基于脈沖數(shù)據(jù)重構(gòu)的高速鐵路關(guān)鍵零部件檢測(cè)算法

董文波，李 晨，熊敏君，田 野，肖 雄，姚巍巍

（株洲中車(chē)時(shí)代電氣股份有限公司，湖南 株洲 412001）

0 引言

截止2022年底，我國(guó)電氣化鐵路運(yùn)營(yíng)里程已突破11萬(wàn)公里，其中高速鐵路（簡(jiǎn)稱(chēng)“高鐵”）4.2萬(wàn)公里，保障規(guī)模龐大的高鐵運(yùn)營(yíng)安全是我們面臨的重大課題。車(chē)體、輪對(duì)和受電弓等是高鐵系統(tǒng)中重要的零部件，也是動(dòng)車(chē)組的重要組成部分。受電弓是動(dòng)車(chē)組獲取外界電能的唯一途徑，長(zhǎng)期運(yùn)行導(dǎo)致受電弓碳滑板不斷磨損變薄，影響動(dòng)車(chē)組的正常供電甚至導(dǎo)致受電弓拉弧、灼傷剝離等其他故障。輪對(duì)是動(dòng)車(chē)組實(shí)現(xiàn)走行功能的最重要部件，不僅承受著動(dòng)車(chē)組全部的重量，而且還要傳遞動(dòng)車(chē)與鋼軌間的驅(qū)動(dòng)力和制動(dòng)力。當(dāng)輪對(duì)存在磨損時(shí)，往往會(huì)給車(chē)輪承軸和鋼軌帶來(lái)巨大的額外沖擊載荷，造成嚴(yán)重的安全隱患。因此，對(duì)高鐵關(guān)鍵零部件進(jìn)行實(shí)時(shí)故障診斷具有重要意義［1-3］，其中，對(duì)高鐵關(guān)鍵零部件進(jìn)行快速且準(zhǔn)確的定位是故障診斷的前提。

隨著傳感器技術(shù)的發(fā)展，相機(jī)已成為軌道交通領(lǐng)域運(yùn)用最廣泛的傳感器之一，基于圖像的非接觸式目標(biāo)檢測(cè)方法也在該領(lǐng)域得到廣泛應(yīng)用。以AlexNet［4］為界限，現(xiàn)有的圖像目標(biāo)檢測(cè)算法主要分為傳統(tǒng)方法以及深度學(xué)習(xí)方法。傳統(tǒng)方法通過(guò)“特征提取+目標(biāo)分類(lèi)”完成目標(biāo)檢測(cè)［5-8］。深度學(xué)習(xí)方法根據(jù)檢測(cè)過(guò)程是單階段還是雙階段，又分為基于候選框的目標(biāo)檢測(cè)方法［9-11］及基于回歸的檢測(cè)方法［12-16］。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，現(xiàn)有基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法在檢測(cè)精度與速度上遠(yuǎn)超傳統(tǒng)方法。文獻(xiàn)［17-18］通過(guò)工業(yè)相機(jī)進(jìn)行受電弓數(shù)據(jù)采集，并通過(guò)深度學(xué)習(xí)算法確定受電弓位置。文獻(xiàn)［19-20］采用離線(xiàn)分析的方法，利用目標(biāo)檢測(cè)算法對(duì)采集的輪對(duì)踏面數(shù)據(jù)進(jìn)行缺陷檢測(cè)。這類(lèi)方法在動(dòng)車(chē)組低速運(yùn)行或是數(shù)據(jù)采集裝置與關(guān)鍵零部件相對(duì)靜止的情況下能夠取得較好的檢測(cè)效果；但當(dāng)數(shù)據(jù)采集裝置與關(guān)鍵零部件之間有相對(duì)高速運(yùn)動(dòng)時(shí)，則會(huì)由于運(yùn)動(dòng)模糊或幀間視差過(guò)大等問(wèn)題，導(dǎo)致無(wú)法在圖像中準(zhǔn)確地定位關(guān)鍵零部件，難以進(jìn)行實(shí)時(shí)在線(xiàn)檢測(cè)。超高速脈沖相機(jī)能夠?qū)崿F(xiàn)每秒鐘數(shù)萬(wàn)幀的數(shù)據(jù)采集，可以有效避免工業(yè)相機(jī)在相對(duì)高速運(yùn)動(dòng)場(chǎng)景存在的運(yùn)動(dòng)模糊以及幀間視差過(guò)大的問(wèn)題。超高速脈沖相機(jī)的數(shù)據(jù)為由0和1組成的脈沖流，現(xiàn)有的利用脈沖神經(jīng)網(wǎng)絡(luò)（spiking neural network，SNN）進(jìn)行目標(biāo)檢測(cè)的方法主要有基于代理梯度的SNN 訓(xùn)練方法以及基于人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）轉(zhuǎn)SNN的訓(xùn)練方法，但是相較ANN算法，現(xiàn)有SNN算法無(wú)論是在訓(xùn)練難度以及模型部署上，均存在較大的差距，極大地增加了直接利用脈沖數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)的難度。

