[发明专利]一种基于深度学习的铁路平板车端板脱落故障图像识别方法

权利要求书

1.一种基于深度学习的铁路平板车端板脱落故障图像识别方法，其特征在于，该方法包括以下步骤：

步骤一、分别利用线阵相机采集车厢左右双侧的端板图像；

步骤二、对步骤一采集的图像进行自适应直方图均衡化处理，获得自适应直方图均衡化后的图像；再对获得的图像进行扩增，扩增后对图像的不同区域进行标记，得到样本数据集；

步骤三、加载Inception v2网络模型，将步骤二获得的样本数据集输入Inception v2网络进行训练，训练500个epoch后获得训练好的Inception v2网络；

步骤四、使用TensorRT对步骤三训练好的Inception v2网络进行优化，获得优化后的Inception v2网络；

步骤五、利用优化后的Inception v2网络对采集的待测端板图像进行故障识别。

2.根据权利要求1所述的一种基于深度学习的铁路平板车端板脱落故障图像识别方法，其特征在于，所述步骤二中，对获得的图像进行扩增，扩增的方式包括对图像进行拉伸、旋转和镜像变换。

3.根据权利要求2所述的一种基于深度学习的铁路平板车端板脱落故障图像识别方法，其特征在于，所述使用TensorRT对步骤三训练好的Inception v2网络进行优化，获得优化后的Inception v2网络，其具体为：

通过TensorRT合并Inception v2网络的卷积层与池化层，将Float32数据类型改为Float16数据类型。

4.根据权利要求3所述的一种基于深度学习的铁路平板车端板脱落故障图像识别方法，其特征在于，所述利用优化后的Inception v2网络对采集的待测端板图像进行故障识别，其具体过程为：

对于采集的待测端板图像，对待测端板图像进行自适应直方图均衡化处理后，再将自适应直方图均衡化处理后的图像输入优化后的Inception v2网络，由Inception v2网络输出对端板故障的识别结果；

若识别结果为端板故障，则根据Inception v2网络预测的故障检测框位置来判断故障的位置，通过Inception v2网络预测的类别概率来判断故障的类别。

5.根据权利要求1所述的一种基于深度学习的铁路平板车端板脱落故障图像识别方法，其特征在于，所述将自适应直方图均衡化处理后的图像输入优化后的Inception v2网络之前，需要将待识别端板图像调整到统一大小。