[发明专利]一种基于深度学习的铁路货车管盖脱落故障识别方法

说明书

一种基于深度学习的铁路货车管盖脱落故障识别方法，涉及图像处理技术领域，针对现有技术中难以直接检测大分辨率图像的问题，本申请将自动识别技术引入货车故障检测，实现故障自动识别及报警，操作人员只需对报警结果进行确认，有效节约人力成本，提高作业质量和作业效率；提出了一种分级式的检测方法，先将管盖部件及其周围区域视作整体进行检测，之后对该区域进行二次检测，解决了深度学习方法难以直接检测大分辨率图像的问题；对网络中的针对检测目标，优化网络中的锚框生成方法，提高检测准确率；优化锚框交并比计算方式，使用完全交并比(Complete IoU)，同时考虑锚框距离以及形状相似性。

技术领域

本发明涉及图像处理技术领域，具体为一种基于深度学习的铁路货车管盖脱落故障识别方法。

背景技术

铁路货车加热及排油装置主要由内置排管式加热装置和排油装置组成，包括内加热排管与外进汽排水管路。加热管盖与排油管盖可保证装置正常工作，货车行驶过程中，若排油管盖脱落会导致漏油，若加热管盖脱落会导致管内进水，堵塞管路。

现有技术中处理检测零部件异常采用深度学习方法，但深度学习方法难以直接检测大分辨率图像，进而给利用深度学习检测铁路货车管盖脱落故障设置了障碍。

发明内容

本发明的目的是：针对现有技术中难以直接检测大分辨率图像的问题，提出一种基于深度学习的铁路货车管盖脱落故障识别方法。

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铁路货车管盖脱落故障识别方法，包括：

步骤一：获取铁路货车线阵图像；

步骤二：对线阵图像中加热管与排油管区域图像进行标记，构建训练集1；

步骤三：对线阵图像中加热管盖与排油管盖的区域图像进行标记，构建训练集2；

步骤四：利用线阵图像和训练集1、线阵图像和训练集2分别训练Faster RCNN网络，得到加热管与排油管检测网络和加热管盖与排油管盖检测网络；

步骤五：将待识别图像输入加热管与排油管检测网络得到包含加热管与排油管区域的子图像，然后将包含加热管与排油管区域的子图像输入加热管盖与排油管盖检测网络进行管盖脱落故障识别。

进一步的，所述Faster RCNN网络为改进的Faster RCNN网络，所述改进的FasterRCNN网络具体执行如下步骤：

步骤四一：获取训练集中标签样本，计算ground-truth box的长宽比，并计算ground-truth box长宽比的均值然后生成1:1与三种区域；

步骤四二：利用CIoU将1:1与三种区域与真实标签样本进行重合度计算及将三种区域根据重合度由大到小的排序，并根据排序结果选取前目标数量个候选框区域；

步骤四三；将排序选取结果与真实标签样本重合区域中所有特征点进行回归操作，得到偏移量；

步骤四四：对所有特征点进行回归操作后，计算所有偏移量的平均值，将得到的所有偏移量的平均值作为最终的偏移量，之后将回归后的特征图送入全连接层，得到类别信息。

进一步的，所述均值表示为：

其中，n表示样本总数，R_i表示第i个ground-truth box长宽比的均值。

进一步的，所述CIoU表示为：