[发明专利]一种基于深度学习的手闸紧固故障识别方法

权利要求书

1.一种基于深度学习的手闸紧固故障识别方法，其特征在于包括以下步骤：

步骤一：获取原始图像，并构建数据集；

步骤二：针对数据集中的图像，截取手闸部件范围子图；

步骤三：将截取到的手闸部件范围子图中制动缸圆筒头部和推杆进行标记，并将标记后的图像作为训练集；

步骤四：利用训练集对faster-rcnn网络模型进行训练；

步骤五：将待检测图像输入到训练好的faster-rcnn网络模型中，得到制动缸圆筒头部和推杆图像，若推杆水平长度大于圆筒头部垂直长度的4倍，或圆筒头部水平长度大于圆筒头部垂直长度的0.4倍，则认定为存在故障，若存在故障，则生成报文，上传至报警平台，否则认定为不存在故障；

所述步骤五中还包括对制动缸圆筒头部和推杆图像进行修正的步骤，所述修正的步骤具体为：

根据faster-rcnn网络的输出得到推杆的位置信息(x1,x2,y1,y2)及圆筒头部的位置信息(x3,x4,y3,y4)，其中，(x1,y1)为推杆左上角坐标，(x2,y2)为推杆右下角坐标，(x3,y3)为圆筒头部左上角坐标，(x4,y4)为圆筒头部右下角坐标；

设水平坐标的初始水平分界线为m，m的区间为[min(x2,x3)+1,max(x2,x3)-1]，将min(x2,x3)到m的区间划分给推杆，m到max(x2,x3)的区间划分给圆筒头部；

根据m的取值范围在手闸部件范围子图上截取四个子图像，分别为疑似推杆子图像J1、真实推杆子图像J2、疑似圆筒头部子图像Z1和真实圆筒头部子图像Z2，四个子图像的竖直区间均为[max(y1,y3),min(y2,y4)]，J1水平区间为[min(x2,x3),m],J2水平区间为[min(x2,x3)-m,min(x2,x3)]，Z1水平区间为[m,max(x2,x3)]，Z2水平区间为[max(x2,x3),2*max(x2,x3)-m]，然后根据得到的图像数据进行相似度dis计算，并在结果中选择相似度dis最小时对应的m为更新水平分界线，根据更新水平分界线将推杆的位置修正为(x1,min(x2,x3)+m,y1,y2)，将圆筒头部的位置修正为(max(x2,x3)-m,x4,y3,y4)。

2.根据权利要求1所述的一种基于深度学习的手闸紧固故障识别方法，其特征在于所述faster-rcnn网络模型包括主干网络、FPN、RPN和rcnn。

3.根据权利要求2所述的一种基于深度学习的手闸紧固故障识别方法，其特征在于所述faster-rcnn网络模型中FPN执行如下步骤：首先针对主干网络输出的不同尺寸的特征图逐层进行1*1卷积和下采样操作，得到尺寸依次减小的特征图P2、P3、P4，然后将P2特征图进行上采样后与P3特征图融合，得到P3`特征图，之后将融合后的P3`特征图进行上采样后与P4特征图融合，得到P4`特征图，分别将P3`、P4`特征图通过3*3的卷积进行特征整合，然后再进行1*1的卷积，之后进行全局池化得到全局描述特征，然后将全局描述特征通过两个全连接层加一个Sigmoid激活函数得到不同尺寸的特征图所对应通道的激活值，最后将得到的通道的激活值与主干网络输出的不同尺寸的特征图中的特征进行相乘，得到新的特征图。

4.根据权利要求3所述的一种基于深度学习的手闸紧固故障识别方法，其特征在于所述faster-rcnn网络模型中RPN执行如下步骤：首先利用k-means聚类算法初始锚框的尺寸，得到六个不同宽高的锚框，然后按照锚框尺寸的大小，将三个小尺寸的锚框设置在P3`特征图上，将三个大尺寸的锚框设置在P4`特征图上，然后将设置锚框后的P3`和P4`两组特征图分别进行3*3卷积和1*1卷积。

5.根据权利要求4所述的一种基于深度学习的手闸紧固故障识别方法，其特征在于所述k-means聚类算法的距离函数表示为：

其中，w_i为样本框的宽，w_j为聚类中心的宽，IOU表示两个矩形框的交并比。

6.根据权利要求5所述的一种基于深度学习的手闸紧固故障识别方法，其特征在于所述步骤二中截取包含待检测部件的子图根据先验知识进行。