[发明专利]一种基于深度学习的手闸紧固故障识别方法

说明书

一种基于深度学习的手闸紧固故障识别方法,涉及图像识别技术领域，针对现有技术中人工检查效率低，准确率低的问题，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，得到检测结果。本申请利用图像自动识别的方式代替人工检测，可以解决人工检测长时间重复看图的疲劳问题，对于同种故障统一标准，提高了检测效率、准确率。

技术领域

本发明涉及图像识别技术领域，具体为一种基于深度学习的手闸紧固故障识别方法。

背景技术

铁路货车是我国主要的货物运输方式，每日有大量的货车在线上运行。在各种外界环境的影响下，各部件产生故障无法避免。

手闸紧固故障是一种危及行车安全的故障，如果未及时发现故障可能产生严重后果。目前主要是用人眼对整车进行故障查找，查找范围大部件多、车辆多、故障形态多，所以这项工作是一个重复性强且强度高易疲劳的机械性作业。当工人疲劳时很容易，造成漏检、错检的出现，影响行车安全，而且检测效率低。

发明内容

本发明的目的是：针对现有技术中人工检查效率低，准确率低的问题，提出一种基于深度学习的手闸紧固故障识别方法。

本发明为了解决上述技术问题采取的技术方案是：

一种基于深度学习的手闸紧固故障识别方法，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。

进一步的，faster-rcnn网络模型包括主干网络、FPN、RPN和rcnn。

进一步的，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，将融合后的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。

进一步的，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。

进一步的，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。