[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

说明书

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，属于故障检测领域。本发明解决了传统深度学习方法所用的激活函数较为简单，无法为模型提供足够的非线性映射能力问题。本发明方法包括：获取动车侧部图像，对排污口进行粗定位，获取可能包含排污口的子区域图像并对其标注；构建神经网络模型训练数据集和测试数据集，设计APMU神经网络非线性激活函数和神经网络模型，在训练集上和测试集上分别训练和测试神经网络模型，获取神经网络模型参数权重和最优参数权重；以排污口子区域图像作为神经网络模型输入，通过神经网络模型对排污口进行精确定位；通过图像处理判断排污口是否故障。本发明用于排污口盖板未关闭到位故障检测。

技术领域

本发明属于图像检测技术领域，具体涉及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。

背景技术

排污口盖板能够保证动车组车体在高速运行中的气密性，保护排污口及附近部件不受内外气压差的影响而发生泄露、部件丢失等故障。因此，对动车组排污口盖板未关闭到位故障进行及时的自动报警具有重要意义。

通过深度学习方法对动车组排污口故障进行自动检测及报警，人工只需对少量报警结果进行确认。相对于人工用肉眼检查所有排污口图像，能够有效提高检测质量和检测效率，大幅节约车辆段的人力成本。

基于深度学习方法的图像故障检测模型通常先将输入图像映射到高维特征空间；然后在该特征空间中构建一个超曲面，对不同类别的图像特征进行划分；最后将故障检测结果映射到低维空间进行输出。由于不同类别的图像特征在高维特征空间中往往是线性不可分的，因此非线性激活函数通常被用于图像故障检测模型中，以使模型获得非线性映射能力。激活函数的好坏直接影响到图像故障检测模型的整体性能。

然而，传统深度学习方法所用的激活函数较为简单，无法为模型提供足够的非线性映射能力。另外，传统深度学习方法采用的激活函数形式固定，所有输入数据均通过相同的激活函数进行非线性映射。当输入数据的类内差异较大时，通过相同激活函数进行非线性映射会降低模型的性能。

发明内容

本发明的目的是为解决传统深度学习方法所用的激活函数较为简单，无法为模型提供足够的非线性映射能力的问题，现提出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。

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，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；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；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；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；