[发明专利]一种铁路动车裙板格栅变形故障识别方法

权利要求书

1.一种铁路动车裙板格栅变形故障识别方法，其特征在于，所述方法包括：

S1、构建铁路动车的裙板格栅变形样本集；

S2、利用裙板格栅变形样本集对深度学习目标检测网络Faster R-CNN进行训练，得到Faster R-CNN检测模型及权重；

S3、利用Faster R-CNN检测模型及权重识别铁路动车待检测的侧部图像，确定侧部图像中的裙板格栅是否出现变形，若发生变形确定变形位置；

所述深度学习目标检测网络Faster R-CNN中的特征提取网络包括：66层的Resnet网络，66层的Resnet网络中Bottleneck块中的3x3的卷积核用一个3x1的卷积核串联一个1x3的卷积核替代；

用Swish激活函数替代所述特征提取网络中的ReLU激活函数。

2.根据权利要求1所述的铁路动车裙板格栅变形故障识别方法，其特征在于，所述S1包括：

S11、获取铁路动车的整节侧部图像，对获取的侧部图像进行滤波；

S12、对滤波处理后的图像进行切割，获得带有格栅的裙板子图；

S13、在带有格栅的裙板子图上对裙板格栅变形故障进行模拟；

S14、对子图中裙板格栅变形故障进行标记，完成裙板格栅变形样本集的构建。

3.根据权利要求2所述的铁路动车裙板格栅变形故障识别方法，其特征在于，所述S11包括，获取不同车型、不同天气状况、不同时间段的铁路动车的整节侧部图像，依次采用滤波器F₁和F₂对获取的侧部图像进行滤波处理，其中：

4.根据权利要求2所述的铁路动车裙板格栅变形故障识别方法，其特征在于，所述S13中，在带有格栅的裙板子图上模拟不同大小、不同位置、不同形状的裙板格栅变形故障。

5.根据权利要求4所述的铁路动车裙板格栅变形故障识别方法，其特征在于，所述S13中，还包括：

对模拟裙板格栅变形故障的子图进行数据增强，所述数据增强包括调整亮度、调整对比度和/或平移。

6.根据权利要求1所述的铁路动车裙板格栅变形故障识别方法，其特征在于，所述S2包括；

S21、利用特征提取网络提取裙板格栅变形样本集中图像的特征图；

S22、将特征图输入到区域生成网络RPN中，获得推荐候选区域；

S23、对特征图和推荐候选区域输入到ROI池化层进行感兴趣池化操作：

将推荐候选区域映射到特征图中的对应位置，将映射后的区域划分为与回归分支网络输出维度相同大小的区域；对划分后的每个区域进行最大池化操作，得到相同大小的特征图；

S24、将相同大小的特征图同时输入到分类分支网络和回归分支网络中，分类分支网络和回归分支网络进行学习，分类分支网络用于进行分类检测，确定裙板格栅是否出现变形，所述回归分支网络利用位置框在特征图中标记出裙板格栅变形位置并输出带有位置框的特征图，所述回归分支网络还用于利用特征图中裙板格栅的变形位置调整位置框的位置和大小；所述Faster R-CNN检测模型包括特征提取网络、ROI池化层、分类分支网络和回归分支网络；

S25、重复S21至S24，达到设定迭代次数后，分类分支网络和回归分支网络完成学习，得到Faster R-CNN检测模型的权重。

7.根据权利要求6所述的铁路动车裙板格栅变形故障识别方法，其特征在于，所述S22中，所述区域生成网络RPN根据特征图上的每个特征点预测多个推荐候选区域，具体过程为：将特征点映射回裙板格栅变形样本集中图像获得基准点，围绕基准点生成多个不同大小、不同形状、不同长宽比的锚框，将所生成的锚框框选出的区域确定为推荐候选区域。

8.根据权利要求7所述的铁路动车裙板格栅变形故障识别方法，其特征在于，所述S22中，区域生成网络RPN利用一个3*3的卷积核将输入的特征图的通道数减半。