[發明專利]一種基于深度學習的鐵路貨車下拉桿折斷故障檢測方法

在審

• 申請號: 202010437746.4
• 申請日: 2020-05-21
• 公開（公告）號: CN111652296A
• 公開（公告）日: 2020-09-11
• 發明（設計）人: 于洋
• 申請（專利權）人: 哈爾濱市科佳通用機電股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06T7/00;B61H13/02;B61H13/20;G01M17/08
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 張換男

1.一種基于深度學習的鐵路貨車下拉桿折斷故障檢測方法，其特征在于，所述方法具體通過以下步驟實現：

步驟一、通過布設在探測站的圖像采集設備采集貨車可視部件的圖像；

步驟二、對采集圖像中的下拉桿區域進行粗定位，并截取出下拉桿所在位置的子圖；

步驟三、對截取出的下拉桿所在位置的子圖進行數據擴增處理，再對數據擴增處理獲得的圖像進行標記，獲得訓練數據集；

步驟四、將獲得的訓練數據集輸入Faster-rcnn網絡模型，所述Faster-rcnn網絡模型包括Inception v2網絡、區域生成網絡、感興趣區域池化層、全連接層和分類器；

利用Faster-rcnn網絡模型中的Inception v2網絡對輸入的訓練數據集圖像進行特征提取，獲得每張圖像對應的特征圖，再將獲得的特征圖輸入區域生成網絡生成建議窗口；

步驟五、采用感興趣區域池化層對生成的每個建議窗口提取固定尺寸的特征圖；

步驟六、將提取的固定尺寸的特征圖輸入全連接層，再利用全連接層的輸出結果對分類器進行訓練，直至達到設置的最大訓練次數時停止訓練，獲得訓練好的分類器；

步驟七、將采集的待檢測圖像進行處理后輸入到訓練好的分類器，實現對待檢測圖像的故障識別。

2.根據權利要求1所述的一種基于深度學習的鐵路貨車下拉桿折斷故障檢測方法，其特征在于，所述步驟二中截取出下拉桿所在位置的子圖后，將下拉桿所在位置的子圖的背景顏色設置為白色。

3.根據權利要求2所述的一種基于深度學習的鐵路貨車下拉桿折斷故障檢測方法，其特征在于，所述對截取出的下拉桿所在位置的子圖進行數據擴增處理，所采用的數據擴增方式包括圖像旋轉、圖像隨機裁剪、圖像水平翻轉、圖像豎直翻轉、圖像拉伸和圖像縮放。

4.根據權利要求3所述的一種基于深度學習的鐵路貨車下拉桿折斷故障檢測方法，其特征在于，所述將獲得的特征圖輸入區域生成網絡生成建議窗口，其具體過程為：

將特征圖輸入區域生成網絡后，通過rpn-data層為特征圖上的每個像素點生成9個Anchor box，再對生成的Anchor box進行過濾，并對過濾后剩余的Anchor box進行標記，區域生成網絡利用標記的全部Anchors box輸出建議窗口。

5.根據權利要求4所述的一種基于深度學習的鐵路貨車下拉桿折斷故障檢測方法，其特征在于，所述對生成的Anchor box進行過濾，并對過濾后剩余的Anchor box進行標記，其具體過程為：

去除超過特征圖邊界的Anchor box后，獲得經過過濾所剩余的全部Anchors box；再對剩余的全部Anchors box分別進行標記，標記的具體方法如下：

1)若Anchor box與真實標簽的IOU值最大，則將Anchor box標記為正樣本，label＝1；

2)若Anchor box與真實標簽的IOU大于0.7，則將Anchor box標記為正樣本，label＝1；

3)若Anchor box與真實標簽的IOU小于0.3，則將Anchor box標記為負樣本，label＝0；

4)其余的Anchor box既不是正樣本也不是負樣本，label＝-1。

6.根據權利要求5所述的一種基于深度學習的鐵路貨車下拉桿折斷故障檢測方法，其特征在于，所述步驟五的具體過程為：

將生成的每個建議窗口均劃分為7×7個相同大小的子區域，對于每個子區域，從子區域中選取出最大的像素點作為輸出，每個子區域的輸出共同形成一個7×7大小的特征圖。

7.根據權利要求6所述的一種基于深度學習的鐵路貨車下拉桿折斷故障檢測方法，其特征在于，所述步驟六中，利用全連接層的輸出結果對分類器進行訓練，是分別利用Softmax Loss和Smooth L1 Loss對分類概率和邊框回歸進行聯合訓練。