[发明专利]一种车辆裙板故障检测方法

说明书

一种车辆裙板故障检测方法，它属于图像处理技术领域。本发明解决了采用现有方法对裙板变形破损故障检测的准确率低的问题。本发明利用基于深度学习算法的图像自动识别方式代替人工检测，不仅能够提高故障检测的效率和稳定性，而且能够极大地提升检测准确率。本发明在故障检测时引入了CenterNet目标检测模型，在保证检测精度要求的基础上提高检测速度，实现了检测的实时性。通过对CenterNet目标检测模型的网络进行优化，在保持网络轻量的基础上提高模型的感受野，提升了模型的鲁棒性。本发明可以应用于高铁裙板击打变形破损的故障检测。

技术领域

本发明属于图像处理技术领域，具体涉及一种车辆裙板故障检测方法。

背景技术

高铁裙板具有导流、防护、检修等功能，一旦发生变形破损，可能危及行车安全。在裙板变形破损故障检测中，现有方法往往采用人工检查图像的方式进行故障检测。由于在检测过程中，检测结果会受到检车人员的主观因素影响，因此，容易出现对故障的漏检、错检等问题，以至影响行车安全。

而且采用现有的图像检测技术直接进行裙板变形破损检测时会受到裙板污渍等干扰因素的影响，因此对裙板变形破损故障检测的准确率较低。

发明内容

本发明的目的是为解决采用现有方法对裙板变形破损故障检测的准确率低的问题，而提出了一种车辆裙板故障检测方法。

本发明为解决上述技术问题所采取的技术方案是：一种车辆裙板故障检测方法，所述方法包括以下步骤：

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；

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；

利用补偿后的关键点进行裙板故障的识别。

本发明的有益效果是：本发明提出了一种车辆裙板故障检测方法，本发明利用基于深度学习算法的图像自动识别方式代替人工检测，不仅能够提高故障检测的效率和稳定性，而且能够极大地提升检测准确率。本发明在故障检测时引入了CenterNet目标检测模型，在保证检测精度要求的基础上提高检测速度，实现了检测的实时性。通过对CenterNet目标检测模型的网络进行优化，在保持网络轻量的基础上提高模型的感受野，提升了模型的鲁棒性。

附图说明

图1为本发明的一种车辆裙板故障检测方法的流程图；

图2为CenterNet目标检测模型的训练流程图；

图3为Hourglass网络结构图；

图中，low代表下采样，up代表上采样。

具体实施方式

具体实施方式一、结合图1说明本实施方式。本实施方式的一种车辆裙板故障检测方法，所述方法具体为：