[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

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，屬于故障檢測領域。本發明解決了傳統深度學習方法所用的激活函數較為簡單，無法為模型提供足夠的非線性映射能力問題。本發明方法包括：獲取動車側部圖像，對排污口進行粗定位，獲取可能包含排污口的子區域圖像并對其標注；構建神經網絡模型訓練數據集和測試數據集，設計APMU神經網絡非線性激活函數和神經網絡模型，在訓練集上和測試集上分別訓練和測試神經網絡模型，獲取神經網絡模型參數權重和最優參數權重；以排污口子區域圖像作為神經網絡模型輸入，通過神經網絡模型對排污口進行精確定位；通過圖像處理判斷排污口是否故障。本發明用于排污口蓋板未關閉到位故障檢測。

技術領域

本發明屬于圖像檢測技術領域，具體涉及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。

背景技術

排污口蓋板能夠保證動車組車體在高速運行中的氣密性，保護排污口及附近部件不受內外氣壓差的影響而發生泄露、部件丟失等故障。因此，對動車組排污口蓋板未關閉到位故障進行及時的自動報警具有重要意義。

通過深度學習方法對動車組排污口故障進行自動檢測及報警，人工只需對少量報警結果進行確認。相對于人工用肉眼檢查所有排污口圖像，能夠有效提高檢測質量和檢測效率，大幅節約車輛段的人力成本。

基于深度學習方法的圖像故障檢測模型通常先將輸入圖像映射到高維特征空間；然后在該特征空間中構建一個超曲面，對不同類別的圖像特征進行劃分；最后將故障檢測結果映射到低維空間進行輸出。由于不同類別的圖像特征在高維特征空間中往往是線性不可分的，因此非線性激活函數通常被用于圖像故障檢測模型中，以使模型獲得非線性映射能力。激活函數的好壞直接影響到圖像故障檢測模型的整體性能。

然而，傳統深度學習方法所用的激活函數較為簡單，無法為模型提供足夠的非線性映射能力。另外，傳統深度學習方法采用的激活函數形式固定，所有輸入數據均通過相同的激活函數進行非線性映射。當輸入數據的類內差異較大時，通過相同激活函數進行非線性映射會降低模型的性能。

發明內容

本發明的目的是為解決傳統深度學習方法所用的激活函數較為簡單，無法為模型提供足夠的非線性映射能力的問題，現提出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。

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，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；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；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；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；