[发明专利]一种铁路货车钩尾销托梁脱落故障识别方法

权利要求书

1.一种铁路货车钩尾销托梁脱落故障识别方法，包括：

s1、采集货车钩尾销区域的灰度图像；

其特征在于，还包括以下步骤：

s2、对灰度图像进行归一化处理；

s3、对图像进行尺寸调整，然后送入训练好的SSD深度学习网络，对铁路货车钩尾销托梁是否脱落进行检测；

利用训练好的SSD深度学习网络对铁路货车钩尾销托梁是否脱落进行检测时，同时利用训练好的SSD深度学习网络对螺孔或通孔进行检测，在SSD深度学习网络中的卷积层的前三层对螺孔或通孔进行浅层卷积，并根据卷积得到的feature map对螺孔或通孔进行识别；

当检测到铁路货车钩尾销托梁脱落，或者检测到螺孔或通孔，则判定为铁路货车钩尾销托梁存在脱落故障。

2.根据权利要求1所述的一种铁路货车钩尾销托梁脱落故障识别方法，其特征在于，所述SSD深度学习网络以VGG16作为基础模型，将VGG16的全连接层fc6和fc7转换成3×3的卷积层Conv6和1×1卷积层Conv7，同时将池化层pool5由2×2变成3×3；Conv6采用扩展卷积或带孔卷积；

卷积层Conv7后依次设置Conv8_2，Conv9_2，Conv10_2，Conv11_2；提取Conv7，Conv8_2，Conv9_2，Conv10_2，Conv11_2作为检测所用的特征图，加上VGG16中的Conv4_3层，共提取了6个特征图，用于铁路货车钩尾销托梁是否脱落进行检测。

3.根据权利要求2所述的一种铁路货车钩尾销托梁脱落故障识别方法，其特征在于，Conv7，Conv8_2，Conv9_2，Conv10_2，Conv11_2的卷积核大小分别是(38,38)，(19,19)，(10,10)，(5,5)，(3,3)，(1,1)。

4.根据权利要求3所述的一种铁路货车钩尾销托梁脱落故障识别方法，其特征在于，所述SSD深度学习网络中，生成候选框的大小为13*13，候选框长宽比例为[0.75，1.0，1.5]。

5.根据权利要求4所述的一种铁路货车钩尾销托梁脱落故障识别方法，其特征在于，所述SSD深度学习网络中卷积层的激活函数为RELU。

6.根据权利要求1所述的一种铁路货车钩尾销托梁脱落故障识别方法，其特征在于，所述采集货车钩尾销区域的灰度图像的过程如下：

通过货车轨道下方设置的高清成像设备获取货车的灰度图像；依据先验知识获得货车钩尾销区域的灰度图像。

7.根据权利要求1所述的一种铁路货车钩尾销托梁脱落故障识别方法，其特征在于，在步骤s2所述对灰度图像进行归一化处理之前，对采集的货车钩尾销区域的灰度图像进行图像增强处理。

8.根据权利要求1至7之一所述的一种铁路货车钩尾销托梁脱落故障识别方法，其特征在于，所述SSD深度学习网络的训练过程包括以下步骤：

a、采集货车钩尾销区域的灰度图像，进行图像预处理和/或图像增强处理，建立样本数据集；

b、对数据集进行分类标注，包括以下步骤：

将铁路货车钩尾销托梁标注为正常和脱落故障；并在图像中对螺孔、过孔进行标记，将螺孔、过孔图像作为新的label加入训练；

c、计算样本数据集权重，生成训练文件，包括以下步骤：

首先，基于SSD深度学习网络，采用随机方式初始化权重系数；

然后，将样本数据进行灰度归一化处理，即将其灰度值归一化至0到1的范围内；将归一化后的数据作为输入数据，输入到SSD深度学习网络中；经过损失函数和优化器后，计算出新的权重系数，将权重系数进行更新，完成一次训练迭代；

重复上述过程，将全部图像完成固定次数的迭代；迭代过程中并不是每次迭代都要更新权重，只有损失函数更低的权重才会被更新，直到找到最优的权重系数；

将训练结果保存为训练文件，用来预测钩尾销托梁故障的真实图像。