針對(duì)上述直接利用工業(yè)相機(jī)以及超高速脈沖相機(jī)對(duì)高鐵關(guān)鍵零部件進(jìn)行定位存在的各種問(wèn)題，本文提出一種基于脈沖數(shù)據(jù)重構(gòu)的高鐵關(guān)鍵零部件檢測(cè)算法，其利用超高速脈沖相機(jī)作為數(shù)據(jù)采集裝置對(duì)運(yùn)行中的高鐵進(jìn)行數(shù)據(jù)采集，避免了工業(yè)相機(jī)存在的運(yùn)動(dòng)模糊以及幀間視差過(guò)大的問(wèn)題。針對(duì)脈沖相機(jī)數(shù)據(jù)密度低、訓(xùn)練難度大等問(wèn)題，本文采用先重構(gòu)后檢測(cè)的思想，即首先將脈沖數(shù)據(jù)重構(gòu)為高清灰度圖像，在此基礎(chǔ)上進(jìn)行關(guān)鍵零部件檢測(cè)的模型訓(xùn)練與加速，從而能夠?qū)崿F(xiàn)對(duì)運(yùn)行中的高鐵關(guān)鍵零部件進(jìn)行檢測(cè)。

1 脈沖重構(gòu)基本原理

不同于普通工業(yè)相機(jī)，脈沖相機(jī)在進(jìn)行數(shù)據(jù)采集的過(guò)程中，所有感光器件并不同步地按相同的曝光時(shí)長(zhǎng)進(jìn)行曝光，而是持續(xù)地捕獲光子，當(dāng)感光位置的累計(jì)光強(qiáng)超過(guò)設(shè)定閾值，就產(chǎn)生一個(gè)脈沖信號(hào)。該過(guò)程的數(shù)學(xué)描述如下：假設(shè)第i行第j列像素的光強(qiáng)值為Iij，在時(shí)間0～t內(nèi)對(duì)它進(jìn)行積分，得到該感光位置的累計(jì)光強(qiáng)為

定義光強(qiáng)閾值為T(mén)。當(dāng)Sij(t)大于等于T時(shí)，第i行第j列的像素觸發(fā)脈沖；否則，不觸發(fā)脈沖。因此，第i行第j列像素的脈沖觸發(fā)狀態(tài)可以表示為

將所有像素的瞬時(shí)脈沖觸發(fā)狀態(tài)按行排列，得到當(dāng)前時(shí)刻t的脈沖幀，脈沖相機(jī)采集脈沖流數(shù)據(jù)的過(guò)程被看作是不斷重復(fù)生成當(dāng)前時(shí)刻脈沖幀的過(guò)程，其中每一個(gè)像素位置都是由0或1組成。

由上述超高速脈沖相機(jī)成像原理可知：

1）單個(gè)像素位置的光照強(qiáng)度與單位時(shí)間內(nèi)觸發(fā)的脈沖數(shù)量成正比，單位時(shí)間內(nèi)觸發(fā)的脈沖數(shù)量越多，光強(qiáng)越大。故可通過(guò)統(tǒng)計(jì)一段時(shí)間內(nèi)觸發(fā)的脈沖數(shù)量來(lái)還原真實(shí)光強(qiáng)，從而還原圖像在該像素位置的亮度，如圖1（a）所示。其中，時(shí)間窗口T1～T2為虛擬曝光時(shí)間，大小可調(diào)。

