[发明专利]基于深度学习的铁路动车撒砂管松脱故障检测方法

说明书

基于深度学习的铁路动车撒砂管松脱故障检测方法，属于图像检测技术领域。为了解决人工检查图像的方式存在检测准确率低、检测效率低的问题，以及现有的深度学习网络检测准确率有待于提高的问题。本发明首先获取待检测的撒砂管图像，利用CASCADERCNN网络模型进行检测；CASCADERCNN网络包括一个深度残差网络、一个RPN网络和一个预测网络；待检测的撒砂管图像先经过深度残差网络，再经过RPN网络，最后经过预测网络，输出故障类别和对应的位置。主要用于铁路动车撒砂管松脱故障的检测。

技术领域

本发明属于图像检测技术领域，具体涉及撒砂管松脱故障检测方法。

背景技术

动车撒砂管松脱故障是一种危及铁路动车行车安全的故障，在撒砂管松脱的故障检测中，现有技术基本都是采用人工检查图像的方式进行故障检测。人工检查图像的故障检测方法效率低，且需要花费大量的人力，同时由于检车人员在工作过程中极易出现疲劳、遗漏等人为因素可能造成漏检、错检的出现，影响行车安全。

所以需要一种自动化的检测方式来替代人工检查图像的故障检测方法，根据图像信息进行故障的自动识别的方式可提高故障检测准确率及稳定性。近几年，随着深度学习与人工智能不断发展，在技术上不断成熟，深度学习网络在图像识别中已经取得了不多的效果。但是利用现有的深度学习网络对撒砂管松脱故障进行识别还存在的诸多问题。例如，虽然fasterrcnn检测网络被广泛用于目标检测中，但在检测过程中会出现检测框不准和多类别时类别错检的问题。

发明内容

本发明是为了解决人工检查图像的方式存在检测准确率低、检测效率低的问题，以及现有的深度学习网络检测准确率有待于提高的问题。

基于深度学习的铁路动车撒砂管松脱故障检测方法，包括以下步骤：

获取待检测的撒砂管图像，利用CASCADERCNN网络模型进行检测，输出故障类别及对应的位置；

CASCADERCNN网络在训练过程中的损失函数如下：

其中，N_cls为分类样本总数，p_i是不同类别的分类概率；N_reg为回归框个数，t_i＝{t_x,t_y,t_w,t_h}是一个向量，t_x,t_y,t_w,t_h分别表示候选框x坐标、y坐标、宽度以及高度的偏移量；参数λ用来权衡分类损失与回归损失的比例，正样本时为1，负样本时为0；是与t_i维度相同的向量，表示候选框对标记框的偏移量；L_cls(p_i)为目标预测的分类损失函数，为回归预测的位置损失函数；

目标预测的分类损失函数：

其中，γ为正数，α_i用于调节正负样本的比例，h表示预测当前类别概率值，t表示真实标签类别值。

有益效果：

1、本发明可以实现铁路动车撒砂管松脱故障检测，利用图像自动识别的方式代替人工检测，提高检测效率、准确率。

2、本发明将深度学习算法应用到撒砂管松脱故障自动识别中，提高整体算法的鲁棒性及精度。