[发明专利]铁路货车侧部摇枕倾斜故障图像识别方法

权利要求书

1.铁路货车侧部摇枕倾斜故障图像识别方法，其特征在于：所述方法具体过程为：

步骤一、获取数据集；

步骤二、将数据集输入深度学习网络模型进行训练，得到训练好的深度学习网络模型；

步骤三、通过训练好的最优的权重系数，对待检测摇枕倾斜图像进行预测，得到侧部摇枕的分割结果；

步骤四、对步骤三得到的侧部摇枕的分割结果进行倾斜故障判别。

2.根据权利要求1所述铁路货车侧部摇枕倾斜故障图像识别方法，其特征在于：所述步骤一中获取数据集；具体过程为：

通过铁路枕边设备，拍摄货车图像，依据列车的轴距信息及侧部摇枕位置的先验知识，在整列车图像中截取侧部摇枕的子图像，将子图像放入数据集，每张子图像的大小一致，并且子图像大小为32的倍数；

对数据集中的全部图像进行标记，标记时需要标记摇枕的外边缘，同时统一类型的摇枕需要统一标记。

3.根据权利要求1或2所述铁路货车侧部摇枕倾斜故障图像识别方法，其特征在于：所述步骤二中将数据集输入深度学习网络模型进行训练，得到训练好的深度学习网络模型；具体过程为：

第1步：将数据集中图像输入初始化模型，图像的大小为32的倍数，并将初始化模型作为输入层，使用13通道，3×3大小的卷积核对输入层进行卷积得到conv1，对输入层进行最大池化后得到max_pool层，将conv1层和max_pool层进行融合得到merge层；

所述conv1为卷积1；max_pool为最大池化；merge为融合；

第2步：使用批量归一化对merge层进行处理，并将结果更新至merge层，使用PReLU激活函数处理merge层，并将结果更新merge层；

第3步：建立ENet-bootleneck模型，ENet-bootleneck模型分为两个分支：

第一个分支为：降采样、最大池化与补零操作；

另一个分支为：批量归一化、PReLU激活函数、卷积操作、正则化；

然后两分支相加，并使用PReLU激活函数处理；

第4步：通过ENet-bootleneck模型，模型内部使用降采样和卷积通道数为16的卷积核，得到bottleneck1.0层；

第5步：通过ENet-bootleneck模型，模型内部使用卷积通道数为16的卷积核，此操作循环4次，得到bottleneck1.x层；

第6步：通过ENet-bootleneck模型，模型内部使用卷积通道数为32的卷积核，进行降采样，得到bottleneck2.0层；

第7步：通过ENet-bootleneck模型，模型内部使用卷积通道数为32的卷积核，得到bottleneck2.1层；

通过ENet-bootleneck模型，模型内部使用卷积通道数为32的卷积核，使用膨胀形式进行卷积，得到bottleneck2.2层；

通过ENet-bootleneck模型，模型内部使用卷积通道数为32的卷积核，使用非对称形式进行卷积，得到bottleneck2.3层；

通过ENet-bootleneck模型，模型内部使用卷积通道数为32的卷积核，使用膨胀形式进行卷积，得到bottleneck2.4层；

通过ENet-bootleneck模型，模型内部使用卷积通道数为32的卷积核，得到bottleneck2.5层；

通过ENet-bootleneck模型，模型内部使用卷积通道数为32的卷积核，使用膨胀形式进行卷积，得到bottleneck2.6层；

通过ENet-bootleneck模型，模型内部使用卷积通道数为32的卷积核，使用非对称形式进行卷积，得到bottleneck2.7层；

通过ENet-bootleneck模型，模型内部使用卷积通道数为32的卷积核，使用膨胀形式进行卷积，得到bottleneck2.8层；

通过ENet-bootleneck模型，模型内部使用卷积通道数为32的卷积核，得到bottleneck2.1层；

通过ENet-bootleneck模型，模型内部使用卷积通道数为32的卷积核，使用膨胀形式进行卷积，得到bottleneck2.2层；

通过ENet-bootleneck模型，模型内部使用卷积通道数为32的卷积核，使用非对称形式进行卷积，得到bottleneck2.3层；

通过ENet-bootleneck模型，模型内部使用卷积通道数为32的卷积核，使用膨胀形式进行卷积，得到bottleneck2.4层；

通过ENet-bootleneck模型，模型内部使用卷积通道数为32的卷积核，得到bottleneck2.5层；

通过ENet-bootleneck模型，模型内部使用卷积通道数为32的卷积核，使用膨胀形式进行卷积，得到bottleneck2.6层；

通过ENet-bootleneck模型，模型内部使用卷积通道数为32的卷积核，使用非对称形式进行卷积，得到bottleneck2.7层；

通过ENet-bootleneck模型，模型内部使用卷积通道数为32的卷积核，使用膨胀形式进行卷积，得到bottleneck2.8层；

第8步：建立ENet-bootleneck-de模型：ENet-bootleneck-de模型同样需要两个分支：

第一个分支为：上采样、投影、批量归一化；

另一个分支为：批量归一化、relu激活函数、卷积操作、投影；

然后两分支相加，并使用relu激活函数处理；

第9步：通过ENet-bootleneck-de模型，模型内部使用卷积通道数为16的卷积核，使用上采样形式进行卷积，得到bottleneck4.0层；

通过ENet-bootleneck-de模型，模型内部使用卷积通道数为16的卷积核得到bottleneck4.1层；

通过ENet-bootleneck-de模型，模型内部使用卷积通道数为16的卷积核得到bottleneck4.2层；

第10步：通过ENet-bootleneck-de模型，模型内部使用卷积通道数为4的卷积核，使用上采样形式进行卷积，得到bottleneck5.0层；

通过ENet-bootleneck-de模型，模型内部使用卷积通道数为4的卷积核，得到bottleneck5.1层；

第11步：使用反卷积通道数为2的卷积核得到fullconv层；

第12步：使用softmax激活函数对fullconv层进行预测，得到输出层；

将数据集通过上述的深度学习网络模型进行训练，得到训练好的深度学习网络模型，得到训练好的最优的权重系数；

所述fullconv层为全连接层。