[发明专利]一种车辆裙板故障检测方法

权利要求书

1.一种车辆裙板故障检测方法，其特征在于，该方法包括以下步骤：

步骤一、获取车辆线阵图像；

步骤二、从步骤一所获取的图像中剪裁出裙板部件所在区域图像；

步骤三、对裙板部件所在区域图像中裙板部件位置、裙板故障位置和裙板故障类别进行标记，得到裙板部件所在区域图像所对应的标记文件；将裙板部件所在区域图像以及对应的标记文件共同组成数据集；

步骤四、分别对数据集中的每张图像进行特征提取处理后，获得对应的处理后特征图；

步骤五、将处理后特征图以及标记文件输入CenterNet目标检测模型，对所述CenterNet目标检测模型进行训练，获得训练好的CenterNet目标检测模型，其中，所述CenterNet目标检测模型以Hourglass模块为主干网络；

所述CenterNet目标检测模型包括第一Hourglass模块、第二Hourglass模块、第一Head模块和第二Head模块，其中：

在第一个Hourglass模块的前后加了1×1的卷积，进行元素相加后通过ReLU激活函数和残差模块，残差模块的输出再送入第二个Hourglass模块；且在第一Hourglass模块和第二Hourglass模块中，每次降采样之前，分出上半路保留原尺度信息，每次升采样之后，和上一个尺度的数据相加；

第一Hourglass模块的输出输入第一Head模块，第二Hourglass模块的输出输入第二Head模块，且第一Hourglass模块的输出输入第一Head模块之前需要经过5×5的128通道的卷积模块进行处理，第二Hourglass模块的输出输入第二Head模块之前需要经过5×5的128通道的卷积模块进行处理；

Hourglass模块中包括5×5卷积模块，5×5卷积模块用于替换3×3卷积模块，Head模块中包括角池模块，角池模块用于替换3×3卷积模块；Head模块的残差块包括256通道的5*5卷积模块和3个融合层，Conv-BN-Scale三个连续的线性操作融合为融合层，Head模块的输出结果馈入融合层中；

所述在第一Hourglass模块和第二Hourglass模块中，每次降采样之前，分出上半路保留原尺度信息，每次升采样之后，和上一个尺度的数据相加；其具体过程为：

将Hourglass模块的输入分为两路，其中一路经过第一下采样模块的下采样处理，另一路经过第一上采样模块的上采样处理；

将第一下采样模块的下采样处理结果分为两路，其中一路经过第二下采样模块的下采样处理，另一路经过第二上采样模块的上采样处理；

将第二下采样模块的下采样处理结果分为两路，其中一路经过第三下采样模块的下采样处理，另一路经过第三上采样模块的上采样处理；

将第三下采样模块的下采样处理结果分为两路，其中一路经过第四下采样模块的下采样处理，另一路经过第四上采样模块的上采样处理；

将第四下采样模块的下采样处理结果分为两路，其中一路经过第五下采样模块的下采样处理，另一路经过第五上采样模块的上采样处理；

将第五下采样模块的下采样处理结果经过第六下采样模块，第六下采样模块的下采样处理结果再经过第七下采样模块；

第七下采样模块的下采样处理结果与第五上采样模块的上采样处理结果相加，相加结果经过第八下采样模块；

第八下采样模块的下采样处理结果与第四上采样模块的上采样处理结果相加，相加结果经过第九下采样模块；

第九下采样模块的下采样处理结果与第三上采样模块的上采样处理结果相加，相加结果经过第十下采样模块；

第十下采样模块的下采样处理结果与第二上采样模块的上采样处理结果相加，相加结果经过第十一下采样模块；

第十一下采样模块的下采样处理结果与第一上采样模块的上采样处理结果相加，相加结果作为Hourglass模块的输出；

步骤六、采集待检测的原始图像，从待检测原始图像中剪裁出裙板部件所在区域的子图，再对剪裁出的子图进行下采样处理，获得下采样后的低分辨率图像；

将获得的低分辨率图像输入训练好的CenterNet目标检测模型后，获得低分辨率图像中存在故障的关键点；并对获得的关键点进行补偿，获得补偿后的关键点；其具体过程为：

对于低分辨率图像中的某个像素点，若该像素点所对应的关键点预测值大于等于以该像素点为中心的，3×3邻域内的其它8个像素点对应的关键点预测值，则将该像素点作为一个关键点，将低分辨率图像中所有的像素点遍历完成后，获得低分辨率图像中的全部关键点，再利用角池模块从全部的关键点中随机选取出低分辨率图像的100个关键点，将每个关键点所对应的故障类别的热点单独提取出来，利用提取出的热点来分别计算每个关键点存在故障的概率值，从100个关键点中筛选出存在故障概率值大于阈值Q的关键点，阈值Q的取值为0.85；

并对筛选出的关键点进行补偿，获得补偿后的关键点；

利用补偿后的关键点进行裙板故障的识别。