[发明专利]一种铁路货车下拉杆脱落故障图像识别方法

说明书

一种铁路货车下拉杆脱落故障图像识别方法，涉及货运列车检测技术领域，针对现有技术中单纯以人工为主的检测方式，存在检测准确率低的问题，包括步骤一：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。本发明利用人工智能代替人工劳动，节省人力的同时，提高了检测结果的准确率和效率。

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下拉杆脱落故障图像识别方法。

背景技术

下拉杆位于铁路货车制动梁工位，属于基础制动系统，通过连接圆销与制动装置连接，可保障制动系统的可靠性，是保证货车安全稳定运行的重要部件，若下拉杆发生脱落故障，失去原有的保证货车安全的能力，则容易造成车辆脱轨和颠覆的重大事故。铁路作业中，若发现下拉杆发生脱落故障，需要直接将车辆拦停处理，可见下拉杆对货车安全运行的重要性。单纯以人工为主的检测方式容易造成漏检，检车作业质量和效率难以得到保证，增加了运行安全隐患。因此，研制一种故障自动检测方法成为必然的发展方向。

发明内容

本发明的目的是：针对现有技术中单纯以人工为主的检测方式，存在检测效率低的问题，提出一种铁路货车下拉杆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：

一种铁路货车下拉杆脱落故障图像识别方法，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。

进一步的，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。

进一步的，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；