安全锁检测系统、方法、装置、计算机设备和存储介质与流程

1.本技术涉及铁路车辆检修技术领域，特别是涉及一种安全锁检测系统、方法、装置、计算机设备和存储介质。


背景技术：

2.安全锁大量应用于铁路车辆中，例如铁路车辆转向架的制动梁上，随着铁路车辆检修技术的发展，出现了安全锁合闸是否到位的检测方法。目前，检测安全锁的方法包括通过视频图像检测微动开关是否合闸到位，主要是结合人工进行数据统计判断，其中，人为判定及统计结果占用时间长，且判断结果一定程度上依赖于工作人员的经验，人力成本较高的同时，安全锁检测结果的可靠性较低。
3.目前的安全锁检测方式或者传统方法，存在检测效率低等问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高检测效率的安全锁检测系统、方法、装置、计算机设备和计算机可读存储介质。
5.第一方面，本技术提供了一种安全锁检测系统。所述系统包括图像采集设备、光源设备和计算机设备；图像采集设备、光源设备均与计算机设备相连；其中：
6.计算机设备输出用于获取当前安全锁图像的控制命令；控制命令包括调节指令，调节指令用于指示光源设备为安全锁提供相应的光照条件；控制命令还包括驱动指令，驱动指令用于指示图像采集设备相对安全锁调节至相应的拍摄机位；
7.计算机设备获取图像采集设备传输的当前安全锁图像，采用安全锁检测模型处理当前安全锁图像，输出安全锁检测结果；安全锁检测模型为采用小样本训练集精调深度学习模型得到；小样本训练集包括多个历史安全锁图像；深度学习模型为采用大型公开数据集训练得到的目标检测模型。
8.在其中一个实施例中，历史安全锁图像为图像采集设备采集的不同机位、不同光照条件下的安全锁图像；
9.安全锁包括安全绳、两个安全锁头和若干个安全锁接头；安全绳将若干个安全锁接头依次串联，且两端分别与两个安全锁头连接；
10.计算机设备采用插值对当前安全锁图像进行下采样处理，获得待输入安全锁图像；计算机设备采用安全锁检测模型对待输入安全锁图像依次进行特征提取和目标检测，得到待输出检测结果；安全锁检测模型为深度卷积神经网络模型。
11.在其中一个实施例中，计算机设备对待输出检测结果进行非极大值抑制处理，优化安全锁检测结果并输出。
12.第二方面，本技术还提供了一种安全锁检测方法。所述方法包括：
13.获取当前安全锁图像，采用安全锁检测模型处理当前安全锁图像，输出安全锁检测结果；安全锁检测模型为采用小样本训练集精调深度学习模型得到；小样本训练集包括
多个历史安全锁图像；深度学习模型为采用大型公开数据集训练得到的目标检测模型。
14.在其中一个实施例中，历史安全锁图像为不同机位、不同光照条件下采集获取的安全锁图像；采用安全锁检测模型处理当前安全锁图像的步骤包括：
15.采用插值对当前安全锁图像进行下采样处理，获得待输入安全锁图像；
16.采用安全锁检测模型对待输入安全锁图像依次进行特征提取和目标检测，得到待输出检测结果；安全锁检测模型为深度卷积神经网络模型。
17.在其中一个实施例中，采用安全锁检测模型处理当前安全锁图像的步骤之后，还包括步骤：
18.对待输出检测结果进行非极大值抑制处理，优化安全锁检测结果并输出。
19.第三方面，本技术还提供了一种安全锁检测装置。所述装置包括：
20.图像获取模块，用于获取当前安全锁图像；
21.模型处理模块，用于采用安全锁检测模型处理当前安全锁图像；安全锁检测模型为采用小样本训练集精调深度学习模型得到；小样本训练集包括多个历史安全锁图像；深度学习模型为采用大型公开数据集训练得到的目标检测模型；
22.结果输出模块，用于输出安全锁检测结果。
23.第四方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的方法的步骤。
24.第五方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的方法的步骤。
25.第六方面，本技术还提供了一种计算机程序产品。所述计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
26.上述安全锁检测系统、方法、装置、计算机设备、存储介质和计算机程序产品，通过结合迁移学习和小样本训练的方式，能够自动识别安全锁，并检测安全锁是否合闸到位和/或是否安装合格，无需工作人员的操作，提高了安全锁的检测效率。
附图说明
27.图1为一个实施例中安全锁检测系统的结构示意图；
28.图2为一个实施例中安全锁的结构示意图；
29.图3为一个实施例中安全锁检测方法的流程示意图；
30.图4为一个实施例中安全锁检测装置的结构框图；
31.图5为另一个实施例中安全锁检测装置的结构框图；
32.图6为一个实施例中计算机设备的内部结构图。
具体实施方式