圖1 脈沖重構(gòu)原理Fig.1 Principle of spike-based reconstruction

2）單個(gè)像素位置的光照強(qiáng)度與兩脈沖之間的間隔大小成反比，兩個(gè)脈沖之間的間隔越小，光強(qiáng)越大。故可通過(guò)計(jì)算脈沖間隔的倒數(shù)來(lái)還原像素位置的光強(qiáng)，從而還原圖像在該像素位置的亮度，如圖1（b）所示。

圖像顯示了特定時(shí)刻所有像素位置對(duì)光強(qiáng)映射的空間排布，利用上述方法可以估計(jì)任意時(shí)刻光強(qiáng)，從而實(shí)現(xiàn)基于脈沖數(shù)據(jù)的圖像重構(gòu)［21］。

2 基于脈沖數(shù)據(jù)重構(gòu)的高鐵關(guān)鍵零部件檢測(cè)算法及實(shí)現(xiàn)

本文所提方法依據(jù)超高速脈沖相機(jī)原理，首先將在高鐵運(yùn)行正線(xiàn)上采集的脈沖數(shù)據(jù)重構(gòu)為高清晰灰度圖像數(shù)據(jù)并進(jìn)行數(shù)據(jù)清洗與標(biāo)注，然后利用YOLOv8目標(biāo)檢測(cè)算法對(duì)標(biāo)注后的數(shù)據(jù)進(jìn)行訓(xùn)練，最后對(duì)訓(xùn)練后的模型進(jìn)行TensorRT加速處理，從而使模型具有更好的實(shí)時(shí)推理能力。本文所提算法整體框架如圖2 所示。由圖可知，該算法主要包含2 個(gè)模塊：基于脈沖數(shù)據(jù)的高鐵場(chǎng)景圖像重構(gòu)、基于重構(gòu)圖像的高鐵關(guān)鍵零部件定位。

圖2 高鐵關(guān)鍵零部件檢測(cè)算法總體設(shè)計(jì)Fig.2 Overall design of detection algorithm for key components on high-speed railways

2.1 基于脈沖數(shù)據(jù)的高鐵場(chǎng)景圖像重構(gòu)

由于脈沖累計(jì)重構(gòu)是通過(guò)統(tǒng)計(jì)虛擬曝光時(shí)間內(nèi)所觸發(fā)的脈沖數(shù)量來(lái)還原光強(qiáng)大小的，和普通工業(yè)相機(jī)類(lèi)似，在高速運(yùn)動(dòng)場(chǎng)景下存在運(yùn)動(dòng)模糊現(xiàn)象。因此，本文的重構(gòu)方法在脈沖間隔重構(gòu)原理的基礎(chǔ)上增加了一系列后處理，從而達(dá)到更好的成像效果。本文所提圖像重構(gòu)方法具體流程如圖3所示。

圖3 基于脈沖數(shù)據(jù)的圖像重構(gòu)Fig.3 Image reconstruction based on spike data

根據(jù)脈沖間隔成像的原理，利用本文所提方法，由原始脈沖數(shù)據(jù)重構(gòu)出高清晰度灰度圖像，具體步驟如下：

1）將單幀 脈沖數(shù) 據(jù)表示 為Sm={xi，j，m}，m∈[1，n]，i，j∈[1，1000]。其中，xi，j，m表示第m幀脈沖數(shù)據(jù)像素位置為（i，j）的取值，xi，j，m∈{0，1}。

2）對(duì)每個(gè)像素位置，計(jì)算脈沖間隔。設(shè)第m幀與第k幀在像素位置（i，j）處分別觸發(fā)脈沖，即xi，j，m=1，xi，j，k=1，記該像素位置的脈沖間隔為

3）設(shè)由脈沖數(shù)據(jù)重構(gòu)的圖像表示為Im={pi，j，m}。其中，pi，j，m表示第m幀圖像在像素位置（i，j）處的取值。重構(gòu)的圖像在像素位置（i，j）處的亮度表示為

