[发明专利]一种基于深度学习的TFDS非故障图像检测方法

摘要

本发明公开了一种基于深度学习的TFDS非故障图像检测方法，该方法基于深度学习理论，结合深度学习图像分类与目标检测技术，搭建一个能够同步检测多区域多类别的网络模型，该模型对铁路TFDS图像中的非故障关键部位的区域进行定位检测，未被检测出的图像判为疑似故障图像，这些少量疑似故障图像再由室内列检人员人眼观察检测。本发明提供的TFDS非故障图像检测方法借助深度学习技术，滤除大量非故障图像，仅将少量的疑似故障图像由人眼观察图像判别，该方法能够大大减轻室内列检人员的工作量，降低列检人员的工作强度。

主权项

一种基于深度学习的TFDS非故障图像检测方法，其特征在于包括以下步骤：步骤11、收集TFDS图像，建立非故障图像训练样本图库和包含故障及非故障图像的测试样本图库；步骤12、采用基于机器学习算法的半自动标注方法标注步骤11的非故障图像训练样本图库，得到标注信息，同时由非故障图像训练样本图库和标注信息建立关键区域图库；步骤13、根据步骤11的非故障图像训练样本图库和步骤12的标注信息建立多区域多类别同步关键区域检测的网络模型，所述网络模型包括图像特征提取模块和目标区域检测模块，图像特征提取模块用于获取图像特征表达，目标区域检测模块用于对关键区域进行定位检测；步骤14、使用步骤12的关键区域图库预训练步骤13的图像特征提取模块，获得步骤13的网络模型中图像特征提取模块网络层的预训练参数；步骤15、根据步骤14的预训练参数初始化网络模型中的参数，结合步骤11包含故障及非故障图像的测试样本图库采用多次测试进一步微调的网络训练策略训练步骤13的网络模型，得到一个只检测非故障图像的网络模型；步骤16、使用步骤15训练好的网络模型检测现场TFDS图像，检测时，先由步骤13的图像特征提取模块获得图像的特征表达，再由步骤13的目标区域检测模块定位关键区域，能够准确检测出该图像中关键区域的图像判为非故障图像，反之判为疑似故障图像，排除非故障图像，而疑似故障图像将由室内列检人员人眼去观察判别。