[发明专利]一种铁路货车制动梁梁体折断故障图像识别方法

说明书

一种铁路货车制动梁梁体折断故障图像识别方法，涉及货运列车检测技术领域，针对现有技术中采用人工检查图像的方式进行故障检测。由于检车人员在工作过程中极易出现疲劳、遗漏，造成检测效率低的问题，利用图像自动识别的方式代替人工检测，提高检测效率、准确率。将深度学习算法应用到制动梁梁体折断故障自动识别中，提高整体算法的稳定性及精度。对U‑NET模型进行优化，缩短预测时间，提高分割速度。将SSD的特征提取器由VGG16更改为Resnet50与FPN的组合，通过多尺度的目标检测，将整体特征与局部特征相融合，提高单阶段目标检测算法SSD在小尺度目标检测方面精度。

技术领域

本发明涉及货运列车检测技术领域，具体为一种铁路货车制动梁梁体折断故障图像识别方法。

背景技术

制动梁是铁路车辆基础制动装置的最重要部分，车辆制动时，制动力通过制动梁传到闸瓦，使车辆停止前进。制动梁梁体折断故障将直接影响行车安全，一旦发现故障，需及时拦停检修处理。传统的制动梁工位，采用人工检查图像的方式进行故障检测。由于检车人员在工作过程中极易出现疲劳、遗漏等情况，造成漏检、错检的出现，影响行车安全。而采用图像处理和深度学习的方法进行制动梁折断故障自动识别，人工只需对报警结果进行确认，可有效节约人力成本，并提高检测准确率。

发明内容

本发明的目的是：针对现有技术中采用人工检查图像的方式进行故障检测。由于检车人员在工作过程中极易出现疲劳、遗漏，造成检测效率低的问题，提出一种铁路货车制动梁梁体折断故障图像识别方法。

本发明为了解决上述技术问题采取的技术方案是：一种铁路货车制动梁梁体折断故障图像识别方法，包括以下步骤：

步骤一：获取途径货车的高清线阵图像，并建立样本数据集；

步骤二：对样本数据集进行数据扩增；

步骤三：对数据集中的图像进行标记；

步骤四：将原始图像和标记数据生成数据集，用于模型训练；

步骤五：从图像中裁剪出待识别部件区域；

步骤六：对制动梁梁体部分进行定位，确定识别范围，并利用U-NET网络对图像进行分割；

步骤七：综合先验知识对U-NET网络分割结果进行过滤与图像处理后，对图像进行裁剪和拼接；

步骤八：将裁剪和拼接后的图像输入SSD-FPN网络模型中进行训练，并得到输出结果，根据该输出结果判断是否有折断故障。

进一步的，所述数据扩增包括：图像的旋转、平移、缩放、水平翻转、垂直翻转、对比度、光照调节和增加噪声。

进一步的，所述对数据集中的图像进行标记的标记结果为原始图像对应的类别的掩码图像以及故障图像对应的折断故障区域的标记。

进一步的，所述U-NET网络包括：编码单元、解码单元和编码解码单元，所述编码单元采用3个下采样的编码单元，所述解码单元包含3个上采样的解码单元；

第一编码单元包含64个3×3大小的卷积核进行卷积并池化，并与第三解码单元融合；

第二编码单元包含64个3×3大小的卷积核进行卷积并池化，并与第二解码单元融合；

第三编码单元包含128个3×3大小的卷积核进行卷积并池化，并与第一解码单元融合；

编码解码单元包含256个3×3大小的卷积核进行卷积；

第一解码单元包含编码解码单元2*2上采样后和第三编码单元融合，然后进行128个3×3大小的卷积核进行卷积；

第二解码单元包含第一解码单元2*2上采样后和第二编码单元融合，然后进行64个3×3大小的卷积核进行卷积；