[发明专利]一种基于卷积神经网络的TFDS故障图像自动识别方法

摘要

本发明公开了一种基于卷积神经网络的TFDS故障图像自动识别方法，该方法基于深度学习理论，由一个二级级联的卷积神经网络模型构成：第一级为多类易故障区域同步定位的网络模型，结合多故障区域的空间相互位置关系约束，实现多故障目标区域同步精确定位；第二级为故障判别网络模型，对第一级定位的区域实现故障和非故障的判断。本发明提供的TFDS多类故障同步自动识别方法无需针对不同故障分别设计识别方法，借助深度学习中的卷积神经网络理论，通过学习训练的方式自适应地抽取特征，能够对多故障进行同步定位和故障判断，且具有高效性和强鲁棒性。

主权项

1.一种基于卷积神经网络的TFDS故障图像自动识别方法，其特征在于，该方法由一个二级级联的基于卷积神经网络模型构成，第一级为多类易故障区域同步定位的网络模型，实现多类易故障区域的同步定位；第二级为故障判别网络模型，对第一级多类易故障区域定位的网络模型中定位的多类易故障区域进行故障和非故障的判断；二级级联的基于卷积神经网络模型能够实现对多类故障进行先定位后判断的同步故障自动识别，具体包括以下步骤：a、收集铁路货车故障图像动态检测系统，即TFDS采集的图像，建立训练样本集和测试样本集，对训练样本集制作标注文件，并对训练样本集将待检测的目标区域裁剪并先按类别归类，每个类别再按故障和非故障归类；b、建立第一级多类易故障区域同步定位的网络模型，使用步骤a中的训练样本集、测试样本集及标注文件针对多类易故障区域对所述第一级多类易故障区域同步定位的网络模型进行训练；c、建立目标区域的空间位置关系约束，结合已训练的第一级多类易故障区域同步定位的网络模型，利用目标区域的空间位置关系约束精确定位待检测的目标区域；d、建立第二级故障判别的网络模型，并用步骤a中裁剪且归类好的待检测的目标区域针对不同故障类别对所述第二级故障判别的网络模型分别进行训练，步骤b和c定位出待检测目标区域，本步骤训练好的第二级故障判别网络模型对待检测目标区域进行故障或非故障的判断，得到故障和非故障的判别概率；e、级联步骤b的多类易故障区域、步骤c的待检测目标区域的定位和步骤d的故障判别过程，将训练好的第一级多类易故障区域同步定位的网络模型和训练好的第二级多类故障判别的网络模型级联，第一级多类易故障区域同步定位的网络模型输出的待检测目标区域输入第二级多类故障判别的网络模型中进行判断，实现对多类故障的先定位后判断的同步故障自动识别。