[发明专利]基于深度学习的铁路机车车号的识别方法

说明书

基于深度学习的铁路机车车号的识别方法，涉及铁路车辆故障识别技术领域。本发明是为了解决采用人工对铁路机车车号进行识别过程中，检测结果精度低、效率低，不利于故障原因的及时查找的问题。本发明所述的基于深度学习的铁路机车车号的识别方法，采用先目标检测网络进行粗定位，然后在定位后的截图中进行识别的方式能够有效识别车号中的小字符，提高识别的准确率，避免漏检和错检。由于车辆颜色种类过多，黑白相机拍摄的部分颜色车号对比度不高。本发明采用车体两侧的彩色面阵相机拍摄车号图像，能够有效避免单侧相机受到强烈阳光干扰和雨雪等恶劣天气的影响。

技术领域

本发明属于铁路车辆故障识别技术领域。

背景技术

铁路机车车号是机车的重要辨识特征，其与货车的完整运行流程相伴，而车号识别在铁路的运营过程中起到了非常关键的作用。

目前对于铁路货车故障检测一般采用人工排查的方式。由于排查过程中受到作业人员的业务素质、责任心、劳动强度等因素影响较大，因此容易发生漏检或简化作业等情况。

发明内容

本发明是为了解决采用人工对铁路机车车号进行识别过程中，检测结果精度低、效率低，不利于故障原因的及时查找的问题，现提供基于深度学习的铁路机车车号的识别方法。

基于深度学习的铁路机车车号的识别方法，包括以下步骤：

步骤一：建立训练集，

采集不同型号车辆处于不同时间和环境下车辆两侧的车号图片，利用所有车号图片建立样本库，

分别在每幅车号图片中标记车号所在位置、并生成相应的标签文件，将所有车号图片和各自对应的标签文件共同作为前置目标检测网络的训练集，

根据每幅车号图片中车号所在位置对车号图片进行截取，获得含有车号的截图，在截图中标记出车号的字符、并将不同的字符标记为不同的类型，将所有截图和截图中字符所对应的类型共同作为车号识别网络的训练集；

步骤二：权重训练，

利用前置目标检测网络的训练集中的数据训练目标检测网络，

利用车号识别网络的训练集中的数据训练车号识别深度学习网络；

步骤三：图像采集，

采集待检测车辆两侧的车号图像，将两个车号图像均调整成像素为512×512的待检测图片；

步骤四：车号识别，

将两个待检测图片输入至目标检测网络中，获得待检测图片中车号所在位置框，

根据待检测图片中车号所在位置框对检测图片进行截取，获得两个车号截图，分别将两个车号截图输入至车号识别深度学习网络，获得两个车号截图多对应的车号类型，

步骤五：结果确定，

判断两个车号类型的置信度是否相同，

是则两个车号截图的车号类型相同，均能够作为车号输出结果，

否则将置信度大的车号类型作为车号输出结果。

采集待检测车辆两侧的车号图像之后，首先分别对两个车号图像进行投影变换，校正图像畸变，

然后，分别调整两个车号图像的颜色、亮度和对比度，校正图像色彩，

最后，调整图像像素，获得待检测图片。

当目标检测网络输出多个车号所在位置框时，将信度最大的位置框作为最终结果。