本申請涉及檢測，特別是涉及一種基于yolov8模型的轉(zhuǎn)轍機零件檢測方法、設(shè)備及介質(zhì)。

背景技術(shù)：

1、轉(zhuǎn)轍機在軌道交通道岔轉(zhuǎn)換設(shè)備中至關(guān)重要，用于列車的換向和轉(zhuǎn)線，對列車的行車安全起到重要的作用。轉(zhuǎn)轍機的零件故障會導(dǎo)致列車晚點，嚴重影響列車的正常運行。傳統(tǒng)的故障維修方法主要靠維修人員目測和經(jīng)驗判斷來進行人工檢測維修，需要大量經(jīng)驗累積，人為巡檢成本高，實時性差、故障檢測效率低，對特征多樣性變化缺乏魯棒性，已不能滿足當(dāng)今工業(yè)檢測的需求。目前，三維跟蹤注冊技術(shù)日益興起，通過對現(xiàn)實維修場景中的物體檢測定位后進行跟蹤注冊，將虛擬物體疊加到真實維修環(huán)境中并可視化，可大幅提升維修人員的維修效率，降低維修成本。

2、為了精準(zhǔn)的跟蹤注冊并實現(xiàn)高效的故障維修，轉(zhuǎn)轍機零件的精準(zhǔn)檢測定位成為關(guān)鍵，檢測精度將會直接影響故障維修的效率。因此，為了實現(xiàn)轉(zhuǎn)轍機零件的精準(zhǔn)檢測，亟需一種轉(zhuǎn)轍機零件精準(zhǔn)檢測的方法。

技術(shù)實現(xiàn)思路

1、本申請的目的是提供一種基于yolov8模型的轉(zhuǎn)轍機零件檢測方法、設(shè)備及介質(zhì)，以解決轉(zhuǎn)轍機零件檢測準(zhǔn)確低的問題。

2、為實現(xiàn)上述目的，本申請?zhí)峁┝巳缦路桨福?/p>

3、第一方面，本申請?zhí)峁┝嘶趛olov8模型的轉(zhuǎn)轍機零件檢測方法，包括：標(biāo)注轉(zhuǎn)轍機零件圖像中的目標(biāo)零件，生成目標(biāo)圖像；所述目標(biāo)圖像包括對所述目標(biāo)零件定位的真實邊界框；

4、將swin?transformer網(wǎng)絡(luò)代替yolov8模型的原主干網(wǎng)絡(luò)darknet53，在swintransformer網(wǎng)絡(luò)中引入殘差注意力模塊；基于swin?transformer網(wǎng)絡(luò)結(jié)合空間金字塔池化層，同時采用新?lián)p失函數(shù)focal-eiou替換yolov8模型的原損失函數(shù)ciou，構(gòu)建改進后的yolov8模型；所述殘差注意力模塊用于聚焦所述目標(biāo)零件對應(yīng)的特征，以使swintransformer網(wǎng)絡(luò)生成所述目標(biāo)零件對應(yīng)的特征圖；所述空間金字塔池化層用于對所述特征圖進行最大池化或平均池化，得到特征向量；所述新?lián)p失函數(shù)focal-eiou用于計算目標(biāo)零件的預(yù)測邊界框?qū)?yīng)的預(yù)測寬高比與目標(biāo)零件的真實邊界框?qū)?yīng)的真實寬高比的差異；

5、將所述目標(biāo)圖像輸入至所述改進后的yolov8模型，生成預(yù)測結(jié)果；所述預(yù)測結(jié)果包括所述目標(biāo)零件的預(yù)測邊界框?qū)?yīng)的尺度信息和所述真實邊界框?qū)?yīng)的尺度信息；其中，所述預(yù)測邊界框?qū)?yīng)的尺度信息包括預(yù)測寬高比和預(yù)測中心點坐標(biāo)；所述真實邊界框?qū)?yīng)的尺度信息包括真實寬高比和真實中心點坐標(biāo)。

6、第二方面，本申請?zhí)峁┝艘环N計算機設(shè)備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序以實現(xiàn)所述的基于yolov8模型的轉(zhuǎn)轍機零件檢測方法的步驟。

7、第三方面，本申請?zhí)峁┝艘环N計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)所述的基于yolov8模型的轉(zhuǎn)轍機零件檢測方法的步驟。

8、根據(jù)本申請?zhí)峁┑木唧w實施例，本申請公開了以下技術(shù)效果：

9、本申請首先利用swin?transformer網(wǎng)絡(luò)代替原yolov8模型的原主干網(wǎng)絡(luò)darknet53，在swin?transformer網(wǎng)絡(luò)引入殘差注意力模塊，殘差注意力模塊可以更精準(zhǔn)的聚焦目標(biāo)零件，從而實現(xiàn)對目標(biāo)零件的特征的全局提取和細節(jié)提取，能夠增強目標(biāo)零件的表征能力和抑制冗余信息的干擾，以使swin?transformer網(wǎng)絡(luò)生成的特征圖較原主干網(wǎng)絡(luò)生成的特征圖更準(zhǔn)確。同時，結(jié)合空間金字塔池化層對特征圖進行最大池化或平均池化得到特征向量，也進一步增強了對特征圖的提取能力。然后，通過引入新?lián)p失函數(shù)focal-eiou替換原損失函數(shù)ciou，因原損失函數(shù)ciou在目標(biāo)零件的寬高比的預(yù)測并不準(zhǔn)確，因此，本申請采用新?lián)p失函數(shù)focal-eiou能夠使得改進后的yolov8模型重新計算每一個目標(biāo)零件的預(yù)測框的尺度信息替代原損失函數(shù)ciou的yolov8模型得到的預(yù)測框的尺度信息，實現(xiàn)了在目標(biāo)零件的寬高比的準(zhǔn)確預(yù)測，最終基于改進后的yolov8模型輸出的檢測結(jié)果精準(zhǔn)定位該目標(biāo)零件，實現(xiàn)了對目標(biāo)零件的準(zhǔn)確檢測。

