本技術(shù)涉及鐵路運輸，更具體地說，涉及復(fù)構(gòu)架折斷故障檢測方法、裝置、電子設(shè)備及介質(zhì)。

背景技術(shù)：

1、在鐵路運輸系統(tǒng)中，復(fù)構(gòu)架作為其中的結(jié)構(gòu)組件，其完整性和穩(wěn)定性影響著列車的安全運行。然而，復(fù)構(gòu)架在長期使用過程中可能會出現(xiàn)折斷故障，這種故障不僅會影響車輛的正常運行，還可能導(dǎo)致安全事故，為此需要對復(fù)構(gòu)架進行折斷故障檢測。

2、比如可以依賴像素特征及固定閾值設(shè)置對復(fù)構(gòu)架進行折斷故障檢測，然而面對復(fù)雜的故障形態(tài)時，無法充分捕捉到關(guān)鍵特征，尤其是在特征形態(tài)變化顯著的情況下，漏檢和誤檢風險顯著增加，不僅降低了故障檢測的可靠性，也增加了潛在的安全隱患。

3、綜上所述，如何準確對復(fù)構(gòu)架進行折斷故障檢測是目前本領(lǐng)域技術(shù)人員亟待解決的問題。

技術(shù)實現(xiàn)思路

1、本技術(shù)的目的是提供一種復(fù)構(gòu)架折斷故障檢測方法，其能在一定程度上解決如何準確對復(fù)構(gòu)架進行折斷故障檢測的技術(shù)問題。本技術(shù)還提供了一種復(fù)構(gòu)架折斷故障檢測裝置、電子設(shè)備及計算機可讀存儲介質(zhì)。

2、為了實現(xiàn)上述目的，本技術(shù)提供如下技術(shù)方案：

3、第一方面，提供一種復(fù)構(gòu)架折斷故障檢測方法，包括：

4、獲取待檢測復(fù)構(gòu)架的目標圖像；

5、對所述目標圖像中的復(fù)構(gòu)架區(qū)域進行分割，得到復(fù)構(gòu)架二值圖像；

6、通過預(yù)先訓(xùn)練好的故障識別模型對所述目標圖像進行故障識別，得到裂紋區(qū)域信息；

7、根據(jù)所述裂紋區(qū)域信息，對所述目標圖像中的裂紋區(qū)域進行二值化，得到裂紋二值圖像；

8、響應(yīng)于所述裂紋二值圖像中的裂紋區(qū)域與所述復(fù)構(gòu)架二值圖像中的復(fù)構(gòu)架區(qū)域重合，則得到表征所述待檢測復(fù)構(gòu)架折斷的故障檢測結(jié)果；

9、其中，所述故障識別模型包括順次連接的殘差網(wǎng)絡(luò)、跨階段部分特征融合網(wǎng)絡(luò)和特征選擇無錨框的殘差網(wǎng)絡(luò)。

10、另一方面，通過預(yù)先訓(xùn)練好的故障識別模型對所述目標圖像進行故障識別，得到裂紋區(qū)域信息，包括：

11、通過所述殘差網(wǎng)絡(luò)對所述目標圖像進行特征提取，得到原始特征圖，所述原始特征圖的維度小于設(shè)定值；

12、通過所述跨階段部分特征融合網(wǎng)絡(luò)對所述原始特征圖進行特征融合，得到中間特征圖；

13、通過所述特征選擇無錨框的殘差網(wǎng)絡(luò)對所述中間特征圖進行分類和位置回歸，得到類別信息及對應(yīng)的位置信息；

14、根據(jù)所述類別信息和所述位置信息，在所述目標圖像中確定所述裂紋區(qū)域信息。

15、另一方面，通過所述特征選擇無錨框的殘差網(wǎng)絡(luò)對所述中間特征圖進行分類和位置回歸，得到類別信息及對應(yīng)的位置信息，包括：

16、通過所述特征選擇無錨框的殘差網(wǎng)絡(luò)對所述中間特征圖進行分類和位置回歸，得到類別信息及對應(yīng)的位置信息，所述類別信息包括裂紋、水流、粉筆、陰影和異物。

