[发明专利]铁路货车心盘脱出故障图像识别方法

权利要求书

1.一种铁路货车心盘脱出故障图像识别方法，其特征在于，包括以下步骤：

步骤一：建立图像训练样本库，在每个图像训练样本上标记多个故障单元框并记录故障标签；所述故障标签包括方形心盘故障和圆形心盘故障；

步骤二：采用所述图像训练样本对基于ResNet101的Faster RCNN模型进行训练，获得对应于方形心盘故障和圆形心盘故障的权重系数；

步骤三：将采集的货车运行过程中的心盘区域图像进行预处理后，获得待识别图像；将待识别图像入至所述Faster RCNN模型，基于所述权重系数对待识别图像进行处理，获得心盘脱出的故障预测框，再以限制故障预测框得分的方式去除误识别的故障预测框，将其余的故障预测框作为结果框，并进行相临近结果框的合并处理，获得心盘脱出的准确区域并确定故障标签。

2.根据权利要求1所述的铁路货车心盘脱出故障图像识别方法，其特征在于，

所述图像训练样本由采集的原始故障图像进行预处理后获得。

3.根据权利要求2所述的铁路货车心盘脱出故障图像识别方法，其特征在于，

所述预处理包括对原始故障图像进行扩增处理。

4.根据权利要求3所述的铁路货车心盘脱出故障图像识别方法，其特征在于，所述扩增包括对图像进行旋转、随机裁剪、水平翻转、竖直翻转、拉伸及缩放。

5.根据权利要求4所述的铁路货车心盘脱出故障图像识别方法，其特征在于，

所述Faster RCNN模型包括特征提取层、建议区域层及分类与回归层。

6.根据权利要求5所述的铁路货车心盘脱出故障图像识别方法，其特征在于，

采用所述图像训练样本对基于ResNet101的Faster RCNN模型进行训练的过程包括：

采用特征提取层提取图像训练样本的特征，获得样本特征图。

7.根据权利要求6所述的铁路货车心盘脱出故障图像识别方法，其特征在于，

采用所述建议区域层首先确定九种参考窗口，然后分别用所述九种参考窗口在样本特征图上左右上下移动，生成(H/16)×(W/16)×9个预标记框，其中H为样本特征图的高，W为样本特征图的宽，16为深度学习方法中的设定系数；

然后在预标记框中选出256个感兴趣标记框进行正样本和负样本的区分；

相对于步骤一中标记的多个故障单元框，分别选择感兴趣标记框中与相应故障单元框重叠度最高的一个作为正样本，然后对于其它感兴趣标记框，再分别选择一个与相应故障单元框重叠度超过0.7的作为正样本；所述正样本数目不超过128个；

再随机选择感兴趣标记框中与相应故障单元框重叠度小于0.3的anchor作为负样本；使正样本与负样本的和为256。

8.根据权利要求7所述的铁路货车心盘脱出故障图像识别方法，其特征在于，

再采用分类与回归层对所述正样本与负样本进行处理：

计算所述正样本与负样本属于前景的概率，选择概率较大的前60％的样本框对应于步骤一中的故障标签进行分类，并进行位置回归；获得对应于方形心盘故障和圆形心盘故障的权重系数及位置参数。

9.根据权利要求8所述的铁路货车心盘脱出故障图像识别方法，其特征在于，

对所述心盘区域图像进行预处理包括，对心盘区域图像进行裁剪和灰度拉伸。