[发明专利]基于改进的Faster-rcnn的制动软管丢失检测方法

说明书

基于改进的Faster‑rcnn的制动软管丢失检测方法，涉及铁路动车故障检测领域。本发明是为了提升目前检测铁路动车制动软管故障的准确率。本发明所述的基于改进的Faster‑rcnn的制动软管丢失检测方法，包括获取待检测图像；改进现有的Faster‑rcnn网络中的特征提取网络Resnet50，并采用BiFPN特征金字塔对特征提取网络Resnet50进行优化；建立样本数据集并训练Faster‑rcnn检测网络；采用级联的分类与回归网络对优化后的特征提取网络Resnet50产生的特征图检测，得到检测结果。本发明对现有的Faster‑rcnn深度学习网络方法进行了改进。

技术领域

本发明属于铁路动车故障检测领域，特别涉及基于改进的Faster-rcnn的制动软管丢失检测方法。

背景技术

随着铁路领域的迅速发展，目前人工查图的铁路动车故障检测方法已逐渐演变成基于深度学习的自动化故障检测方法，自动检测故障的方法能够显著提升检测的效率，降低成本，同时还能避免由于检车人员疲劳造成的漏检、误检等问题。

目前对比铁路动车的检测主要采用Faster-rcnn深度学习网络的方法，但是制动软管位于列车底部，图像背景较为杂乱、相似部位较多，因此需要进一步提升检测制动软管的准确率。

发明内容

本发明目的是为了提升检测铁路动车制动软管丢失故障的准确率，而提出了基于改进的Faster-rcnn的制动软管丢失检测方法。

基于改进的Faster-rcnn的制动软管丢失检测方法具体过程为：

获取待检测的图像，利用训练好的Faster-rcnn检测网络对所述待检测的图像进行制动软管的丢失检测，其特征在于，所述Faster-rcnn检测网络包括特征提取网络Resnet50、BiFPN特征金字塔、级联的分类与回归网络；

所述Faster-rcnn检测网络中的特征提取网络Resnet50的激活函数为：

其中，Leaky ReLU是特征提取网络Resnet50的激活函数，a是(1,+∞)区间内的固定参数，x是输入参数；

所述特征提取网络Resnet50用于提取待检测的图像的特征，获得特征图；

所述BiFPN特征金字塔用于对特征提取网络Resnet50不同卷积层的特征图进行融合即对特征提取网络Resnet50优化；

所述基于改进的Faster-rcnn的制动软管丢失检测方法具体过程为：

采用级联的分类与回归网络对优化后的特征提取网络Resnet50产生的特征图检测，得到检测结果；

级联的分类与回归网络通过与BiFPN配合采用级联操作提升了分类与定位的准确程度。

本发明的有益效果为：

本发明对传统的Faster-rcnn深度学习网络的方法进行了改进；本发明采用LeakyReLU作为特征提取网络激活函数，对Resnet50网络中的激活函数作出了改进，提高了网络的学习能力；采用Efficientdet网络的BiFPN特征金字塔对Faster-rcnn特征提取网络Resnet50进行优化，提升了特征融合与提取的能力，从而提升检测网络的性能；利用级联的分类与回归网络对特征图检测进一步提升了对制动软管的检测准确率。

附图说明

图1为检测制动软管丢失故障流程图；

图2为改进的Faster-rcnn检测网络结构图；

其中Conv1～Conv5代表Resnet50卷积模块，每一个卷积模块包含多个卷积层；