17、另一方面，通過預(yù)先訓(xùn)練好的故障識別模型對所述目標圖像進行故障識別，得到裂紋區(qū)域信息之前，還包括：

18、獲取訓(xùn)練樣本集；

19、通過初始的故障識別模型對所述訓(xùn)練樣本集中的圖像進行故障識別，得到識別結(jié)果；

20、根據(jù)所述訓(xùn)練樣本集和所述識別結(jié)果，生成所述故障識別模型的損失函數(shù)值；

21、基于所述損失函數(shù)值對所述故障識別模型進行調(diào)整，以得到訓(xùn)練好的所述故障識別模型；

22、其中，所述損失函數(shù)值的生成公式包括：

23、；

24、；

25、其中，表示所述損失函數(shù)值；表示所有有效框內(nèi)的像素總數(shù)；表示特征金字塔中的層級索引；表示位置坐標；表示特征金字塔第層的有效邊界框，表示邊界框，表示有效；表示預(yù)測邊界框和真實邊界框的交并比；表示預(yù)測邊界框中心點與真實邊界框中心點之間的距離；表示包含預(yù)測邊界框和真實邊界框的最小外接矩形的對角線長度；表示真實邊界框的寬度，表示真實邊界框的高度；表示預(yù)測邊界框的寬度，表示預(yù)測邊界框的高度；表示設(shè)定值。

26、另一方面，獲取訓(xùn)練樣本集，包括：

27、獲取對訓(xùn)練車輛進行拍攝后得到的列車圖像；

28、對所述列車圖像中的復(fù)構(gòu)架部件進行標記和區(qū)域繪制，并截取出所述列車圖像中已知復(fù)構(gòu)架的第一圖像；

29、基于所述第一圖像，生成已知復(fù)構(gòu)架的標記文件，所述標記文件包括圖像名稱、檢測類別、復(fù)構(gòu)架區(qū)域坐標；

30、確定已知復(fù)構(gòu)架的故障信息；

31、對所述第一圖像進行數(shù)據(jù)增強和對比度增強處理，得到第二圖像；

32、將所述第二圖像、所述標記文件和所述故障信息作為訓(xùn)練樣本集。

33、另一方面，通過初始的故障識別模型對所述訓(xùn)練樣本集中的圖像進行故障識別之前，還包括：

34、獲取視覺對象識別數(shù)據(jù)集的模型參數(shù)；

35、基于所述模型參數(shù)對初始的故障識別模型的網(wǎng)絡(luò)參數(shù)進行初始化。

36、另一方面，對所述目標圖像中的復(fù)構(gòu)架區(qū)域進行分割，得到復(fù)構(gòu)架二值圖像，包括：

37、通過語義分割網(wǎng)絡(luò)對所述目標圖像中的復(fù)構(gòu)架區(qū)域進行分割，得到復(fù)構(gòu)架二值圖像，且復(fù)構(gòu)架區(qū)域的像素值為1，其他區(qū)域的像素值為0；

38、所述根據(jù)所述裂紋區(qū)域信息，對所述目標圖像中的裂紋區(qū)域進行二值化，得到裂紋二值圖像，包括：

39、通過所述語義分割網(wǎng)絡(luò)，根據(jù)所述裂紋區(qū)域信息，對所述目標圖像中的裂紋區(qū)域進行二值化，得到裂紋二值圖像，且裂紋區(qū)域的像素值為1，非裂紋區(qū)域的像素值為0。

40、另一方面，響應(yīng)于所述裂紋二值圖像中的裂紋區(qū)域與所述復(fù)構(gòu)架二值圖像中的復(fù)構(gòu)架區(qū)域重合，則得到表征所述待檢測復(fù)構(gòu)架折斷的故障檢測結(jié)果，包括：