33.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
34.在一个实施例中，如图1所示，本技术提供了一种安全锁检测系统。所述系统包括图像采集设备110、光源设备120和计算机设备130；图像采集设备110、光源设备120均与计
算机设备130相连；其中：
35.计算机设备130输出用于获取当前安全锁图像的控制命令；控制命令包括调节指令，调节指令用于指示光源设备120为安全锁提供相应的光照条件；控制命令还包括驱动指令，驱动指令用于指示图像采集设备110相对安全锁调节至相应的拍摄机位；
36.计算机设备130获取图像采集设备110传输的当前安全锁图像，采用安全锁检测模型处理当前安全锁图像，输出安全锁检测结果；安全锁检测模型为采用小样本训练集精调深度学习模型得到；小样本训练集包括多个历史安全锁图像；深度学习模型为采用大型公开数据集训练得到的目标检测模型。
37.具体的，通过调节光源设备120的光照条件和图像采集设备110的拍摄机位，图像采集设备110以采集不同机位、不同光照条件下的历史安全锁图像，并将历史安全锁图像作为小样本训练集；计算机设备130将基于大型公开数据集进行深度学习训练得到的目标检测模型作为深度学习模型；结合迁移学习和小样本训练的方式，即采用小样本训练集对训练得到的深度学习模型进行精调，获取安全锁检测模型；采用安全锁检测模型处理图像采集设备110传输的当前安全锁图像，能够快速准确的实现对安全锁的检测。
38.在一些示例中，图像采集设备110可以为相机；计算机设备130可以为边缘服务器；安全锁检测结果包括安全锁合闸到位和安全锁合闸不到位；安全锁检测结果还可以包括安全锁安装合格和安全锁安装不合格。
39.在一些示例中，可以通过视觉控制，即机器人通过视觉系统接收和处理图像，并通过视觉系统的反馈信息进行相应的操作以实现上述安全锁检测系统。
40.本实施例通过结合迁移学习和小样本训练的方式，能够自动识别安全锁，并检测安全锁是否合闸到位和/或是否安装合格，无需工作人员的操作，提高了安全锁的检测效率。
41.在其中一个实施例中，历史安全锁图像为图像采集设备110采集的不同机位、不同光照条件下的安全锁图像；
42.如图2所示，安全锁包括安全绳210、两个安全锁头220和若干个安全锁接头230；安全绳210将若干个安全锁接头230依次串联，且两端分别与两个安全锁头220连接；
43.计算机设备130采用插值对当前安全锁图像进行下采样处理，获得待输入安全锁图像；计算机设备130采用安全锁检测模型对待输入安全锁图像依次进行特征提取和目标检测，得到待输出检测结果；安全锁检测模型为深度卷积神经网络模型。
44.具体的，安全绳210依次穿过多个安全锁接头230的接头圆孔并压制在一起；安全绳210的一端插入一个安全锁头220的锁头圆孔并压制在一起，安全绳210的另一端插入另一个安全锁头220的锁头圆孔并压制在一起。计算机设备130采用插值对当前安全锁图像进行下采样处理(即缩小图片时按照一定的距离进行选取像素点，又名降采样、缩小图像、池化)，可以提高当前安全锁图像预处理的速度，进而提高安全锁检测效率。
45.在一些示例中，计算机设备130可以采用三次插值法、重采样插值法中的一种或两种对当前安全锁图像进行下采样处理。
46.在其中一个实施例中，计算机设备130对待输出检测结果进行非极大值抑制处理，优化安全锁检测结果并输出。
47.具体的，非极大值抑制(non-maximum suppress，nms)即抑制非极大值的目标，从
而搜索出局部极大值的目标；可以采用非极大值抑制处理待输出检测结果，以对安全锁检测结果进行优化并得到最终识别结果。
48.在一个实施例中，如图3所示，本技术提供了一种安全锁检测方法。所述方法包括：
49.步骤310，获取当前安全锁图像；
50.步骤320，采用安全锁检测模型处理当前安全锁图像；
51.步骤330，输出安全锁检测结果；
52.安全锁检测模型为采用小样本训练集精调深度学习模型得到；小样本训练集包括多个历史安全锁图像；深度学习模型为采用大型公开数据集训练得到的目标检测模型。
53.具体的，采用大型公开数据集训练通用目标检测模型，得到训练好的深度学习模型；采用拍摄到的不同机位、不同光照条件下的历史安全锁图片(即小样本训练集)对深度学习模型进行精调，可以快速准确地实现对安全锁的检测。
54.在其中一个实施例中，历史安全锁图像为不同机位、不同光照条件下采集获取的安全锁图像；采用安全锁检测模型处理当前安全锁图像的步骤包括：
55.采用插值对当前安全锁图像进行下采样处理，获得待输入安全锁图像；
56.采用安全锁检测模型对待输入安全锁图像依次进行特征提取和目标检测，得到待输出检测结果；安全锁检测模型为深度卷积神经网络模型。