技術(shù)特征：

1.一種基于yolov8模型的轉(zhuǎn)轍機零件檢測方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的基于yolov8模型的轉(zhuǎn)轍機零件檢測方法，其特征在于，所述swin?transformer網(wǎng)絡(luò)包括：第一結(jié)構(gòu)、第二結(jié)構(gòu)、第三結(jié)構(gòu)和第四結(jié)構(gòu)；其中，所述第一結(jié)構(gòu)包括：線性嵌入模塊和基于位移窗口的分層視覺轉(zhuǎn)換器；所述第二結(jié)構(gòu)包括圖像塊合并模塊和基于位移窗口的分層視覺轉(zhuǎn)換器；所述第三結(jié)構(gòu)和所述第四結(jié)構(gòu)與所述第二結(jié)構(gòu)的結(jié)構(gòu)相同。

3.根據(jù)權(quán)利要求2所述的基于yolov8模型的轉(zhuǎn)轍機零件檢測方法，其特征在于，所述殘差注意力模塊分別設(shè)置在所述第一結(jié)構(gòu)的線性嵌入模塊和基于位移窗口的分層視覺轉(zhuǎn)換器之間，所述第二結(jié)構(gòu)的圖像塊合并模塊和基于位移窗口的分層視覺轉(zhuǎn)換器之間，所述第三結(jié)構(gòu)的圖像塊合并模塊和基于位移窗口的分層視覺轉(zhuǎn)換器之間，以及，第四結(jié)構(gòu)的圖像塊合并模塊和基于位移窗口的分層視覺轉(zhuǎn)換器之間。

4.根據(jù)權(quán)利要求1所述的基于yolov8模型的轉(zhuǎn)轍機零件檢測方法，其特征在于，所述改進的yolov8模型還包括圖像塊分割模塊；所述圖像塊分割模塊用于將所述轉(zhuǎn)轍機零件圖像分割成若干圖像塊；所述swin?transformer網(wǎng)絡(luò)，用于基于所述圖像塊生成所述轉(zhuǎn)轍機零件圖像中目標(biāo)零件的特征圖。

5.根據(jù)權(quán)利要求1所述的基于yolov8模型的轉(zhuǎn)轍機零件檢測方法，其特征在于，其特征在于，新?lián)p失函數(shù)focal-eiou為：

6.根據(jù)權(quán)利要求1所述的基于yolov8模型的轉(zhuǎn)轍機零件檢測方法，其特征在于，所述改進后的yolov8模型的訓(xùn)練過程，具體包括：

7.根據(jù)權(quán)利要求1所述的基于yolov8模型的轉(zhuǎn)轍機零件檢測方法，其特征在于，標(biāo)注所述轉(zhuǎn)轍機零件圖像中的目標(biāo)零件，具體包括：

8.根據(jù)權(quán)利要求1所述的基于yolov8模型的轉(zhuǎn)轍機零件檢測方法，其特征在于，標(biāo)注轉(zhuǎn)轍機零件圖像中的目標(biāo)零件之前，還包括：

9.一種計算機設(shè)備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序以實現(xiàn)權(quán)利要求1-8中任一項所述的基于yolov8模型的轉(zhuǎn)轍機零件檢測方法。

10.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-8中任一項所述的基于yolov8模型的轉(zhuǎn)轍機零件檢測方法。

技術(shù)總結(jié)
本申請公開了一種基于YOLOv8模型的轉(zhuǎn)轍機零件檢測方法、設(shè)備及介質(zhì)，該方法包括：標(biāo)注轉(zhuǎn)轍機零件圖像中的目標(biāo)零件，生成目標(biāo)圖像；將Swin?transformer網(wǎng)絡(luò)代替YOLOv8模型的原主干網(wǎng)絡(luò)darknet53，在Swin?transformer網(wǎng)絡(luò)中引入殘差注意力模塊；基于Swin?transformer網(wǎng)絡(luò)結(jié)合空間金字塔池化層，同時采用新?lián)p失函數(shù)Focal?EIoU替換YOLOv8模型的原損失函數(shù)CIoU，構(gòu)建改進后的YOLOv8模型；將所述目標(biāo)圖像輸入至所述改進后的YOLOv8模型，生成預(yù)測結(jié)果。基于改進后的YOLOv8模型輸出的檢測結(jié)果實現(xiàn)了對目標(biāo)零件的準(zhǔn)確檢測。

技術(shù)研發(fā)人員：雍玖,黨建武,王陽萍,楊景玉,王文潤,鄧文軒,任鵬百,岳彪,王松
受保護的技術(shù)使用者：蘭州交通大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19