[发明专利]基于人工智能的车底缺陷检测方法、装置、设备及系统

说明书

本发明公开了一种基于人工智能的车底故障检测方法、装置、设备及系统，方法包括：获取图像采集设备采集的车底图像；对所述车底图像进行预处理，并对预处理得到的车底图像进行分割定位，得到待检测部件图像；根据预先建立的深度神经网络模型对所述待检测部件图像进行故障识别，以计算所述待检测部件图像对应的车部件存在故障的概率；其中，所述深度神经网络模型通过对经过预处理后的带标签的样本图像集进行训练获得；所述样本图像集包括正样本图像以及负样本图像；当所述概率大于预设的阈值时，判断所述车部件可能存在故障，标记所述待检测部件图像。基于本发明，可实现自动化的车底故障检测，提高了检测效率以及检测精度。

技术领域

本发明涉及人工智能领域，尤其涉及一种基于人工智能的车底缺陷检测方法、装置、设备及系统。

背景技术

目前针对列车(如地铁)车底底部的故障检测基本依赖于人工目测，需要工作人员进入高温环境的车底进行人工检测，造成工作人员的大量工作负担。而且依靠人工进行检测，不但需要对从业人员进行培训和需要时间来积累经验并且检测准确度受从业人员影响较多，如从业人员受恶劣环境和工作经验、工作精神状态等影响，使得检测结果无法满足需求。

发明内容

本发明实施例提出一种基于人工智能的车底缺陷检测方法、装置、设备及系统，该方法可实现自动化的车底故障检测，提高了效率并且不受人为因素影响，同时提高检测精度。

本发明公开了一种基于人工智能的车底缺陷检测方法，所述方法包括：

获取图像采集设备采集的车底图像；

对所述车底图像进行预处理，并对预处理得到的车底图像进行分割定位，得到待检测部件图像；

根据预先建立的深度神经网络模型对所述待检测部件图像进行故障识别，以计算所述待检测部件图像对应的车部件存在故障的概率；其中，所述深度神经网络模型通过对经过预处理后的带标签的样本图像集进行训练获得；所述样本图像集包括正样本图像以及负样本图像；

当所述概率大于预设的阈值时，判断所述车部件可能存在故障，标记所述待检测部件图像。

优选地，在获取图像采集设备采集的车底图像之前，还包括：获取样本图像，并将所述样本图像保存至样本图像集；其中，所述样本图像包括正样本图像以及负样本图像，且正样本图像和负样本图像标记有对应的标签；对采集的所述样本图像进行预处理，以凸显边缘信息；基于深度学习技术，采用深度神经网络对经过预处理后的样本图像进行初始化训练，得到深度神经网络模型。

优选地，所述对采集的样本图像进行预处理包括：对所述样本图像进行颜色空间变换；对颜色空间变换后的样本图像进行噪声去除以及校正；其中，通过滤波锐化对所述样本图像进行噪声去除以提升图像清晰度；校正的目的是使灰度较暗的样本图像的整体亮度提高；对所述样本图像进行图像增强；其中，利用一个mask，通过对样本图像和空间掩模做卷积操作，实现对样本图像的锐化；对图像增强后的样本图像进行形态学处理。

优选地，在当所述概率大于预设的阈值时，判断所述车部件可能存在故障，标记所述待检测部件图像之后，还包括：获取识别错误的待检测部件图像；将所述识别错误的待检测部件图像作为新的样本图像，并存储入增量学习样本库；利用所述增量学习样本库对所述深度神经网络模型进行训练并更新。

进一步地，本发明实施例还提供了一种基于人工智能的车底故障检测装置，包括:

图像获取单元，用于获取图像采集设备采集的车底图像；

图像处理单元，用于对所述车底图像进行预处理，并对预处理得到的车底图像进行分割定位，得到待检测部件图像；