[发明专利]基于深度学习的撒砂管松脱故障图像识别方法及系统

说明书

本发明的基于深度学习的撒砂管松脱故障图像识别方法及系统，涉及列车部件故障识别领域，是为了克服现有通常采用人工检查图像的方式进行撒砂管故障检测，影响行车安全的问题，其中方法如下：步骤一、截取撒砂管部件子图；步骤二、预测撒砂管部件子图所包括的目标类别与位置；获得对应的管口类型分数值和粗细管相交分数值；步骤三、检测是否包括管口类型分数值大于管口类型分数值阈值T1的粗管口图像或细管口图像，若是，则确定撒砂管发生松脱故障，并输出位置；若否，则执行步骤四；步骤四、检测是否包括粗细管相交分数值大于粗细管相交分数阈值T2的粗细管相交部件图像，若是，则确定撒砂管正常；若否，则确定撒砂管发生松脱故障，并输出位置。

技术领域

本发明涉及列车部件故障识别领域，具体涉及一种动车组制动系统中撒砂管松脱故障的识别方法和系统。

背景技术

撒砂系统是动车组制动系统的重要组成部分，可以有效改善轮轨接触面的工作环境，改善黏着系数，提高运行品质。特别是在雨、雪、霜等恶劣天气下钢轨变得很滑，车辆容易产生空转或者滑行，通过撒砂系统可以有效减少此类问题发生。撒砂管松脱导致动车组撒砂系统的撒砂功能失效，进而危及行车安全。在现有的故障检测方法中，通常采用人工检查图像的方式进行故障检测。由于检车人员在工作过程中极易出现疲劳、遗漏等情况，造成漏检、错检的出现，影响行车安全。

发明内容

本发明的目的是为了克服现有通常采用人工检查图像的方式进行撒砂管故障检测，影响行车安全的问题，提供了一种基于深度学习的撒砂管松脱故障图像识别方法及系统。

本发明的基于深度学习的撒砂管松脱故障图像识别方法，方法具体步骤如下：

步骤一、截取真实过车图像中的撒砂管部件子图；

步骤二、利用确定权重系数的撒砂管目标检测模型预测撒砂管部件子图所包括的目标类别与位置；目标包括撒砂管的粗管口、撒砂管的细管口和粗细管相交部件；且

当预测出撒砂管部件子图包括粗管口图像或细管口图像时，获得对应的管口类型分数值；

当预测出撒砂管部件子图包括粗细管相交部件图像时，获得对应的粗细管相交分数值；

步骤三、检测撒砂管部件子图是否包括管口类型分数值大于管口类型分数值阈值T1的粗管口图像或细管口图像，

若是，则确定撒砂管部件子图所对应的撒砂管发生松脱故障，完成撒砂管松脱故障图像识别，并输出该撒砂管部件子图所对应的撒砂管的位置；

若否，则执行步骤四；

步骤四、检测撒砂管部件子图是否包括粗细管相交分数值大于粗细管相交分数阈值T2的粗细管相交部件图像，

若是，则确定撒砂管部件子图所对应的撒砂管正常，完成撒砂管松脱故障图像识别；

若否，则确定撒砂管部件子图所对应的撒砂管发生松脱故障，完成撒砂管松脱故障图像识别，并输出该撒砂管部件子图所对应的撒砂管的位置。

进一步地，步骤二中，撒砂管目标检测模型为Faster R-CNN模型，且该Faster R-CNN模型将ResNeSt-50网络作为目标检测中特征提取的骨干网络。

进一步地，步骤二的具体步骤如下：

步骤二一一、令撒砂管部件子图经过ResNeSt-50网络前向传播至最后共享的卷积层，分别得到供区域建议网络RPN输入的特征图；以及继续前向传播至特有卷积层，产生高维特征图；

步骤二一二、将步骤二一一得到的供RPN输入的特征图经过RPN网络得到区域建议和区域得分，并对区域得分采用非极大值抑制，输出其前数N个得分的区域建议给感兴趣区域RoI池化层；