[发明专利]一种基于深度学习的排污口盖板未关闭到位故障检测方法

权利要求书

1.一种基于深度学习的排污口盖板未关闭到位故障检测方法，其特征在于，包括：

步骤一、获取包含排污口的子区域图像；

步骤二、利用步骤一获取的排污口子区域图像建立原始图像数据集，并对原始图像数据集进行数据扩增；根据排污口所属动车的车型，利用数据标注工具对原始图像数据集进行标注，得到每张包含排污口的子区域图像对应的标签文件；将原始图像数据集和原始图像数据集一一对应的标签文件分为训练集和测试集；

步骤三、构建目标检测神经网络模型；所述目标检测神经网络模型包括残差神经网络和候选区域网络；所述残差神经网络有多个残差块构成；其中，残差块包括批归一化层、APMU神经网络非线性激活函数层、卷积层，批归一化层的输入特征向量和卷积层的输出特征向量通过残差连接相加；所述APMU神经网络非线性激活函数层包括APMU神经网络非线性激活函数和APMU神经网络非线性激活函数子网络；所述APMU神经网络非线性激活函数表示为：

其中，x表示APMU神经网络非线性激活函数的输入值；f(x)表示APMU神经网络非线性激活函数的输出值；w、m、n、α均表示APMU神经网络非线性激活函数的自适应参数；k表示APMU神经网络非线性激活函数阶数；

所述APMU神经网络非线性激活函数子网络具体表示为：

子网络由2个全连接层叠加而成；每个全连接层的计算公式为：

q＝Wp+b (5)

其中，p∈R^hx1为全连接层的输入特征向量，其中h表示特征向量的长度；q∈R^hx1为全连接层的输出特征向量；W∈R^hxh为全连接层的权重参数；b∈R^hx1为全连接层的偏置参数；

候选区域网络包括批归一化层、APMU神经网络非线性激活函数层、全局平均池化层和全连接层；

步骤四、对目标检测神经网络模型进行训练和测试；具体过程为：

步骤四一、采用步骤二中的训练集对构建的目标检测神经网络模型进行训练，得到目标检测神经网络模型的参数权重；

步骤四二、载入目标检测神经网络模型的参数权重，在测试集上进行测试，根据测试结果对目标检测神经网络模型的神经网络超参数进行调优；

步骤四三、重复进行步骤四一至步骤四二，得到目标检测神经网络模型的最优参数权重，即完成对目标检测神经网络模型进行训练；

步骤五、通过训练好的目标检测神经网络模型对排污口盖板未完全关闭故障进行检测；具体过程为：

加载步骤四三中得到的目标检测神经网络模型参数权重；通过目标检测神经网络模型从待检测图像中获取排污口位置；根据排污口位置获取排污口盖板位置，即得到排污口盖板位置图像；采用OTSU算法求取所得排污口盖板位置图像对应的自适应二值化阈值，并通过该阈值对排污口盖板精确位置图像进行二值化，以此获取排污口盖板位置二值图像；二值图像中小于该自适应二值化阈值的像素值被置为0，大于等于该自适应二值化阈值的像素值被置为255；根据不同车型排污口盖板的开合方向，在所得排污口盖板二值图像上截取排污口盖板与车身间的缝隙阴影图像；计算所得缝隙阴影图像中像素值为0的像素个数，获取排污口盖板与车身间的缝隙阴影面积；根据为不同车型所设定的缝隙阴影面积阈值，判断所得缝隙阴影面积是否超出阈值，超出阈值则为出现未关闭到位故障。

2.根据权利要求1所述一种基于深度学习的排污口盖板未关闭到位故障检测方法，其特征在于，所述步骤一中获取包含排污口的子区域图像；具体过程为：

获取动车侧部整体图像，基于轴距信息和先验信息对动车侧部整体图像中的排污口进行定位，进而获取包含排污口的子区域图像。