[发明专利]铁路货车钩尾框折断故障识别方法

权利要求书

1.铁路货车钩尾框折断故障识别方法，其特征在于：所述方法具体过程为：

步骤一、采集铁路货车钩尾框正常图像与故障图像，作为铁路货车钩尾框图像数据集；

步骤二、对铁路货车钩尾框图像数据集进行扩增；

步骤三、对铁路货车钩尾框图像数据集样本进行标记；

步骤四、基于步骤三得到的标记后的铁路货车钩尾框图像数据集样本训练HyperNet模型，得到训练好的HyperNet模型；

HyperNet模型结构包括：

特征获取网络模型、生成候选框网络RPN层、固定输出大小的池化ROIPooling层及输出；

所述特征获取网络模型具体为：

选取VGG16作为基层网络进行特征图的获取，包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、池化层、反卷积层；

第一卷积层conv1包含两个卷积核为3*3的卷积层，后接池化层；

第二卷积层conv2包含两个卷积核为3*3的卷积层，后接池化层；

第三卷积层conv3包含三个卷积核为3*3的卷积层，后接池化层；

第四卷积层conv4包含三个卷积核为3*3的卷积层，后接池化层；

第五卷积层conv5包含三个卷积核为3*3的卷积层，后接反卷积层；

将conv1、conv3、conv5三层卷积层，跳层连接在一起，形成一个Feature maps，最后通过LRN进行标准化，即得到Hyper特征图；

所述LRN为局部归一化，Feature maps为输入特征图；

所述生成候选框网络RPN层具体为：

输入为Hyper特征图，经过3*3*4的卷积核后再接一个固定输出大小的池化ROIPooling层将输入Hyper特征图统一成13*13的大小，将此特征图输入到RPN中；

首先根据设置的比例与尺度，获得全部候选框；

将候选框与步骤三标记得到的目标框GT计算重叠比例IOU，将其中超过图像边界的候选框筛除，选取IOU大于0.7的为正样本即为目标，与每一个GT的IOU最大的也为正样本，IOU小于0.3的为负样本即为背景，IOU在0.3-0.7之间的筛除；

在正样本中选取128个候选框，负样本中选取128个候选框进行RPN层训练，其中正样本参与分类与目标框回归，负样本只参与分类不计算目标框；最后生成一系列的候选框；

所述固定输出大小的池化ROIPooling层及输出具体为：

将得到的候选框中的特征图后接一个固定输出大小的池化ROIPooling层，将候选框中的特征图统一到相同大小，传输给全连接层，最后全连接层将候选框区分成不同的目标；

步骤五、对训练好的HyperNet模型加入报警报文生成算法，算法完成后，生成故障识别模块，将故障识别模块安装在基站，当有货车通过基站的时候，相机采集图像，调用故障识别模块对钩尾框折断故障进行判别；

若识别为钩尾框折断故障，则输出故障信息至平台，供人工确认及处理；

若识别无钩尾框折断故障，则无需报警，继续等待下一趟货车的到来。

2.根据权利要求1所述铁路货车钩尾框折断故障识别方法，其特征在于：所述步骤二中对铁路货车钩尾框图像数据集进行扩增；过程为：

根据车体结构先验知识，截取钩尾框托板所在子图；

对子图中钩尾框托板故障图像样本进行增强来增加样本；过程为：

根据钩尾框托板故障形态，使用Photoshop改变原始故障的大小、位置、形态、灰度，得到扩增后的钩尾框托板故障图像；

然后对所有铁路货车钩尾框图像进行整体扩增，过程为：

对Photoshop好的钩尾框托板故障图像以及步骤一得到的铁路货车钩尾框图像数据集进行翻转、偏移操作增加数据集。

3.根据权利要求1或2所述铁路货车钩尾框折断故障识别方法，其特征在于：所述步骤三中对铁路货车钩尾框图像数据集样本进行标记；

使用标签对样本进行标记，最初标记两类，一类为折断故障，另一类为钩尾框所在区域。

4.根据权利要求3所述铁路货车钩尾框折断故障识别方法，其特征在于：所述步骤四中基于步骤三得到的标记后的铁路货车钩尾框图像数据集样本训练HyperNet模型，得到训练好的HyperNet模型；具体过程为：

将标记后的铁路货车钩尾框图像数据集样本输入到HyperNet模型进行训练，若达到训练精度，得到训练好的HyperNet模型；若未达到训练精度，继续将标记后的铁路货车钩尾框图像数据集样本输入到HyperNet模型进行训练，直至达到训练精度，得到训练好的HyperNet模型。