[发明专利]一种基于深度学习的上拉杆故障检测方法

权利要求书

1.一种基于深度学习的上拉杆故障检测方法，其特征在于，该方法包括以下步骤：

步骤一、采集待检测的列车图像，并从采集的列车图像中获取感兴趣区域图像；

步骤二、对感兴趣区域图像进行增强处理，获得增强处理后的感兴趣区域图像；

步骤三、对增强处理后的感兴趣区域图像进行分割，获得对感兴趣区域图像分割后的子图像；

步骤四、将获得的对感兴趣区域图像分割后的子图像输入训练好的改进SSD模型，通过训练好的改进SSD模型的输出层来输出子图像中制动缸部件的位置；

所述改进SSD模型的每两个卷积层之间均添加一个深度残差结构；

步骤五、在增强处理后的感兴趣区域图像中，根据步骤四获得的制动缸部件的位置以及制动缸与上拉杆之间的组装关系，从增强处理后的感兴趣区域图像中提取出包含上拉杆的待识别图像；

步骤六、将步骤五提取出的包含上拉杆的待识别图像输入训练好的FasterRCNN模型，若FasterRCNN模型未检测到上拉杆接头或扁铁位置，则发生上拉杆折断故障，生成报文并上传至报警平台；

所述步骤六中，将步骤五提取出的包含上拉杆的待识别图像输入训练好的FasterRCNN模型，若FasterRCNN模型检测到上拉杆接头及扁铁位置，则根据上拉杆接头及扁铁的连接状态确定上拉杆是否发生上拉杆脱落故障；

若发生上拉杆脱落故障，则生成报文并上传至报警平台；若未发生上拉杆脱落故障，则将待识别图像输入训练好的Unet语义分割模型，利用训练好的Unet语义分割模型对待识别图像中的上拉杆接头和上拉杆进行分割，根据上拉杆接头与上拉杆像素点的最小距离来判定是否发生上拉杆折断故障。

2.根据权利要求1所述的一种基于深度学习的上拉杆故障检测方法，其特征在于，所述步骤二中，对感兴趣区域图像进行增强处理，获得增强处理后的感兴趣区域图像，其具体过程为：

其中，v(x，y)表示感兴趣区域图像中像素点(x，y)的灰度值，I₂(x，y)表示感兴趣区域图像经过非线性变换后像素点(x，y)的灰度值，表示感兴趣区域图像中全部像素点的平均灰度值，m(x，y)和k(v(x，y))为中间变量，a为调整系数；

I(x，y)＝0.5×I₁(x，y)+0.8×I₂(x，y)+1.2×v(x，y)

其中，I(x，y)为增强处理后的感兴趣区域图像中像素点(x，y)的灰度值，I₁(x，y)为感兴趣区域图像经过对数变换后像素点(x，y)的灰度值，b为对数变换调节参数。

3.根据权利要求1所述的一种基于深度学习的上拉杆故障检测方法，其特征在于，所述深度残差结构包括两个并行的分支，其中，分支1包括一个1×1×256的卷积层，分支2包括一个1×1×128的卷积层、一个3×3×128的卷积层和一个1×1×256的卷积层。

4.根据权利要求3所述的一种基于深度学习的上拉杆故障检测方法，其特征在于，所述训练好的改进SSD模型是采用如下的训练方式获得的：

步骤S1、利用布设在列车轨道底部的成像设备对运动的列车进行拍摄，获取列车底部的图像；

步骤S2、从步骤S1所获取的图像中粗定位出包含上拉杆部件的样本图像；

步骤S3、对步骤S2粗定位出的样本图像进行扩增，通过扩增获得图像数据集；

步骤S4、分别对图像数据集中的每张样本图像进行增强处理后，获得增强处理后的图像数据集；

步骤S5、分别对增强处理后的图像数据集中的每张图像进行分割，获得图像数据集中的每张图像所对应的分割结果；

步骤S6、从步骤S5获得的分割结果中筛选出包含制动缸部件的图像，在筛选出的图像中设置用于框选制动缸部件的候选框，并对筛选出的图像中的制动缸部件进行标注；

计算筛选出的每张图像中的候选框与标注的矩形标记框的重叠率，将重叠率大于等于0.5的图像作为正样本，将筛选出的图像中除了正样本之外的图像，作为负样本；

步骤S7、利用正样本和负样本对改进SSD模型进行训练，获得训练好的改进SSD模型。