[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

说明书

一种基于深度学习的列车侧部裙板丢失故障的检测方法，它属于列车侧部裙板丢失故障检测技术领域。本发明解决了传统故障识别算法的泛化能力差的问题。本发明在列车轨道周围搭建高清成像设备，当列车通过设备后即可获取高清图像；将车轴的位置作为参考，获得侧部转向架处小裙板所在区域图像和非转向架处的裙板所在区域图像，然后利用训练好的YOLOF网络结构对获得的侧部裙板所在区域图像进行丢失故障的检测，最后对裙板丢失的故障进行上传报警，工作人员根据识别结果进行相应的处理，保证列车安全运行。本发明可以应用于列车侧部裙板丢失故障检测。

技术领域

本发明属于列车侧部裙板丢失故障检测技术领域，具体涉及一种基于深度学习的列车侧部裙板丢失故障的检测方法。

背景技术

动车组侧部裙板部位有多种盖板、格栅、电池箱等部件，侧部裙板保护着动车组侧部的各种零部件，对列车的安全行驶有着重要的作用。但是列车高速运行的过程中容易出现侧部裙板丢失状况，如果不及时发现，将会严重危及行车安全。采用人工检查图像的方式进行故障检测时，由于动车组运行的密度大，检车时间短，检车人员在工作过程中极易出现疲劳、遗漏等情况，造成对侧部裙板丢失故障的漏检、错检，影响行车安全。因而，为了克服人工检测方法存在的不足，现有方法通过图像处理算法对侧部裙板丢失故障进行识别。但是由于光照，天气等外界因素的影响，将使得采集到的列车图像质量不一，而传统的图像处理算法对图像质量依赖性强，造成故障识别算法泛化能力差。

发明内容

本发明的目的是为解决传统故障识别算法的泛化能力差的问题，而提出一种基于深度学习的列车侧部裙板丢失故障的检测方法。

本发明为解决上述技术问题所采取的技术方案是：一种基于深度学习的列车侧部裙板丢失故障的检测方法，该方法包括以下步骤：

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；

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；

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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，Backbone模块的结构具体为：