本發明涉及接觸器故障檢測方法，尤其涉及引入一種基于深度學習模型的接觸器故障無損自動檢測方法。

背景技術：

1、在工業領域，接觸器在軌道車輛中扮演著至關重要的角色，作為電氣控制系統的核心部件，其穩定性和可靠性對整個系統的正常運行極為關鍵。一旦接觸器發生故障或損壞，可能導致動車組降速或停車，甚至可能引發火災，嚴重影響行車安全并可能導致事故發生。

2、因此，基于故障檢測的健康管理(predictivehealth?management，phm)技術受到了廣泛關注。在phm技術中，對接觸器進行故障評估是核心內容之一，準確高效的對接觸器內部機械結構進行故障檢測是保障行車安全的關鍵步驟。

3、當前，接觸器的研究主要依賴于電氣指標來評估其是否損壞，并據此進行壽命預測和仿真研究。然而，對接觸器內部機械結構的故障檢測大多采用人工操作方式，這種方式不僅效率低下，成本高昂，對企業來說，維護和檢修成本也是一大負擔，而且比較依賴檢修人員的工作經驗，對接觸器故障的診斷不夠精準，人工操作誤差性大。隨著近年來待檢測接觸器數量的激增，按照當前的檢測效率，相關檢測企業將面臨越來越大的壓力，這對企業和軌道交通的智能化發展都構成了障礙。

4、為此，提出一種基于深度學習模型的接觸器故障無損自動檢測方法來解決上述問題。

技術實現思路

1、本發明提供了一種一種基于深度學習模型的接觸器故障無損自動檢測方法，旨在改善人工檢測接觸器內部機械結構故障效率低下，成本高昂，診斷結果不夠精準，誤差性大的問題。

2、一種基于深度學習模型的接觸器故障無損自動檢測方法，包括如下步驟：

3、步驟一：采集若干接觸器內部結構圖像，并對圖像進行預處理及清洗，對剔除不完整的或不清晰的圖像后的圖像進行圖像增強，建立接觸器圖像數據集，通過對不同故障類型的接觸器圖像進行標記，獲得帶有標記的接觸器圖像數據集；

4、步驟二：將所述帶有標記的接觸器圖像數據集采用交叉驗證法劃分為訓練集和測試集；

5、步驟三：通過將ca注意力機制引入到yolov5模型的網絡結構，構建成ca-yolov5模型；

6、步驟四：將所述訓練集輸入所述ca-yolov5模型訓練所需參數中進行訓練，獲得訓練完成的ca-yolov5模型；

7、步驟五：將所述測試集的接觸器圖像輸入至所述訓練完成的ca-yolov5模型中，每張待檢測接觸器圖像都在所述訓練完成的ca-yolov5模型中被標記故障類型預測框后輸出，再通過不同的預測框顯示出所述測試集中每張接觸器圖像的故障類型、置信度以及位置信息，從而完成接觸器故障的檢測。

8、作為上述技術方案的進一步描述：所述的步驟一中，所述接觸器內部結構圖像是使用x光設備拍攝的圖像。

9、作為上述技術方案的進一步描述：所述的步驟一中，所述圖像增強包括但不限于圖像旋轉、圖像翻轉、圖像縮放、裁剪、像素變化和清晰度調整。

10、作為上述技術方案的進一步描述：所述的步驟一中，使用labelimg工具對所述接觸器圖像數據集的不同故障類型的接觸器圖像進行標記處理。

11、作為上述技術方案的進一步描述：所述的步驟一中，故障類型包括：異物(foreignmatter)、觸點傾斜(tilted?contact)、常開觸點(no?contact)、常閉觸點(nc?contact)、彈簧歪曲(crooked?spring)。

12、作為上述技術方案的進一步描述：所述的步驟三中，所述yolov5模型網絡結構由input輸入端、backbone主干網絡、neck頸部網絡、head預測端四部分結構組成。