4）計(jì)算1～n幀每個(gè)像素位置的所有脈沖間隔，由式（3）和式（4）可得重構(gòu)后每個(gè)像素位置的值。為防止局部過(guò)曝，計(jì)算單幀圖像全局亮度，具體為

式中：Bi，j——像素點(diǎn)（i，j）的亮度值；H——圖像的高度；W——圖像的寬度；ε——極小量。

式中：α——調(diào)整系數(shù)。

5）對(duì)每個(gè)像素點(diǎn)（i，j），利用亮度系數(shù)與局部亮度計(jì)算像素位置的值，具體為

式中：g——增益因子，用來(lái)調(diào)節(jié)像素位置的取值；round——取整函數(shù)。

6）對(duì)重構(gòu)結(jié)果進(jìn)行中值濾波，去除椒鹽噪聲，具體為

式中：median（·）——對(duì)窗口內(nèi)的像素值進(jìn)行排序取中位數(shù)，濾波窗口是以像素點(diǎn)（i，j）為中心，大小為n×n的矩形；B_m'(i，j)——中值濾波后位置（i，j）的亮度值。

7）對(duì)濾波后的結(jié)果進(jìn)行增強(qiáng)處理。根據(jù)濾波后圖像的拉普拉斯變換矩陣的方差值l_var，判斷圖像的微小變化以及紋理信息并作相應(yīng)處理，處理方式為

鑒于此,本文擬從這些常用詞的造詞和詞義方面,結(jié)合構(gòu)詞理?yè)?jù)對(duì)有借代意義的詞作理論上的分析和描述,總結(jié)歸納常用詞中借代意義的不同類(lèi)型、規(guī)律,并就辭書(shū)中常用詞借代義的釋義體例及模式進(jìn)行探討,以供辭書(shū)編纂和修訂時(shí)參考。

式中：Bfinal(i，j) ——像素位置（i，j）最終的亮度值。

8）對(duì)每個(gè)像素位置完成相應(yīng)的操作，即可完成脈沖數(shù)據(jù)到圖像數(shù)據(jù)的重構(gòu)。

2.2 基于重構(gòu)圖像的高鐵關(guān)鍵零部件定位

對(duì)于重構(gòu)后的圖像數(shù)據(jù)，本文選擇YOLOv8 作為基本網(wǎng)絡(luò)模型進(jìn)行目標(biāo)檢測(cè)模型訓(xùn)練。相較YOLOv5網(wǎng)絡(luò)，YOLOv8利用C2f替換C3，通過(guò)更多的分支跨層連接對(duì)殘差特征進(jìn)行學(xué)習(xí)，具有更強(qiáng)特征表達(dá)能力。此外，其利用快速空間金字塔池化（spatial pyramid pooling-fast，SPPF）替換空 間金字 塔池化（spatial pyramid pooling，SPP）進(jìn)行特征連接，采用多個(gè)小尺寸池化核級(jí)聯(lián)代替SPP 模塊中單個(gè)大尺寸池化核，在融合不同感受野的特征圖、豐富特征圖的表達(dá)能力的情況下，進(jìn)一步提高了運(yùn)行速度；在Neck 層采用PAN結(jié)構(gòu)，加強(qiáng)網(wǎng)絡(luò)對(duì)不同縮放尺度對(duì)象特征融合的能力；最后在Head層進(jìn)行輸出結(jié)果預(yù)測(cè)時(shí)，針對(duì)目標(biāo)定位中的分類(lèi)與回歸相沖突的問(wèn)題，Head層將分類(lèi)和回歸進(jìn)行解耦，分別對(duì)目標(biāo)的類(lèi)別以及位置進(jìn)行預(yù)測(cè)，大幅度提高模型的收斂速度。YOLOv8模型結(jié)構(gòu)如圖4所示。

