[发明专利]一种基于深度学习的列车侧部裙板丢失故障的检测方法

权利要求书

1.一种基于深度学习的列车侧部裙板丢失故障的检测方法，其特征在于，所述方法具体包括以下步骤：

步骤一、获取列车侧部图像，并从获取的图像中截取出裙板部件所在区域的图像；

步骤二、将步骤一中截取出的图像作为输入图像，将输入图像输入到训练好的YOLOF网络；

所述YOLOF网络的结构包括Backbone模块、Encoder模块和Head模块，输入图像输入Backbone模块后，将Backbone模块的输出结果输入到Encoder模块，再将Encoder模块的输出结果输入到Head模块，通过Head模块输出故障检测结果；

所述Encoder模块包括第一卷积层、第二卷积层和串联的4个不同空洞率的残差单元，Backbone模块的输出依次经过Encoder模块的第一卷积层和第二卷积层后，第二卷积层的输出结果输入第一残差单元，将第二卷积层的输出结果与第一残差单元的输出结果相融合，得到融合结果A1；

将融合结果A1输入第二残差单元，融合结果A1再与第二残差单元的输出结果相融合，得到融合结果B1；

将融合结果B1输入到第三残差单元，融合结果B1再与第三残差单元的输出结果相融合，得到融合结果C1；

将融合结果C1输入到第四残差单元，融合结果C1再与第四残差单元的输出结果相融合，获得融合结果D1，将融合结果D1作为Encoder模块的输出结果。

2.根据权利要求1所述的一种基于深度学习的列车侧部裙板丢失故障的检测方法，其特征在于，所述步骤一的具体过程为：

利用设置在列车轨道周围的成像设备采集列车侧部图像，参考车轴在列车侧部图像中的位置，从采集的图像中截取出裙板部件所在区域的图像。

3.根据权利要求1或2所述的一种基于深度学习的列车侧部裙板丢失故障的检测方法，其特征在于，所述裙板部件所在区域的图像包括侧部转向架处的裙板图像以及侧部非转向架处的裙板图像。

4.根据权利要求1所述的一种基于深度学习的列车侧部裙板丢失故障的检测方法，其特征在于，所述第一残差单元的空洞率为1，第二残差单元的空洞率为3，第三残差单元的空洞率为5，第四残差单元的空洞率为7。

5.根据权利要求1所述的一种基于深度学习的列车侧部裙板丢失故障的检测方法，其特征在于，所述Backbone模块的结构具体为：

从Backbone模块的输入端开始，Backbone模块依次包括卷积层、最大池化层、第一卷积块、第二卷积块、第三卷积块和第四卷积块，其中：

第一卷积块包括3个串联的卷积单元，第二卷积块包括4～8个串联的卷积单元，第三卷积块包括6～36个串联的卷积单元，第四卷积块包括3个串联的卷积单元；每个卷积单元均包含3个卷积层。

6.根据权利要求5所述的一种基于深度学习的列车侧部裙板丢失故障的检测方法，其特征在于，所述Backbone模块中，第一卷积块的每个卷积单元均包括一个64通道1*1卷积核大小的卷积层、一个64通道3*3卷积核大小的卷积层以及一个256通道1*1卷积核大小的卷积层；

第二卷积块的每个卷积单元均包括一个128通道1*1卷积核大小的卷积层、一个128通道3*3卷积核大小的卷积层以及一个512通道1*1卷积核大小的卷积层；

第三卷积块的每个卷积单元均包括一个256通道1*1卷积核大小的卷积层、一个256通道3*3卷积核大小的卷积层以及一个1024通道1*1卷积核大小的卷积层；

第四卷积块的每个卷积单元均包括一个512通道1*1卷积核大小的卷积层、一个512通道3*3卷积核大小的卷积层以及一个2048通道1*1卷积核大小的卷积层。

7.根据权利要求1所述的一种基于深度学习的列车侧部裙板丢失故障的检测方法，其特征在于，所述Head模块用于对Encoder模块的输出结果进行分类和回归，若Head模块的输出结果为图像中有目标属于侧部裙板丢失故障、得分score大于等于分数阈值且裙板丢失位置的最小外接矩形的长大于设定的长度阈值、宽大于设定的宽度阈值，则认为输入图像中存在侧部裙板丢失故障，否则不存在侧部裙板丢失故障。