[发明专利]铁路货车车钩托梁折断检测方法

说明书

一种铁路货车车钩托梁折断检测方法，属于铁路货车安全技术领域。本发明针对现有铁路货车车钩托梁折断故障以人工方式检测，可靠性低的问题。包括建立训练用数据集，对所述数据集中车钩托梁故障样本的故障区域或疑似故障区域分块标记识别框，并对每个识别框配置类别标签；基于ResNet检测模型搭建Faster‑Rcnn模型，进行训练获得分类的权重系数；将待识别图像输入至加载权重系数后的Faster‑Rcnn模型，进行故障类别预测，所述待识别图像在故障预测过程中首先获得故障初判断区域，再获得对应于故障初判断区域的置信度，将置信度大于预设阈值的故障初判断区域确定为故障区域，进行报警。本发明用于车钩托梁折断检测。

技术领域

本发明涉及铁路货车车钩托梁折断检测方法，属于铁路货车安全技术领域。

背景技术

铁路货车在运行过程中，若发生车钩托梁折断，极易造成安全事故。因此需要对车钩托梁的运行状态进行检测。目前对车钩托梁折断故障检查的方式为检车人员对采集的车钩托梁图像进行判断，确定是否发生折断。由于人工成本高又效率低，并且人工方式会由于各种主观因素的状况造成故障的漏检、误检等，因此很难确保货车的安全行驶。

因此，针对以上不足，需要提供一种车钩托梁故障自动化检测的方法，运用机器学习和深度学习技术，以采集到的部件图像为数据，实现故障的自动报警，提高作业质量和效率，推动铁路运输自动化程度的快速发展。

发明内容

针对现有铁路货车车钩托梁折断故障以人工方式检测，可靠性低的问题，本发明提供一种铁路货车车钩托梁折断检测方法。

本发明的一种铁路货车车钩托梁折断检测方法，包括以下步骤：

步骤一：建立训练用数据集，对所述数据集中车钩托梁故障样本的故障区域或疑似故障区域分块标记识别框，并对每个识别框配置类别标签，所述类别标签包括故障类标签和干扰类标签；

步骤二：基于ResNet检测模型搭建Faster-Rcnn模型，所述Faster-Rcnn模型使用卷积层、激活函数及池化层提取输入车钩托梁故障样本的特征图；区域建议网络针对所述特征图经过卷积计算生成检测建议框；区域池化层由检测建议框中提取建议特征；建议特征送入全连接层和softmax激活函数，基于所述识别框和类别标签，获得分类的权重系数；

步骤三：采集货车运行中车钩托梁图像，进行预处理后作为待识别图像，将待识别图像输入至加载权重系数后的Faster-Rcnn模型，进行故障类别预测；所述待识别图像在故障预测过程中首先获得故障初判断区域，再获得对应于故障初判断区域的置信度，将置信度大于预设阈值的故障初判断区域确定为故障区域，进行报警。

根据本发明的铁路货车车钩托梁折断检测方法，所述车钩托梁故障样本具备多样性和复杂性；所述干扰类标签对应的识别框特征包括：粉笔标记、绑定铁丝、雨水及泥点。

根据本发明的铁路货车车钩托梁折断检测方法，所述ResNet检测模型包括残差模块，所述残差模块包括由两个5×5的卷积网络串接而成的模块，及由3×3、5×5与3×3三个卷积网络串接而成的模块。

根据本发明的铁路货车车钩托梁折断检测方法，所述步骤二中Faster-Rcnn模型中的卷积层包括：第一个卷积层共有96个5×5×3的卷积核过滤200×600×1像素的输入车钩托梁故障样本，所述卷积核的步长为2；第二个卷积层将第一个卷积层的结果作为输入，用大小为5×5×96的256个卷积核卷积；第三个卷积层将第二个卷积层的输出作为输入，用大小为3×3×256的384个卷积核卷积；第四、五个卷积层相互连接。

根据本发明的铁路货车车钩托梁折断检测方法，所述检测建议框的比例为{1:1，1:3，3:1}。