[发明专利]铁路货车托板螺母丢失的故障识别方法

说明书

一种铁路货车托板螺母丢失的故障识别方法，属于铁路货车安全检测技术领域。本发明针对现有深度学习神经网络用于螺母丢失故障检测，准确率低的问题。包括：构建改进的ResNet50特征提取网络和改进的CenterNet网络；获取样本数据集；采用样本图像对改进的ResNet50特征提取网络和定位模块进行第一级训练，并在定位模块的准确率达到预设阈值以后，采用样本图像再对训练后的改进的ResNet50特征提取网络和改进的CenterNet网络共同进行训练，训练后的整体网络作为螺母丢失识别网络；获取运行中铁路货车的待识别托板图像，采用螺母丢失识别网络对待识别托板图像进行识别，获得螺母丢失故障识别结果。本发明用于铁路货车托板的螺母丢失故障检测。

技术领域

本发明涉及铁路货车托板螺母丢失的故障识别方法，属于铁路货车安全检测技术领域。

背景技术

对于铁路货车的安全检测，传统的方法为探测设备拍到照片后，通过人工观察找到列车的故障点所在。这种方法能够在列车行进中进行故障检测，而无需停靠。但是采用人工观察存在易疲劳、强度大、需要培训等缺点。

目前，越来越多的工作采用机器代替了人工。机器检测具有成本低，规则统一，24小时无疲劳的特点，所以使用机器图像识别技术代替传统的人工检测，具有可行性。

铁路货车托板螺母属于小部件，对于其螺母丢失故障，人眼观察容易漏检。传统图像处理方法对小部件图像质量要求高，对于低质量的小部件图像，采用深度学习神经网络进行故障识别存在准确性较低误报警较多的问题。

发明内容

针对现有深度学习神经网络用于螺母丢失故障检测，准确率低的问题，本发明提供一种铁路货车托板螺母丢失的故障识别方法。

本发明的一种铁路货车托板螺母丢失的故障识别方法，包括，

构建改进的ResNet50特征提取网络：依次包括卷积层、最大池化层、Layer1层、Layer2层、Layer3层、Layer4层、Up0层、Up1层和Up2层；

构建改进的CenterNet网络：包括定位模块和目标种类预测模块；所述定位模块包括中心点定位模块、中心点偏移模块和目标半径识别模块；

Up2层的输出作为定位模块的输入；

获取包含螺母区域的托板子图像，在托板子图像上螺母的对应位置用正方形框作标记得到样本图像，所有样本图像构成样本数据集；正方形框的边长等于螺母的直径；

采用样本图像对改进的ResNet50特征提取网络和定位模块进行第一级训练，并在定位模块的准确率达到预设阈值以后，采用样本图像再对训练后的改进的ResNet50特征提取网络和改进的CenterNet网络共同进行训练，训练后的整体网络作为螺母丢失识别网络；

获取运行中铁路货车的待识别托板图像，采用螺母丢失识别网络对待识别托板图像进行识别，获得螺母丢失故障识别结果。

根据本发明的铁路货车托板螺母丢失的故障识别方法，所述托板子图像的获取方法包括：

通过轨边探测站安装的高速线阵相机获取原始图像，在原始图像上根据位置信息截取托板子图像。

根据本发明的铁路货车托板螺母丢失的故障识别方法，所述托板子图像在图像灰度值计算结果小于30时，进行亮度调节。

根据本发明的铁路货车托板螺母丢失的故障识别方法，采用样本图像对改进的ResNet50特征提取网络进行训练的过程包括：