圖4 YOLOv8 網(wǎng)絡(luò)結(jié)構(gòu)示意Fig.4 Schematic diagram of YOLOv8 network

TensorRT 是NVIDIA 的深度學(xué)習(xí)推理優(yōu)化器，通過(guò)算子融合、量化、內(nèi)核自動(dòng)調(diào)整、動(dòng)態(tài)張量顯存和多流執(zhí)行等技術(shù)，實(shí)現(xiàn)加速網(wǎng)絡(luò)推理。為了進(jìn)一步提高模型的實(shí)時(shí)推理能力，本文采用TensorRT對(duì)訓(xùn)練好的模型進(jìn)行加速處理。由于本文采用Pytorch 模型搭建，無(wú)法直接轉(zhuǎn)換為T(mén)ensorRT可讀取的參數(shù)格式，因此在利用TensorRT 進(jìn)行優(yōu)化時(shí)，先將Pytorch 模型轉(zhuǎn)換為T(mén)ensorRT支持的Onnx格式模型，再進(jìn)行引擎優(yōu)化和執(zhí)行推理，從而完成模型的加速。

3 試驗(yàn)結(jié)果與分析

為了對(duì)本文所提高鐵關(guān)鍵零部件檢測(cè)算法進(jìn)行驗(yàn)證，分別進(jìn)行基于脈沖數(shù)據(jù)的重構(gòu)實(shí)驗(yàn)以及基于重構(gòu)圖像的關(guān)鍵零部件檢測(cè)試驗(yàn)，通過(guò)分析試驗(yàn)結(jié)果對(duì)本文算法的有效性進(jìn)行驗(yàn)證。

3.1 試驗(yàn)數(shù)據(jù)集構(gòu)建

超高速脈沖相機(jī)作為傳感器負(fù)責(zé)數(shù)據(jù)的采集，采集頻率可達(dá)每秒兩萬(wàn)幀。數(shù)據(jù)采集系統(tǒng)從相機(jī)前端芯片捕獲脈沖數(shù)據(jù)，并通過(guò)軟排線(xiàn)與脈沖傳感器連接，對(duì)采集所得數(shù)據(jù)進(jìn)行前處理和封裝，再通過(guò)光纖與上位機(jī)進(jìn)行連接，通過(guò)外部設(shè)備進(jìn)行采集端的控制與可視化處理。超高速脈沖相機(jī)參數(shù)如表1所示。

表1 超高速脈沖相機(jī)參數(shù)Table 1 Parameters of the ultra-high-speed spike camera

通過(guò)在高鐵運(yùn)行正線(xiàn)路側(cè)搭建上述數(shù)據(jù)采集系統(tǒng)，對(duì)沿線(xiàn)運(yùn)行的高鐵進(jìn)行數(shù)據(jù)采集，累計(jì)采集80 余趟高鐵運(yùn)行數(shù)據(jù)，共得原始脈沖數(shù)據(jù)1.2 TB，數(shù)據(jù)采集場(chǎng)景及采集所得原始脈沖數(shù)據(jù)示例分別如圖5（a）和圖5（b）所示。

圖5 數(shù)據(jù)采集Fig.5 Data acquisition

3.2 試驗(yàn)環(huán)境及評(píng)價(jià)指標(biāo)

使用Python語(yǔ)言和Pytorch框架進(jìn)行原始算法開(kāi)發(fā)，操作系統(tǒng)為Ubuntu18.04，GPU為GeForce GTX3090。

目標(biāo)檢測(cè)模型性能所用評(píng)價(jià)指標(biāo)如下：

式中：R——召回率；P——準(zhǔn)確率；TP——檢測(cè)到的類(lèi)別與真實(shí)類(lèi)別一致的樣本數(shù)量；FP——檢測(cè)到的類(lèi)別與真實(shí)類(lèi)別不一致的數(shù)量；FN——存在未被檢測(cè)的標(biāo)簽數(shù)量；PmA——所有類(lèi)別樣本的精度平均值；N——類(lèi)別數(shù)。

3.3 脈沖重構(gòu)實(shí)驗(yàn)及對(duì)比分析

為對(duì)本文所提重構(gòu)算法進(jìn)行驗(yàn)證，分別選取靜止場(chǎng)景以及運(yùn)動(dòng)場(chǎng)景的高鐵脈沖數(shù)據(jù)，利用本文所提重構(gòu)算法、脈沖累計(jì)重構(gòu)與脈沖間隔重構(gòu)3 種重構(gòu)算法同時(shí)對(duì)上述脈沖數(shù)據(jù)進(jìn)行圖像重構(gòu)，結(jié)果如圖6所示?？梢钥闯觯?/p>