41、對所述復(fù)構(gòu)架二值圖像和所述裂紋二值圖像進行與處理，生成待處理圖像；

42、檢測所述待處理圖像中是否存在值為1的像素區(qū)域；

43、響應(yīng)于所述待處理圖像中存在值為1的像素區(qū)域，則得到表征所述待檢測復(fù)構(gòu)架折斷的故障檢測結(jié)果。

44、第二方面，提供一種復(fù)構(gòu)架折斷故障檢測裝置，包括：

45、第一獲取模塊，用于獲取待檢測復(fù)構(gòu)架的目標圖像；

46、第一分割模塊，用于對所述目標圖像中的復(fù)構(gòu)架區(qū)域進行分割，得到復(fù)構(gòu)架二值圖像；

47、第一識別模塊，用于通過預(yù)先訓(xùn)練好的故障識別模型對所述目標圖像進行故障識別，得到裂紋區(qū)域信息；

48、第二分割模塊，用于根據(jù)所述裂紋區(qū)域信息，對所述目標圖像中的裂紋區(qū)域進行二值化，得到裂紋二值圖像；

49、第一檢測模塊，用于響應(yīng)于所述裂紋二值圖像中的裂紋區(qū)域與所述復(fù)構(gòu)架二值圖像中的復(fù)構(gòu)架區(qū)域重合，則得到表征所述待檢測復(fù)構(gòu)架折斷的故障檢測結(jié)果；

50、其中，所述故障識別模型包括順次連接的殘差網(wǎng)絡(luò)、跨階段部分特征融合網(wǎng)絡(luò)和特征選擇無錨框的殘差網(wǎng)絡(luò)。

51、第三方面，提供一種電子設(shè)備，包括：

52、存儲器，用于存儲計算機程序；

53、處理器，用于執(zhí)行所述計算機程序時實現(xiàn)如上任一所述復(fù)構(gòu)架折斷故障檢測方法的步驟。

54、第四方面，提供一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有計算機程序，所述計算機程序被處理器執(zhí)行時現(xiàn)如上任一所述復(fù)構(gòu)架折斷故障檢測方法的步驟。

55、本技術(shù)提供的一種復(fù)構(gòu)架折斷故障檢測方法，獲取待檢測復(fù)構(gòu)架的目標圖像；對目標圖像中的復(fù)構(gòu)架區(qū)域進行分割，得到復(fù)構(gòu)架二值圖像；通過預(yù)先訓(xùn)練好的故障識別模型對目標圖像進行故障識別，得到裂紋區(qū)域信息；根據(jù)裂紋區(qū)域信息，對目標圖像中的裂紋區(qū)域進行二值化，得到裂紋二值圖像；響應(yīng)于裂紋二值圖像中的裂紋區(qū)域與復(fù)構(gòu)架二值圖像中的復(fù)構(gòu)架區(qū)域重合，則得到表征待檢測復(fù)構(gòu)架折斷的故障檢測結(jié)果；其中，故障識別模型包括順次連接的殘差網(wǎng)絡(luò)、跨階段部分特征融合網(wǎng)絡(luò)和特征選擇無錨框的殘差網(wǎng)絡(luò)。本技術(shù)中，根據(jù)復(fù)構(gòu)架區(qū)域和裂紋區(qū)域?qū)δ繕藞D像進行分割，可以提高復(fù)構(gòu)架和裂紋區(qū)域的定位準確性，這樣根據(jù)得到的二值圖像進行折斷檢測的話，可以避免非復(fù)構(gòu)架位置相似折斷故障進行誤報，提高復(fù)構(gòu)架折斷故障的檢測準確率；且本技術(shù)將跨階段部分特征融合網(wǎng)絡(luò)引入到特征選擇無錨框的殘差網(wǎng)絡(luò)中，可以結(jié)合跨階段部分特征融合網(wǎng)絡(luò)的跨階段特征信息融合能力，增強特征的多樣性和表達能力，從而可以解決因特征信息丟失而導(dǎo)致的復(fù)構(gòu)架漏檢問題，提高了網(wǎng)絡(luò)模型對復(fù)構(gòu)架的折斷故障識別率，從而更準確的對復(fù)構(gòu)架進行折斷故障識別。本技術(shù)提供的一種復(fù)構(gòu)架折斷故障檢測裝置、電子設(shè)備及計算機可讀存儲介質(zhì)也解決了相應(yīng)技術(shù)問題。