13、作為上述技術方案的進一步描述：所述input輸入端：對輸入圖像的數據進行預處理，包括數據增強部分、圖像尺寸處理以及自適應錨盒計算。輸入圖像尺寸為640×640×3，為了減少信息冗余，提高推理速度，進行歸一化處理提高檢測性能，此外對原始圖像自適應的添加最少的黑邊進行縮放填充以達到更好的效果。自適應錨盒計算對設定的初始錨定盒進行反向更新，通過不斷的迭代參數得到適合的錨定框值；

14、所述backbone主干網絡：負責對輸入圖像進行目標特征提取，包括cbs模塊、c3模塊和sppf模塊。cbs模塊對三部分包括卷積(conv2d)、批歸一化和激活操作進行封裝，而填充效果則使用自動加載方法實現，其中conv是yolov5s的基本卷積單元。csp模塊由若干個瓶頸殘差的結構模塊組成。sppf模塊使用多個小型池內核的級聯，是spp的進階版，這進一步提高了操作速度；

15、所述neck頸部網絡：經過backbone處理后的特征圖會傳遞至neck，neck頸部網絡基于resnet的剩余結構，這一部分的主要任務是進一步融合不同層級的特征圖，以便捕捉到更豐富的空間和語義信息。yolov5在此部分采用了fpn和pan結構，fpn自頂而下的結構特點避免了低維映射信息無法影響高維映射信息，而pan恰好相反，決定了信息從較低的特征映射到較高的特征映射，傳遞了較強的局部化特征。這兩者共同增強了頸部網絡的特征融合能力。

16、head預測端：head部分將對neck頸部網絡輸出的特征圖進行處理，輸出每個邊界框的類別概率、置信度以及坐標信息，對輸出特征映射進行1×1的卷積處理，從而擴展通道數，減少特征量。該檢測網絡由三個檢測層組成，具有不同大小的特征映射，用于檢測不同大小的目標物體。

17、作為上述技術方案的進一步描述：所述步驟三中，在所述yolov5模型中的所述backbone主干網絡中的sppf層之后加入ca注意力機制，能夠更好地捕獲關鍵數據信息和全局特征，從而增強模型對細節的識別能力。

18、作為上述技術方案的進一步描述：所述步驟三中，在所述yolov5模型中的所述neck頸部網絡中的c3卷積之后加入ca注意力機制，以便更精確地定位和識別目標，在檢測圖像輸出時，此模型有助于提升檢測精度，從而更準確地判斷接觸器內部機械結構的故障類型。

19、作為上述技術方案的進一步描述：所述步驟三中，ca注意力機制流程如下：首先，輸入特征圖的張量尺寸為c×h×w，ca注意力機制在高度h和寬度w兩個方向上分別應用了h×1和1×w大小的池化核，得到了尺寸為c×h×1和c×1×w的特征圖，然后這兩個特征圖被合并至同一維度。接著，通過1×1卷積層，將高度和寬度方向的特征堆疊融合。之后，通過卷積和歸一化處理，特征再次被分離到兩個空間方向上，張量分別變為c/r×h和c/r×w。最后，通過sigmoid函數得到注意力權重，并將其與原始特征圖相乘，從而實現最終的特征圖。由于sigmoid函數的輸出范圍是0到1之間，這種特性使得sigmoid函數能夠在注意力機制中有效地對特征進行二值化處理，從而突出重要特征并抑制不重要的特征，同時與其他更復雜的激活函數相比，sigmoid函數的計算相對簡單，保持了模型的計算效率和性能。

20、一種實現所述的一種基于深度學習模型的接觸器故障無損自動檢測方法的x-ray檢測設備。

21、本發明具有如下有益效果：

22、本發明所述的一種基于深度學習模型的接觸器故障無損自動檢測方法能夠有效識別接觸器內部結構的故障類型，大幅提升接觸器故障檢測效率和準確性，能夠節約了計算資源，促進節能減排，進而降低檢測的經濟成本；所述的一種基于深度學習模型的接觸器故障無損自動檢測方法對減少接觸器維修成本、提高檢測質量、保障旅客及軌道行車安全、提升經濟和社會效益均具有重要意義。