1）脈沖累計(jì)重構(gòu)出來(lái)的圖像在靜止場(chǎng)景下結(jié)果清晰，且無(wú)明顯噪點(diǎn)；在運(yùn)動(dòng)場(chǎng)景下，出現(xiàn)明顯運(yùn)動(dòng)模糊，故該方法不適用于高速運(yùn)動(dòng)場(chǎng)景的圖像重構(gòu)。

2）脈沖間隔重構(gòu)的圖像則無(wú)運(yùn)動(dòng)模糊，但由于原始脈沖數(shù)據(jù)含有較多的隨機(jī)噪聲，脈沖間隔重構(gòu)的結(jié)果含有較多噪聲。

3）采用本文所提方法重構(gòu)的圖像既沒(méi)有出現(xiàn)運(yùn)動(dòng)模糊現(xiàn)象，也沒(méi)有明顯的噪點(diǎn)。

進(jìn)一步的，對(duì)本文所提重構(gòu)方法在不同亮度區(qū)域所觸發(fā)的脈沖數(shù)量進(jìn)行定量分析，結(jié)果如圖7所示。對(duì)于重構(gòu)后的灰度圖像，隨機(jī)選取不同灰度值的8 個(gè)典型像素點(diǎn)，其在圖像中的位置如圖7 中Pixel 1～Pixel 8所示，統(tǒng)計(jì)每個(gè)像素點(diǎn)在100 幀內(nèi)累計(jì)觸發(fā)的脈沖數(shù)量。可以看出，脈沖觸發(fā)數(shù)量和像素亮度之間的正比關(guān)系，即重構(gòu)結(jié)果符合超高速脈沖相機(jī)脈沖觸發(fā)原理，這說(shuō)明了本文所提重構(gòu)方法能夠正確地還原不同像素位置在任意時(shí)刻的光強(qiáng)。

圖7 不同像素點(diǎn)觸發(fā)脈沖數(shù)量Fig.7 Number of triggered pulses at different pixels

為了進(jìn)一步對(duì)本文所提重構(gòu)方法效果進(jìn)行驗(yàn)證，分別對(duì)靜止場(chǎng)景下3 種重構(gòu)結(jié)果進(jìn)行灰度圖對(duì)比分析，結(jié)果如圖8所示?？梢钥闯?，3種圖像重構(gòu)方式所得結(jié)果灰度圖曲線(xiàn)的大致走勢(shì)相近，即3 種重構(gòu)方法重構(gòu)出的結(jié)果相似；且本文重構(gòu)方法與脈沖間隔重構(gòu)灰度圖分布基本一致，即本文所提重構(gòu)方法在不改變圖像灰度分布的情況下，能夠很好地消除脈沖間隔重構(gòu)的異常噪點(diǎn)；相較圖像累計(jì)重構(gòu)方法，本文所提重構(gòu)方法無(wú)運(yùn)動(dòng)模糊現(xiàn)象且具有更好的圖像銳度。

圖8 不同重構(gòu)方法灰度圖分析Fig.8 Analysis of grayscale images from different reconstruction methods

3.4 關(guān)鍵零部件檢測(cè)試驗(yàn)

完成上述由脈沖數(shù)據(jù)到圖像數(shù)據(jù)的轉(zhuǎn)換，對(duì)重構(gòu)后的圖像進(jìn)行關(guān)鍵幀抽取，最后得到灰度圖像數(shù)據(jù)5 100余張。對(duì)數(shù)據(jù)集進(jìn)行關(guān)鍵零部件標(biāo)注，并按照訓(xùn)練集與測(cè)試集7∶3的比例進(jìn)行劃分，訓(xùn)練集、測(cè)試集數(shù)據(jù)分布如表2所示。

表2 數(shù)據(jù)集劃分Table 2 Division of the dataset

利用劃分好的數(shù)據(jù)集，對(duì)模型進(jìn)行200 個(gè)周期（epoch）的基礎(chǔ)訓(xùn)練，其PR 曲線(xiàn)以及混淆矩陣如圖9所示。由圖可知，該模型對(duì)車(chē)體、輪對(duì)以及受電弓的檢測(cè)PmA值均在99%以上，證明該模型具有較好的性能。模型具體性能如表3所示。

