[發明專利]基于深度學習的鐵路動車撒砂管松脫故障檢測方法

在審

• 申請號: 202011183656.3
• 申請日: 2020-10-29
• 公開（公告）號: CN112308135A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 付德敏
• 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
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 時起磊

基于深度學習的鐵路動車撒砂管松脫故障檢測方法，屬于圖像檢測技術領域。為了解決人工檢查圖像的方式存在檢測準確率低、檢測效率低的問題，以及現有的深度學習網絡檢測準確率有待于提高的問題。本發明首先獲取待檢測的撒砂管圖像，利用CASCADERCNN網絡模型進行檢測；CASCADERCNN網絡包括一個深度殘差網絡、一個RPN網絡和一個預測網絡；待檢測的撒砂管圖像先經過深度殘差網絡，再經過RPN網絡，最后經過預測網絡，輸出故障類別和對應的位置。主要用于鐵路動車撒砂管松脫故障的檢測。

技術領域

本發明屬于圖像檢測技術領域，具體涉及撒砂管松脫故障檢測方法。

背景技術

動車撒砂管松脫故障是一種危及鐵路動車行車安全的故障，在撒砂管松脫的故障檢測中，現有技術基本都是采用人工檢查圖像的方式進行故障檢測。人工檢查圖像的故障檢測方法效率低，且需要花費大量的人力，同時由于檢車人員在工作過程中極易出現疲勞、遺漏等人為因素可能造成漏檢、錯檢的出現，影響行車安全。

所以需要一種自動化的檢測方式來替代人工檢查圖像的故障檢測方法，根據圖像信息進行故障的自動識別的方式可提高故障檢測準確率及穩定性。近幾年，隨著深度學習與人工智能不斷發展，在技術上不斷成熟，深度學習網絡在圖像識別中已經取得了不多的效果。但是利用現有的深度學習網絡對撒砂管松脫故障進行識別還存在的諸多問題。例如，雖然fasterrcnn檢測網絡被廣泛用于目標檢測中，但在檢測過程中會出現檢測框不準和多類別時類別錯檢的問題。

發明內容

本發明是為了解決人工檢查圖像的方式存在檢測準確率低、檢測效率低的問題，以及現有的深度學習網絡檢測準確率有待于提高的問題。

基于深度學習的鐵路動車撒砂管松脫故障檢測方法，包括以下步驟：

獲取待檢測的撒砂管圖像，利用CASCADERCNN網絡模型進行檢測，輸出故障類別及對應的位置；

CASCADERCNN網絡在訓練過程中的損失函數如下：

其中，N_cls為分類樣本總數，p_i是不同類別的分類概率；N_reg為回歸框個數，t_i＝{t_x,t_y,t_w,t_h}是一個向量，t_x,t_y,t_w,t_h分別表示候選框x坐標、y坐標、寬度以及高度的偏移量；參數λ用來權衡分類損失與回歸損失的比例，正樣本時為1，負樣本時為0；是與t_i維度相同的向量，表示候選框對標記框的偏移量；L_cls(p_i)為目標預測的分類損失函數，為回歸預測的位置損失函數；

目標預測的分類損失函數：

其中，γ為正數，α_i用于調節正負樣本的比例，h表示預測當前類別概率值，t表示真實標簽類別值。

有益效果：

1、本發明可以實現鐵路動車撒砂管松脫故障檢測，利用圖像自動識別的方式代替人工檢測，提高檢測效率、準確率。

2、本發明將深度學習算法應用到撒砂管松脫故障自動識別中，提高整體算法的魯棒性及精度。