坐标Pi”ui”,vi”，其中ui”为第i个第二虚拟点的横轴像素坐标，vi”为第i个第二虚拟点的纵轴像素坐标，i＝1,2,3,4；Pi”ui”,vi”＝Bi”ui”,vi”+pi”ui”,vi”S8、计算两种横向像素差距离，其中Pi”uin表示第n帧下第i个第二虚拟点在整张轮轨接触图像上的全局横轴像素坐标，i＝1,2,3,4，S1,n和S2,n分别表示第n帧下轮缘一侧两点P1”、P2”的横向像素差和踏面一侧两点P3”、P4”的横向像素差； 将视频3输入逐帧处理，得到包含所有帧下的轮缘一侧两点的横向像素差向量集S1和踏面一侧两点的横向像素差的向量集S2； 式中f为总帧数；将向量集去零均值并进行平滑处理，最终得到两段反应轮轨相对位移的曲线，分别为曲线1和曲线2，两段曲线互相验证。

全文数据：

权利要求：

百度查询： 西南交通大学 一种基于虚拟点跟踪网络的轮轨相对位移计算方法