57.具体的，采用插值对当前安全锁图像进行下采样处理(即缩小图片时按照一定的距离进行选取像素点，又名降采样、缩小图像、池化)，可以提高当前安全锁图像预处理的速度，进而提高安全锁检测效率。
58.在一些示例中，可以采用三次插值法、重采样插值法中的一种或两种对当前安全锁图像进行下采样处理。
59.在其中一个实施例中，采用安全锁检测模型处理当前安全锁图像的步骤之后，还包括步骤：
60.对待输出检测结果进行非极大值抑制处理，优化安全锁检测结果并输出。
61.具体的，非极大值抑制(non-maximum suppress，nms)即抑制非极大值的目标，从而搜索出局部极大值的目标；可以采用非极大值抑制处理待输出检测结果，以对安全锁检测结果进行优化并得到最终识别结果。
62.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
63.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的安全锁检测方法的安全锁检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个安全锁检测装置实施例中的具体限定可以参见上文中对于安全锁检测方法的限定，在此不再赘述。
64.在一个实施例中，如图4所示，本技术提供了一种安全锁检测装置。所述装置包括：
65.图像获取模块410，用于获取当前安全锁图像；
66.模型处理模块420，用于采用安全锁检测模型处理当前安全锁图像；安全锁检测模型为采用小样本训练集精调深度学习模型得到；小样本训练集包括多个历史安全锁图像；深度学习模型为采用大型公开数据集训练得到的目标检测模型；
67.结果输出模块430，用于输出安全锁检测结果。
68.在其中一个实施例中，模型处理模块420还用于采用插值对当前安全锁图像进行下采样处理，获得待输入安全锁图像；采用安全锁检测模型对待输入安全锁图像依次进行特征提取和目标检测，得到待输出检测结果；安全锁检测模型为深度卷积神经网络模型。
69.在其中一个实施例中，如图5所示，所述装置还包括结果优化模块440，用于对待输出检测结果进行非极大值抑制处理，优化安全锁检测结果并输出。
70.上述安全锁检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备130中的处理器中，也可以以软件形式存储于计算机设备130中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
71.在一个实施例中，本技术提供了一种计算机设备130。所述计算机设备130包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的方法的步骤。
72.在一个实施例中，提供了一种计算机设备130，该计算机设备130可以是边缘服务器，其内部结构图可以如图6所示。该计算机设备130包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备130的处理器用于提供计算和控制能力。该计算机设备130的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备130的数据库用于存储当前安全锁图像、历史安全锁图像、待输入安全锁图像和安全锁检测结果等数据。该计算机设备130的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种安全锁检测方法。
73.本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备130的限定，具体的计算机设备130可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
74.在一个实施例中，本技术提供了一种计算机可读存储介质。所述计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的方法的步骤。
75.在一个实施例中，本技术提供了一种计算机程序产品。所述计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
76.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器
(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
77.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
78.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。