[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

说明书

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，它属于铁路平板车端板脱落故障图像识别技术领域。本发明解决了目前对铁路平板车端板脱落故障识别的准确率以及效率低的问题。本发明方法的流程具体为：步骤一、采集车厢左右双侧的端板图像；步骤二、对采集的图像进行处理，获得样本数据集；步骤三、加载Inception v2网络模型，将获得的样本数据集输入Inception v2网络进行训练，以获得训练好的Inception v2网络；步骤四、使用TensorRT对训练好的Inception v2网络进行优化；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。本发明可以应用于铁路平板车端板脱落故障的识别。

技术领域

本发明属于铁路平板车端板脱落故障图像识别技术领域，具体涉及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。

背景技术

目前货车的故障检测，一般均采用人工排查的方式进行故障检修。由于检测作业受作业人员的业务素质、责任心、劳动强度等因素的影响较大，容易发生漏检或简化作业等情况。而且人工检测工作效率低，一旦出现作业质量问题，不利于查找作业过程中产生问题的原因和问题发生的时间。

端板位于铁路平板车车厢首尾两端，通过车端铰链与车体连接，端板脱落一般发生在单侧或双侧铰链损坏时。单侧相机无法直接拍摄其完整图像，因此必须由双侧线阵相机分别拍摄其左右图像，再分别检测其图像，进行端板脱落故障判断。

而且由于相机光源，天气等外在因素影响，原始图像可能存在过曝、欠曝，亮度不均等缺陷。这将直接影响到对图像中端板脱落故障的识别，导致对图像中端板脱落故障识别的效率及准确率较低。

发明内容

本发明的目的是为解决目前对铁路平板车端板脱落故障识别的准确率以及效率低的问题，而提出了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。

本发明为解决上述技术问题采取的技术方案是：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，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Inceptionv2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。

本发明的有益效果是：本发明提出了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，本发明利用图像自动识别的方式代替人工检测，可以有效提高故障识别检测的效率和准确率，同时降低了人力成本。将深度学习方法应用到部件定位及故障检测中，能够有效提高算法的鲁棒性和准确率。对加载的网络模型进行训练后，预测时采用TensorRT对网络进行加速，既保证了预测的准确率，又保证了其运行效率。

附图说明

图1是本发明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的流程图。

具体实施方式

具体实施方式一：结合图1说明本实施方式。本实施方式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，该方法通过以下步骤实现：

步骤一、分别利用线阵相机采集车厢左右双侧的端板图像；