[发明专利]一种铁路货车下拉杆脱落故障图像识别方法

权利要求书

1.一种铁路货车下拉杆脱落故障图像识别方法，其特征在于包括以下步骤：

步骤一：获取待识别货车图像，构建样本数据集；

步骤二：对样本数据进行数据扩增处理和对样本数据集进行标记；

步骤三：根据步骤二中得到的数据构建训练数据集；

步骤四：构建MultiResUNet模型，并利用该模型进行训练，获得训练好的深度学习模型；

步骤五：将待识别图像输入训练好的深度学习模型中，获得下拉杆的分割图像；

步骤六：利用下拉杆的分割图像，判断下拉杆是否处于脱落状态，所述判断下拉杆是否处于脱落状态的具体步骤为：

首先利用模型训练后得到权重，把采集到的下拉杆脱落发生区域图像经过裁剪和灰度拉伸处理后，利用训练后得到的模型权重分割下拉杆所在区域，结合形态学操作处理，得到下拉杆轮廓，并判断下拉杆轮廓的旋转角度，当旋转角度超过设置的正常角度阈值时，认为下拉杆发生了脱落故障，将下拉杆的故障类型及坐标信息上传至TFDS检车平台，当旋转角度未超过设置的正常角度阈值时，则继续处理下一张图像。

2.根据权利要求1所述的一种铁路货车下拉杆脱落故障图像识别方法，其特征在于所述数据扩增包括图像旋转、随机裁剪、水平翻转、竖直翻转、拉伸和缩放。

3.根据权利要求1所述的一种铁路货车下拉杆脱落故障图像识别方法，其特征在于所述MultiResUNet模型执行如下步骤：

步骤一：MultiRes Block 1中包含两个连续的3×3的卷积，滤波器大小分别为8和17，后接ReLU激活函数，并进行2×2的最大池化操作；

步骤二：MultiRes Block 2中包含两个连续的3×3的卷积，滤波器大小分别为17和35，后接ReLU激活函数，并进行2×2的最大池化操作；

步骤三：MultiRes Block 3中包含两个连续的3×3的卷积，滤波器大小分别为35和71，后接ReLU激活函数，并进行2×2的最大池化操作；

步骤四：MultiRes Block 4中包含两个连续的3×3的卷积，滤波器大小分别为71和142，后接ReLU激活函数，并进行2×2的最大池化操作；

步骤五：MultiRes Block 5中包含三个连续的3×3的卷积，滤波器大小分别为142、284和427，一个1×1的卷积，滤波器大小为853，后接ReLU激活函数，并进行2×2的转置卷积操作；

步骤六：MultiRes Block 6中包含一个3×3的卷积和一个1×1的卷积，滤波器大小分别为213和426，并结合Res Path 4的输出，后接ReLU激活函数，并进行2×2的转置卷积操作；

步骤七：MultiRes Block 7中包含一个3×3的卷积和一个1×1的卷积，滤波器大小分别为106和212，，并结合Res Path3的输出，后接ReLU激活函数，并进行2×2的转置卷积操作；

步骤八：MultiRes Block 8中包含一个3×3的卷积和一个1×1的卷积，滤波器大小分别为53和105，并结合Res Path 2的输出，后接ReLU激活函数，并进行2×2的转置卷积操作；

步骤九：MultiRes Block 9中包含一个3×3的卷积和一个1×1的卷积，滤波器大小分别为26和51，并结合Res Path 1的输出，后接Sigmoid激活函数。

4.根据权利要求3所述的一种铁路货车下拉杆脱落故障图像识别方法，其特征在于所述使用Adam优化器训练模型，通过优化器进行权重优化，其公式为：

其中，W为权重，W_i为前一次得到的权重，η为学习率。

5.根据权利要求1所述的一种铁路货车下拉杆脱落故障图像识别方法，其特征在于所述步骤一获取待识别货车图像的具体过程为：首先在探测站布设图像采集设备，然后利用该图像采集设备采集通过货车可视部件的影响，并输出保存至指定位置。