[发明专利]一种挡键丢失检测方法

说明书

一种挡键丢失检测方法，属于货运列车检测技术领域。本发明是为了挡键丢失的人工图像检测方式存在效率低、准确率低的问题，以及环境因素导致的图像检测方式准确率低的问题。本发明利用包含挡键的感兴趣区域的图像训练神经网络的模型，得到训练好的神经网络的模型权重，把模型精度从32位转换成16位精度；采集过车图像并裁剪出包含挡键的感兴趣区域，加载转换成16位精度的神经网络的模型权重，进行神经网络的预测，根据得到的挡键坐标信息，利用人工先验规则，进行故障的判定。主要用于挡键丢失故障检测。

技术领域

本发明涉及一种挡键丢失检测方法。属于货运列车检测技术领域。

背景技术

为了保证铁路货运列车的安全行驶，铁路货运部门必须经常对铁路货车的各个重要部件进行检查和维修。铁路货车车辆转向架挡键作用是防止车轮与转向架分离，是影响铁路货车的正常行驶的重要部件，对货运列车检测至关重要。为了提高转向架挡键丢失故障检测效率，可以对货运列车进行图像采集，然后基于采集的图像完成铁路货车部件的检测。目前采用人工查看图像的方式进行转向架挡键丢失检查，成本高、效率低，且待检测部件挡键较小经常出现漏检、误报等情况，无法保证准确率。

更为重要的是，由于铁路货车的部分检修部件是位于铁路货车外侧，受到环境等因素的影响十分严重，对基于图像的检测准确率造成极大的影响。例如由于天气和风沙等因素的影响，列车部件会出现灰尘覆盖部件、部件涂污、挂冰、挂雪等多种情况，或者光线较暗导致图像较暗等情况，都会导致图像部件不易区分，从而导致检测准确率较低。同时由于挡键部件较小，原本检测就有一定难度，一旦遇到上述环境的影响，挡键部件丢失的检测收到严重影响，检测的准确率进一步降低。

发明内容

本发明是为了挡键丢失的人工图像检测方式存在效率低、准确率低的问题，以及环境因素导致的图像检测方式准确率低的问题。

一种挡键丢失检测方法，包括以下步骤：

利用包含挡键的感兴趣区域的图像训练神经网络的模型，得到训练好的神经网络的模型权重，把模型精度从32位转换成16位精度；

采集过车图像并裁剪出包含挡键的感兴趣区域，加载转换成16位精度的神经网络的模型权重，进行神经网络的预测，根据得到的挡键坐标信息，利用人工先验规则，进行故障的判定。

进一步地，所述利用包含挡键的感兴趣区域的图像训练神经网络的模型的过程包括以下步骤：

s1、采集过车图像；

s2、根据硬件的轴距信息和挡键的位置，从过车图像中裁剪出感兴趣区域；

s3、数据集图像预处理，包括以下步骤：

根据挡键的感兴趣区域图像，建立包含挂冰、挂雪、正常情况下的挡键图像集；并对数据集进行标记，获得训练样本中挡键的坐标信息；

s4、把训练集中的训练样本归一化到256*256，输入到搭建好的神经网络模型中，进行训练，得到训练好的训练好的神经网络的模型权重，即得到训练好的训练好的神经网络的模型。

进一步地，步骤s3中对数据集进行标记之前，需要对数据集进行数据扩增操作；结合数据扩增之后的图像，组成新的训练数据集；然后对新的数据集进行标记。

进一步地，所述神经网络模型包括基准特征提取网络、多尺度特征提取网络；

基准特征提取网络包含一个卷积-池化单元和4个Dense Block模块，Dense Block内部通过层与层之间联级的方式进行连接，每两个Dense Block通过Concat进行通道降维；

4个Dense Block模块记为Dense Block1、Dense Block2、Dense Block3、DenseBlock4；