[发明专利]铁路货车心盘脱出故障图像识别方法

说明书

一种铁路货车心盘脱出故障图像识别方法，属于铁路货车安全技术领域。本发明针对现有铁路货车的心盘脱出故障以人工方式检测，检测结果的可靠性差的问题。包括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；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；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。本发明用于心盘脱出故障识别。

技术领域

本发明涉及铁路货车心盘脱出故障图像识别方法，属于铁路货车安全技术领域。

背景技术

铁路货车的心盘位于制动梁工位，在车辆传递横向力时，心盘会发生横向位移，使车辆的重心发生偏移，若重心偏移量过大，容易造成车辆脱轨和颠覆。

目前对心盘脱出故障的检测以人工为主，由于人工作业容易出现故障漏检的情况，因而使检车作业质量和效率难以得到保证，增加了货车运行的安全隐患。

因此，针对人工作业存在的不足，需要提供一种心盘脱出故障的自动检测方法，即用图像自动识别方式来替代纯人工检车方式，从而有效提高检测速度并获得可靠的准确率。

发明内容

针对现有铁路货车的心盘脱出故障以人工方式检测，检测结果的可靠性差的问题，提供一种铁路货车心盘脱出故障图像识别方法。

本发明的一种铁路货车心盘脱出故障图像识别方法，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。

根据本发明的铁路货车心盘脱出故障图像识别方法，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。

根据本发明的铁路货车心盘脱出故障图像识别方法，所述预处理包括对原始故障图像进行扩增处理。

根据本发明的铁路货车心盘脱出故障图像识别方法，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。

根据本发明的铁路货车心盘脱出故障图像识别方法，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。

根据本发明的铁路货车心盘脱出故障图像识别方法，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。

根据本发明的铁路货车心盘脱出故障图像识别方法，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；