[发明专利]一种铁路货车钩提杆折断故障图像识别方法

说明书

一种铁路货车钩提杆折断故障图像识别方法，涉及货运列车检测技术领域，针对现有技术中传统的图像处理检测方式针对钩提杆部件本身泥渍、油渍影响，导致检测效率低的问题，一种铁路货车钩提杆折断故障图像识别方法，包括以下步骤:步骤一：获取钩提杆所在区域图像，作为样本数据集；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注；步骤四：将原始图像和标注图像生成数据集，并训练模型；步骤五：利用UNet网络模型对钩提杆区域进行预测，得到钩提杆的二值图像；步骤六：判断钩提杆是否折断，若是则进行故障报警，若否则执行步骤五。本发明可以提高故障检测的效率和准确率。

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钩提杆折断故障图像识别方法。

背景技术

钩提杆是将互相连挂的两辆车车钩进行解开操作的部件，货车在站场进行编组时，经常需要转动钩提杆以解编车辆，若钩提杆发生折断故障会影响列车的编组操作。在以往采用人工检测和传统图像处理方法两种检测方式。人工检测方式存在人为主观因素影响，以及人工会出现疲劳的现象均会造成故障的错检、漏检情况的发生。传统的图像处理检测方式针对部件本身泥渍、油渍影响，算法本身鲁棒性差，也会造成误检多、漏检现象。

发明内容

本发明的目的是：针对现有技术中传统的图像处理检测方式针对钩提杆部件本身泥渍、油渍影响，导致检测效率低的问题，提出一种铁路货车钩提杆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：

一种铁路货车钩提杆折断故障图像识别方法，包括以下步骤:

步骤一：获取钩提杆所在区域图像，作为样本数据集；

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注；

步骤四：将原始图像和标注图像生成数据集，并训练模型；

步骤五：利用UNet网络模型对钩提杆区域进行预测，得到钩提杆的二值图像；

步骤六：判断钩提杆是否折断，若是则进行故障报警，若否则执行步骤五，

所述判断钩提杆是否折断的具体步骤为：首先将途径货车图像使用深度学习网络将图像进行归一化后，使用训练好的网络模型完成钩提杆图像预测，并使预测结果的灰度值在0～1之间，针对预测图像乘以255，采用图像处理算法来判断杆和座的相对位置关系或杆的长度变化，若杆和座的相对位置关系发生变化，则认定为折断，若杆和座的相对位置关系未发生变化，则认定为未折断，若杆的长度小于设定阈值，则认定为折断，若杆的长度不小于设定阈值，则认定为未折断，若存在折断情况则上传至报警平台。

进一步的，所述UNet网络模型的具体结构为：

第一步、编码：

利用编码器对图像进行特征提取，获取不同感受野下的特征图，并利用两个卷积模块连接一个池化层的结构进行四次下采样，输入原始图像大小为384*640*1，经过第一个下采样变为192*320*32，经过第二个下采样变为96*160*64，第三个下采样为48*80*128，第四个下采样变为24*40*256，接着连接两个卷积层变为32*16*256，后加上一个dropout层，特征提取完毕；

第二步、解码：

利用解码器进行四次上采样，每个上采样后与编码器对应层进行concatenate方式连接，每个上采样后接concatenate以及两个卷积层并与编码器结构相对应，经过一个上采样后特征图为48*80*128，经过两个上采样为96*160*64，经过三个上采样为192*320*32，经过四个上采样特征图为384*640*32。

进一步的，所述数据扩增包括图像平移、旋转和加噪声。