[发明专利]一种铁路货车人力制动机轴链脱落故障图像识别方法

说明书

一种铁路货车人力制动机轴链脱落故障图像识别方法，涉及货运列车检测技术领域，针对现有技术中利用人工进行逐一排查人力制动是否发生故障时，检测效率和准确率低的问题，包括：步骤一：通过高清线阵相机采集待测目标的灰度图像，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：对样本数据集中的图像进行标记；步骤四：将原始图像和标记数据作为训练集；步骤五：将训练集中训练样本及标记图像中像素转化为0～1之间；步骤六：构建U‑Net网络模型，利用步骤五处理后的训练集对构建的U‑Net网络模型进行训练，获得训练好的深度学习模型；步骤七：将待测图像输入训练好的U‑Net网络模型，进行人力制动机轴链脱落故障检测。

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人力制动机轴链脱落故障图像识别方法。

背景技术

货车人力制动机主要是用以调速或停车，提高调车效率，保证调车作业安全；在货车运行途中，当空气制动机发生故障，失去作用时，用以代替空气制动机。因此人力制动发生故障将会危及行车安全。传统的检测方法是通过轨边的采集的图像利用人工进行逐一排查。由于检车人员在工作过程中极易出现疏忽、遗漏的现象，因此造成误判、漏判，从而影响行车安全。随着深度学习技术不断发展，采用深度学习进行货车地板故障识别，可以有效提高检测准确率，较大程度的节约人工成本，可实现减员增效。

发明内容

本发明的目的是：针对现有技术中利用人工进行逐一排查人力制动是否发生故障时，检测效率低的问题，提出一种铁路货车人力制动机轴链脱落故障图像识别方法。

本发明为了解决上述技术问题采取的技术方案是：一种铁路货车人力制动机轴链脱落故障图像识别方法，包括以下步骤：

步骤一：通过高清线阵相机采集待测目标的灰度图像，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：对样本数据集中的图像进行标记；

步骤四：将原始图像和标记数据作为训练集；

步骤五：将训练集中训练样本及标记图像中像素转化为0～1之间；

步骤六：构建U-Net网络模型，利用步骤五处理后的训练集对构建的U-Net网络模型进行训练，获得训练好的深度学习模型；

步骤七：将待测图像输入训练好的U-Net网络模型，进行人力制动机轴链脱落故障检测。

进一步的，所述数据扩增包括图像平移、旋转和加噪声。

进一步的，所述U-Net网络模型为两个U-Net之间桥接架构。

进一步的，所述两个U-Net之间桥接架构的具体结构为：将第一个U-Net网络的每个解码器层与U-Net的相应的编码器层连接，直接将先前成的特征输入到后一层中。

进一步的，所述U-Net采用传统的U-Net网络结构，其结构为：

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：