[发明专利]一种铁路货车转向架弹簧托板折断故障图像识别方法

权利要求书

1.一种铁路货车转向架弹簧托板折断故障图像识别方法,包括以下步骤：

步骤一：获取途径货车的线阵图像；

步骤二：对转向架弹簧托板位置进行粗定位，并将其作为样本数据集；

步骤三：对样本数据集进行数据扩增和标记，得到标记信息集，并结合原始图像，对图像分割神经网络模型和图像分类神经网络模型进行训练；

步骤四：利用训练好的图像分割神经网络模型和图像分类神经网络模型进行故障识别，所述故障识别的过程为：首先根据车型信息及部件所在区域的先验知识，提取出包含弹簧托板的子区域图像，然后加载对应转向架类型的图像分割网络和图像分类网络，之后利用图像分割网络对子区域图像中的弹簧托板部件进行提取，利用分类模型对像素提取后的弹簧托板图像进行故障判定；

其特征在于所述图像分类神经网络模型具体结构如下：

卷积模块1：使用两个64通道的3×3大小的卷积核进行卷积，并进行最大池化；

卷积模块2：使用两个128通道的3×3大小的卷积核进行卷积，并进行最大池化；

卷积模块3：使用三个256通道的3×3大小的卷积核进行卷积，并进行最大池化；

卷积模块4：使用三个512通道的3×3大小的卷积核进行卷积，并进行最大池化；

卷积模块5：使用三个512通道的3×3大小的卷积核进行卷积，并进行平均池化；

全连接层：一个256通道的全连接层；

Dropout层：一个Dropout层。

2.根据权利要求1所述的一种铁路货车转向架弹簧托板折断故障图像识别方法,其特征在于所述数据扩增包括旋转、平移、缩放和镜像。

3.根据权利要求1所述的一种铁路货车转向架弹簧托板折断故障图像识别方法,其特征在于所述图像分割神经网络模型包括四个下采样层，四个上采样层和卷积层，

下采样层一：利用32通道的3×3大小的卷积核进行卷积，ReLU激活函数，进行池化，并与上采样层四融合；

下采样层二：利用64通道的3×3大小的卷积核进行卷积，ReLU激活函数，并进行池化并与上采样层三融合；

下采样层三：利用128通道的3×3大小的卷积核进行卷积，ReLU激活函数，并进行池化并与上采样层二融合；

下采样层四：利用256通道的3×3大小的卷积核进行卷积，ReLU激活函数，并进行池化并与上采样层一融合；

卷积层：利用512通道的3×3大小的卷积核进行卷积并利用ReLU激活函数；

上采样层一：利用256通道的3×3大小的卷积核进行反卷积，并利用ReLU激活函数；

上采样层二：利用128通道的3×3大小的卷积核进行反卷积，并利用ReLU激活函数；

上采样层三：利用64通道的3×3大小的卷积核进行反卷积，并利用ReLU激活函数；

上采样层四：利用32通道的3×3大小的卷积核进行反卷积，并利用ReLU激活函数；

输出层：利用二通道的1×1大小的卷积核进行卷积，并利用softmax激活函数，输出原图像每个像素点对应类别的概率值。

4.根据权利要求3所述的一种铁路货车转向架弹簧托板折断故障图像识别方法,其特征在于所述图像分割神经网络模型的损失函数为

其中，y表示真实标记的分布，则为预测分布。

5.根据权利要求1所述的一种铁路货车转向架弹簧托板折断故障图像识别方法,其特征在于所述方法还包括：

步骤五：根据故障信息，将故障位置和故障类别生成报文，并上传至报警平台。

6.根据权利要求1所述的一种铁路货车转向架弹簧托板折断故障图像识别方法,其特征在于所述标记信息集为转向架弹簧托板的掩码图像，所述掩码图像通过人工标记弹簧托板边缘的方式获取。