[发明专利]用于轨道交通车辆零部件图像识别模型的样本制作方法

说明书

本发明公开了一种用于轨道交通车辆零部件图像识别模型的样本制作方法，包括如下步骤：将车辆检视部位按照车辆结构及功能进行划分，对得到的划分小区域进行编码得到零部件编码标签列表；对拍摄的原始图像进行处理和统一命名；对处理后的图像按照车型、部位进行归类；对归类的图像进行编码标签标注，获得带有编码标签的图像以及相对应的XML文件，即为训练样本。该方法不仅能够有效解决通过卷积神经网络技术对轨道交通车辆图像进行智能识别的建模问题，而且通过对该方法得到的训练样本进行机器学习得到的智能识别模型，在实际应用中能够对轨道交通车辆的故障部位进行有效筛选。

技术领域

本发明涉及一种用于轨道交通车辆零部件图像识别模型的样本制作方法，尤其涉及一种用于智能识别轨道交通车辆图像的深度学习模型的训练样本制作方法；同时涉及实现该方法的样本制作系统。

背景技术

目前，在铁路车辆运管领域，以车辆运行故障动态图像检测系统为主导的列检工作信息化正在大力推行。该系统通过布设在铁路车辆进站前所经路基上的线阵相机，将进站铁路车辆的图像信息传递给后台列检人员，列检人员通过目检进站车辆的所有部位及部件图像，来检查进站车辆是否有故障。此系统的应用，使列检人员的工作场景从室外转移到室内，工作环境得到了极大改善，同时，通过对铁路进站车辆的全角度拍摄，让后台列检人员对进站车辆的检视完全无死角，这也在一定程度上解决了过往列检工作受工况以及人自身条件所限，工作质量不高的问题。

列检工作信息化虽然对传统列检工作带来便利，但随之而来，又产生了新的问题。由于铁路运力繁忙，进站车辆停留时间有限，这就需要后台列检人员在规定的短时间内查看完进站铁路车辆的所有图像。以重载货运列车为例，一列210节的货运列车，每节车辆需检视的图像为50张，整列10500张图像需要后台列检人员在15分钟内检视完毕，工作量可谓巨大，工作压力也巨大，同时还产生了各站、段列检人员数量不减反升的现象，并且，由于工作强度大，还时常发生车辆故障漏检甚至连续漏检的问题，这对铁路车辆运行安全带来了隐患。

要解决这些问题，就需要对列检工作信息化再次升级，让列检工作智能化，通过对进站车辆的图像进行智能识别，来减少列检人员的工作量以及列检人员的数量，同时让铁路车辆安全运行能得到更可靠的保障。

目前，在用车辆运行故障动态图像检测系统中，主要是通过图像比对的方式实现故障的智能识别，即通过对进站车辆图像与过往相同车型的正常车辆图像进行比对，以图像的灰度、梯度为基础，结合一定的设定阈值来判断并拣选车辆故障。这种方法对车辆零部件的识别度就极低，且受环境及车况影响大，在实际应用中，该方法所能比对的轨道交通车辆零部件十分有限，再加上极高的误报率，对列检人员的工作量及工作强度的减少毫无助益。

随着卷积神经网络技术日新月异的发展，使通过加深网络层和网络结构复杂化来实现轨道交通车辆图像检视真正智能化成为可能。而若要使卷积神经网络技术在轨道交通车辆图像识别领域真正发挥作用，就需要大量的训练样本，尤其是轨道交通车辆涉及到需检视几百个零部件，并且如果以传统的区隔划分法设计卷积核，不仅计算及调参难度大、训练周期长，而且对于过小的目标会出现无法识别的情况，因此，寻找到合适的训练样本至关重要。

发明内容

针对现有技术的不足，本发明所要解决的首要技术问题在于提供一种用于轨道交通车辆零部件图像识别模型的样本制作方法。

本发明所要解决的另一技术问题提供一种用于轨道交通车辆零部件图像识别模型的样本制作系统。

为实现上述发明目的，本发明采用下述的技术方案：

根据本发明实施例的第一方面，提供一种用于轨道交通车辆零部件图像识别模型的样本制作方法，包括如下步骤：

将车辆检视部位按照车辆结构及功能进行划分，对得到的划分小区域进行编码得到零部件编码标签列表；

对拍摄的原始图像进行处理和统一命名；对拼接后的图像按照车型、部位进行归类；