一种基于深度学习的铁路货车管盖脱落故障识别方法与流程

技术特征：
1.一种基于深度学习的铁路货车管盖脱落故障识别方法，其特征在于包括：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。2.根据权利要求1所述的一种基于深度学习的铁路货车管盖脱落故障识别方法，其特征在于所述faster rcnn网络为改进的faster rcnn网络，所述改进的faster rcnn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。3.根据权利要求2所述的一种基于深度学习的铁路货车管盖脱落故障识别方法，其特征在于所述均值表示为：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。4.根据权利要求3所述的一种基于深度学习的铁路货车管盖脱落故障识别方法，其特征在于所述ciou表示为：其中，b，b
gt
分别代表预测框和真实框的中心点，p代表预测框和真实框中心点之间的欧氏距离，c表示两个区域最小外接矩形的对角线的距离，a是权重函数，v表示预测框和标注框的相似性参数。5.根据权利要求4所述的一种基于深度学习的铁路货车管盖脱落故障识别方法，其特征在于所述回归操作表示为：l
i
＝(x
i-x
l
)/w
p
，t
i
＝(y
i-y
t
)/h
p
，r
i
＝(x
r-x
i
)/w
p
，b
i
＝(y
b-y
i
)/h
p
.其中(x
l
，y
t
)与(x
r
，y
b
)分别为真实标签左上角与右下角的坐标，(x
i
，y
i
)为特征点的坐标，l
i
，t
i
，r
i
，b
i
表示特征点在左，上，右，下方向的偏移量，w
p
,h
p
为候选区域宽高。
6.根据权利要求5所述的一种基于深度学习的铁路货车管盖脱落故障识别方法，其特征在于所述预测框和标注框的相似性参数表示为：其中，w，h，w
gt
，h
gt
分别表示预测框和真实框的宽和高。7.根据权利要求6所述的一种基于深度学习的铁路货车管盖脱落故障识别方法，其特征在于所述权重函数表示为：8.根据权利要求7所述的一种基于深度学习的铁路货车管盖脱落故障识别方法，其特征在于所述改进的faster rcnn网络损失函数为：其中，ncls表示一批数据中所有样本的数量，nreg表示rpn生成的锚框位置个数，λ表示平衡分类损失与回归损失的参数，p
i
表示第i个样本预测为真实标签的概率，p
i
*当第i个样本为正样本时为1，负样本时为0，t
i
表示第i个锚框的边界框位置坐标，t
i
*表示第i个锚框的真实标签位置坐标。9.根据权利要求8所述的一种基于深度学习的铁路货车管盖脱落故障识别方法，其特征在于所述步骤二之前对待测图像进行高斯滤波处理。10.根据权利要求9所述的一种基于深度学习的铁路货车管盖脱落故障识别方法，其特征在于所述高斯滤波表示为：其中，x，y为像素坐标，σ为标准差。

技术总结
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。状相似性。状相似性。


技术研发人员：张宇墨
受保护的技术使用者：哈尔滨市科佳通用机电股份有限公司
技术研发日：2021.11.12
技术公布日：2022/1/11