表3 關(guān)鍵零部件檢測(cè)試驗(yàn)結(jié)果Table 3 Experimental results of detection on key components

圖9 PR 曲線(xiàn)及混淆矩陣Fig.9 PR curve and confusion matrix

完成模型的基礎(chǔ)訓(xùn)練之后，利用TensorRT對(duì)模型進(jìn)行推理加速，并將加速前后的模型部署于GTX3090。取測(cè)試集對(duì)模型的平均精度以及推理時(shí)間進(jìn)行對(duì)比測(cè)試，其中推理時(shí)間取測(cè)試集所有圖像幀的平均值。未加速前，平均單幀推理時(shí)間為5.9 ms；加速后，平均單幀推理時(shí)間為3.5 ms。相比未加速的模型，TensorRT 加速后的模型效率約提高了41%。具體性能如表4所示。

表4 TensorRT 加速前后性能對(duì)比Table 4 Performance comparison before and after TensorRT acceleration

對(duì)加速后的模型在測(cè)試集進(jìn)行驗(yàn)證，效果如圖10所示?？梢钥闯?，加速后的模型仍能夠較好地對(duì)關(guān)鍵零部件進(jìn)行檢測(cè)；且對(duì)于較小的關(guān)鍵零部件，如車(chē)輪以及受電弓等，檢測(cè)結(jié)果置信度也均在0.8 及以上，即TensorRT 加速后的模型在提高檢測(cè)時(shí)效性的同時(shí)，依然有較高的檢測(cè)精度。

圖10 模型在測(cè)試集上檢測(cè)效果Fig.10 Detection results of module on the test dataset

4 結(jié)束語(yǔ)

針對(duì)直接利用工業(yè)相機(jī)以及超高速脈沖相機(jī)對(duì)高鐵關(guān)鍵零部件進(jìn)行檢測(cè)存在的各種問(wèn)題，本文利用先重構(gòu)再檢測(cè)的技術(shù)路線(xiàn)，取得了較好的效果。首先，針對(duì)脈沖累計(jì)成像存在運(yùn)動(dòng)模糊以及脈沖間隔成像存在較多噪點(diǎn)的問(wèn)題，本文在脈沖間隔成像的基礎(chǔ)上，利用全局光強(qiáng)修正局部光強(qiáng)，并通過(guò)濾波和局部增強(qiáng)處理，有效解決重構(gòu)結(jié)果含有噪點(diǎn)的問(wèn)題，實(shí)現(xiàn)任意時(shí)刻的脈沖數(shù)據(jù)到高清灰度圖像的轉(zhuǎn)換；其次，利用重構(gòu)后的灰度圖像訓(xùn)練高鐵關(guān)鍵零部件目標(biāo)檢測(cè)模型，并利用TensorRT 實(shí)現(xiàn)模型加速，最終實(shí)現(xiàn)98.7%的平均精確度以及3.5 ms 的單幀平均推理時(shí)間，為算法的工程化應(yīng)用奠定了基礎(chǔ)?？偟膩?lái)說(shuō)，本文為高鐵關(guān)鍵零部件檢測(cè)提供了一種新的可行性方案，該方案能夠?qū)崿F(xiàn)對(duì)運(yùn)動(dòng)中的高鐵關(guān)鍵零部件快速準(zhǔn)確檢測(cè)，對(duì)提高高鐵安全可靠運(yùn)營(yíng)具有重要意義。雖然利用先重構(gòu)再檢測(cè)的方法能夠?qū)崿F(xiàn)對(duì)高鐵關(guān)鍵零部件更高精度的檢測(cè)，但是圖形重構(gòu)過(guò)程所消耗的時(shí)間較長(zhǎng)，后續(xù)考慮對(duì)圖像重構(gòu)過(guò)程進(jìn)行加速，或是直接利用SNN目標(biāo)檢測(cè)方法對(duì)脈沖相機(jī)采集的數(shù)據(jù)進(jìn)行檢測(cè)。