[發明專利]一種基于深度學習的排污口蓋板未關閉到位故障檢測方法

有效

• 申請號: 202011340428.2
• 申請日: 2020-11-25
• 公開（公告）號: CN112418328B
• 公開（公告）日: 2021-05-25
• 發明（設計）人: 戰嶺
• 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;G06N3/08
• 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

1.一種基于深度學習的排污口蓋板未關閉到位故障檢測方法，其特征在于，包括：

步驟一、獲取包含排污口的子區域圖像；

步驟二、利用步驟一獲取的排污口子區域圖像建立原始圖像數據集，并對原始圖像數據集進行數據擴增；根據排污口所屬動車的車型，利用數據標注工具對原始圖像數據集進行標注，得到每張包含排污口的子區域圖像對應的標簽文件；將原始圖像數據集和原始圖像數據集一一對應的標簽文件分為訓練集和測試集；

步驟三、構建目標檢測神經網絡模型；所述目標檢測神經網絡模型包括殘差神經網絡和候選區域網絡；所述殘差神經網絡有多個殘差塊構成；其中，殘差塊包括批歸一化層、APMU神經網絡非線性激活函數層、卷積層，批歸一化層的輸入特征向量和卷積層的輸出特征向量通過殘差連接相加；所述APMU神經網絡非線性激活函數層包括APMU神經網絡非線性激活函數和APMU神經網絡非線性激活函數子網絡；所述APMU神經網絡非線性激活函數表示為：

其中，x表示APMU神經網絡非線性激活函數的輸入值；f(x)表示APMU神經網絡非線性激活函數的輸出值；w、m、n、α均表示APMU神經網絡非線性激活函數的自適應參數；k表示APMU神經網絡非線性激活函數階數；

所述APMU神經網絡非線性激活函數子網絡具體表示為：

子網絡由2個全連接層疊加而成；每個全連接層的計算公式為：

q＝Wp+b (5)

其中，p∈R^hx1為全連接層的輸入特征向量，其中h表示特征向量的長度；q∈R^hx1為全連接層的輸出特征向量；W∈R^hxh為全連接層的權重參數；b∈R^hx1為全連接層的偏置參數；

候選區域網絡包括批歸一化層、APMU神經網絡非線性激活函數層、全局平均池化層和全連接層；

步驟四、對目標檢測神經網絡模型進行訓練和測試；具體過程為：

步驟四一、采用步驟二中的訓練集對構建的目標檢測神經網絡模型進行訓練，得到目標檢測神經網絡模型的參數權重；

步驟四二、載入目標檢測神經網絡模型的參數權重，在測試集上進行測試，根據測試結果對目標檢測神經網絡模型的神經網絡超參數進行調優；

步驟四三、重復進行步驟四一至步驟四二，得到目標檢測神經網絡模型的最優參數權重，即完成對目標檢測神經網絡模型進行訓練；

步驟五、通過訓練好的目標檢測神經網絡模型對排污口蓋板未完全關閉故障進行檢測；具體過程為：

加載步驟四三中得到的目標檢測神經網絡模型參數權重；通過目標檢測神經網絡模型從待檢測圖像中獲取排污口位置；根據排污口位置獲取排污口蓋板位置，即得到排污口蓋板位置圖像；采用OTSU算法求取所得排污口蓋板位置圖像對應的自適應二值化閾值，并通過該閾值對排污口蓋板精確位置圖像進行二值化，以此獲取排污口蓋板位置二值圖像；二值圖像中小于該自適應二值化閾值的像素值被置為0，大于等于該自適應二值化閾值的像素值被置為255；根據不同車型排污口蓋板的開合方向，在所得排污口蓋板二值圖像上截取排污口蓋板與車身間的縫隙陰影圖像；計算所得縫隙陰影圖像中像素值為0的像素個數，獲取排污口蓋板與車身間的縫隙陰影面積；根據為不同車型所設定的縫隙陰影面積閾值，判斷所得縫隙陰影面積是否超出閾值，超出閾值則為出現未關閉到位故障。

2.根據權利要求1所述一種基于深度學習的排污口蓋板未關閉到位故障檢測方法，其特征在于，所述步驟一中獲取包含排污口的子區域圖像；具體過程為：

獲取動車側部整體圖像，基于軸距信息和先驗信息對動車側部整體圖像中的排污口進行定位，進而獲取包含排污口的子區域圖像。