[發明專利]一種動車組底板膠皮破損故障檢測方法、系統及裝置

在審

• 申請號: 202110138125.0
• 申請日: 2021-02-01
• 公開（公告）號: CN112949688A
• 公開（公告）日: 2021-06-11
• 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;G06T7/00;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

一種動車組底板膠皮破損故障檢測方法、系統及裝置，屬于圖像檢測技術領域。為了解決現有的利用深度學習方法對板膠皮破損故障檢測時存在的訓練時間長、效率低的問題。本發明所述方法，獲取待檢測的底板膠皮感興趣區域圖像作為模型輸入，利用可擴展目標檢測模型進行底板膠皮破損故障檢測；在可擴展目標檢測模型的訓練過程中利用訓練集對可擴展目標檢測模型進行訓練，得到模型參數權重；利用測試集進行模型測試，得到模型測試識別率，調整模型超參數，重復訓練和測試，直到模型測試識別率達到測試識別率閾值，得到模型最優參數權重；加載最優參數權重的模型即為訓練好的可擴展目標檢測模型。適用于底板膠皮破損的故障檢測。

技術領域

本發明涉及動車組底板膠皮破損故障檢測方法、系統及裝置。屬于圖像檢測技術領域。

背景技術

底板膠皮能夠保證動車組底板在高速運行中的防水性，保護動車組底板內部件不受污水的影響而發生短路等故障。因此，對動車組底板膠皮破損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底板膠皮破損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。相對于人工檢查所有底板膠皮圖像，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。不過由于底板膠皮破損故障形態多變，往往需要向訓練圖像數據集中添加新的故障形態，并用整個訓練圖像數據集重新訓練目標檢測模型，導致模型訓練消耗時間較多，效率降低。

發明內容

本發明是為了解決現有的利用深度學習方法對板膠皮破損故障檢測時存在的訓練時間長、效率低的問題。

一種動車組底板膠皮破損故障檢測方法，包括以下步驟：

獲取待檢測的底板膠皮感興趣區域圖像作為模型輸入，利用可擴展目標檢測模型進行底板膠皮破損故障檢測；可擴展目標檢測模型包括多個用于提取特征的主干網絡，每個主干網絡后接一個用于檢測目標標簽、置信度和位置的檢測器；

可擴展目標檢測模型為預先訓練好的，具體訓練過程包括以下步驟：

獲取用于訓練的含底板膠皮的感興趣區域圖像并構建數據集，對數據集進行標記，得到每張圖像對應的標簽文件；標注所用的標簽分為：正常膠皮、故障形態i；

將所有圖像及對應所有標簽分為訓練集和測試集；利用訓練集對可擴展目標檢測模型進行訓練，得到模型參數權重；利用測試集進行模型測試，得到模型測試識別率，調整模型超參數，重復訓練和測試，直到模型測試識別率達到測試識別率閾值，得到模型最優參數權重；加載最優參數權重的模型即為訓練好的可擴展目標檢測模型。

進一步地，可擴展目標檢測模型的建立過程包括以下步驟：

將已知類別的底板膠皮感興趣區域圖像簡記為已知類別圖像，將n種已知類別圖像分別輸入到n個主干網絡中進行特征提取，得到n種已知類別圖像對應的n類數據特征；將n類數據特征分別輸入到對應的n個檢測器中進行目標檢測，得到n種已知類別圖像中目標的標簽、置信度和位置；將主干網絡及對應檢測器分別封裝為子模型，并將所有子模型組成一個集成模型；將用于測試的底板膠皮感興趣區域圖像簡記為測試圖像圖像，以單張測試圖像作為輸入，通過集成模型內部的子模型同時對測試圖像進行目標檢測，得到多個類別各自對應的目標標簽、置信度和位置；根據置信度閾值，對多個類別各自對應的置信度進行篩選，去除置信度小于閾值的m個類別；將剩余的檢測類別中包含的所有目標標簽及對應位置作為模型最終檢測結果，所得到的模型即為可擴展目標檢測模型。

進一步地，將主干網絡及對應檢測器分別封裝為子模型并將所有子模型組成一個集成模型的過程中，當存在新增檢測類別的需求時，對于l種新增類別的圖像，將n+l種已知類別圖像分別輸入到n+l個主干網絡中進行特征提取，得到n+l種已知類別圖像對應的n+l類數據特征；n+l類數據特征分別輸入到對應的n+l個檢測器中進行目標檢測，得到n+l種已知類別圖像中目標的標簽、置信度和位置；將主干網絡及對應檢測器分別封裝為子模型，并將所有子模型組成一個集成模型。