[发明专利]一种基于深度学习的TFDS非故障图像检测方法

说明书

技术领域

本发明涉及铁路检测领域，特别涉及一种基于深度学习的TFDS非故障图像检测方法。

背景技术

我国铁路发展迅速，成为人们出行、货物运输的重要交通工具，在给人们带来便利的同时，人们对铁路安全性能的要求也越来越高，任何细小的故障即可引发重大的事故。目前货车铁路的故障检测基于TFDS系统(货车运行故障图像动态检测系统)由监控室内的列检人员通过图像复示终端软件观察所采集图像，依赖人眼观察图像来完成，每天大量运行的列车需要大量的室内列检人员来观察图像，同时对每个室内列检人员来说是个巨大的工作量。

尽管目前一些研究人员针对某些特定的故障研究了一些故障自动识别算法，例如张益等在专利号为201110166974.3的发明专利“一种货车下心盘螺栓丢失故障识别装置及其识别方法”中提出了一种心盘螺栓丢失的故障识别方法。王敏在硕士论文“货车底部手把和拉杆的故障识别算法研究”中提出了基于模板匹配和基于目标结构特征的两种潜在故障区域的定位算法，定位后再对截断塞门手把关闭和缓解阀拉杆丢失两类故障进行判定。这些方法对故障出现的场景和故障的形态有很高的要求，而往往故障的种类多样化，且某个区域可能出现的故障形式也表现为多样化，因此这些自动故障识别算法效率不高，容易出现漏检，实用性不高，在现场依靠这些方法对列车进行故障自动识别会存在很大的风险。

从上述分析可以看出，目前现场的铁路货车故障检测还是需要大量的列检工作人员，然而，在实际铁路货车运行中，TFDS采集的图像中故障图像所占的比率是非常低的，而非故障图像占了大多数，因此，若能够有效检出大量非故障图像，只将少量疑似故障图像留给列检人员检测，将可以大大提高工作效率。

发明内容

有鉴于此，本发明的主要目的在于提供一种基于深度学习的TFDS非故障图像检测方法，基于深度学习图像识别和目标检测技术，使用一个统一的网络模型同步检测多类关键区域，通过有效的训练使得该模型只检测出不包含故障的关键部位区域，从而滤除这些非故障图像，只将少数关键部位未检测出的图像作为疑似故障图像，由室内列检人员人眼观察检测。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于深度学习的TFDS非故障图像检测方法，包括以下步骤：

步骤11、收集TFDS图像，建立非故障图像训练样本图库和包含故障及非故障图像的测试样本图库；

步骤12、采用基于机器学习算法的半自动标注方法标注步骤11的非故障图像训练样本图库，得到标注信息，同时由非故障图像训练样本图库和标注信息建立关键区域图库；

步骤13、根据步骤11的非故障图像训练样本图库和步骤12的标注信息建立多区域多类别同步关键区域检测的网络模型，所述网络模型包括图像特征提取模块和目标区域检测模块，图像特征提取模块用于获取图像特征表达，目标区域检测模块用于对关键区域进行定位检测；

步骤14、使用步骤12的关键区域图库预训练步骤13的图像特征提取模块，获得步骤13的网络模型中图像特征提取模块网络层的预训练参数；

步骤15、根据步骤14的预训练参数初始化网络模型中的参数，结合步骤11包含故障及非故障图像的测试样本图库采用多次测试进一步微调的网络训练策略训练步骤12的网络模型，得到一个只检测非故障图像的网络模型；

步骤16、使用步骤15训练好的网络模型检测现场TFDS图像，检测时，先由步骤13的图像特征提取模块获得图像的特征表达，再由步骤13的目标区域检测模块定位关键区域，能够准确检测出该图像中关键区域的图像判为非故障图像，反之判为疑似故障图像，排除非故障图像，而疑似故障图像将由室内列检人员人眼去观察判别。

步骤11所述的非故障图像训练样本图库是只将包含待检测关键区域的非故障图像列入训练样本图库中，且保证包含每类关键区域的样本数基本均衡，避免样本倾斜；所述包含故障及非故障图像的测试样本图库则将包含待检测关键区域的故障及非故障图像均列入测试样本图库中，其中的故障图像尽可能包含该关键区域一些常见表现形式的故障图像。

步骤12所述的标注非故障图像训练样本图库是对步骤11中建立的非故障图像训练样本图库采用半自动标注的方法，即人工标注部分图像，并用这些带有人工标注的非故障图像训练样本图库训练一个基于机器学习算法构建的分类器，结合该分类器的检测辅助人工标注；建立关键区域图库是根据标注信息将非故障图像训练样本图库中的关键区域裁剪并按照关键区域的类别分类。