[发明专利]一种巡检点位漏巡识别方法

说明书

本发明公开了一种巡检点位漏巡识别方法，根据预采集巡检视频提取巡检图像，按照巡检图像所属点位类别标注其标签向量，向量的元素表示巡检图像为对应点位类别的正样本或负样本；将标注的巡检图像划分为训练集、验证集和测试集；搭建密集连接卷积神经网络模型，所述模型的输入量为巡检图像，输出量为巡检图像预测为各点位类别正样本的置信度；采用训练集训练所述模型；采用验证集计算各点位类别的置信阈值；采用测试集验证模型训练完成；录制巡检过程时，同步提取实时巡检图像，采用训练后的模型预测实时巡检图像的置信度；录制完成后，汇总实时巡检图像的点位类别预测结果，判断是否存在点位漏巡。本发明实现了自动点位分类，能够及时发现漏巡。

技术领域

本发明涉及铁路机车巡检辅助领域，具体涉及一种巡检点位漏巡识别方法。

背景技术

铁路在我国运输中起着举足轻重的作用，机车的日常维护是铁路安全运行的重要保障。机车整备作业内容包括机车各部件日常检查、保养等工作，有严格的巡检流程，对巡检人员要求极高，单次作业巡检时间长、巡检点位多，外部环境复杂、巡检难度大，巡检人员疲劳、疏忽等人为因素易导致重要点位漏巡情况发生，无法有效消除事故隐患。

目前，检查巡检过程中是否存在点位漏巡的方法多为通过人工回看巡检视频进行查找，这种检查方法耗时耗力，检查质量难以保证，且属于事后监督，不能及时发现漏巡问题。

通过图像识别神经网络可以实现智能化处理巡检图像，但是在实际应用中，机车巡检过程所采集的巡检图像场景复杂，受到点位、时间、天气、光照强度等多种因素影响，因此，图像分析识别的难度极大。现有技术大多针对某一种点位的图像进行故障分析，而通过巡检过程中的多种点位图像判断点位漏巡方面的研究极少。

发明内容

为了解决上述技术问题，本发明提出了一种巡检点位漏巡识别方法，实现了在录制巡检视频的同时自动对视频图像进行点位分类识别，能够及时判断巡检过程是否存在点位漏巡。

为实现上述目的，本发明采用以下技术方案：

一种巡检点位漏巡识别方法，包括：

根据预采集巡检视频提取巡检图像，按照巡检图像所属点位类别标注其标签向量，向量的元素表示巡检图像为对应点位类别的正样本或负样本；将标注的巡检图像划分为训练集、验证集和测试集；

搭建密集连接卷积神经网络模型，所述模型的输入量为巡检图像，输出量为巡检图像预测为各点位类别正样本的置信度；采用训练集训练所述模型；采用验证集计算各点位类别的置信阈值；采用测试集验证模型训练完成；

录制巡检过程时，同步提取实时巡检图像，采用训练后的模型预测实时巡检图像的置信度；录制完成后，汇总实时巡检图像的点位类别预测结果，判断是否存在点位漏巡。

进一步地，采用数据增强方法对所述训练集进行数据扩增，扩增后的图像与原始图像具有相同的标签向量。

进一步地，所述数据增强方法包括随机旋转、随机水平翻转、错切变换、随机通道转换及随机添加噪声。

进一步地，所述训练集、验证集和测试集均包含每种点位类别的正样本。

进一步地，所述密集连接卷积神经网络模型每层网络的输入均来自前面所有层的输出；所述模型包括若干个密集连接块，每两个密集连接块之间通过过渡层连接，最后一个密集连接块后依次连接全局平均池化层和全连接层，输出巡检图像预测为各点位类别正样本的置信度；每个所述密集连接块内包括若干组卷积单元，每组卷积单元包含1*1和3*3的卷积层，每组卷积单元的输出作为所属密集连接块内其后各组卷积单元的输入。

进一步地，所述密集连接块数量为4个，每个密集连接块包含的卷积单元数量依次为6组、12组、24组和16组。