[发明专利]一种动车组底板胶皮破损故障检测方法、系统及装置

说明书

一种动车组底板胶皮破损故障检测方法、系统及装置，属于图像检测技术领域。为了解决现有的利用深度学习方法对板胶皮破损故障检测时存在的训练时间长、效率低的问题。本发明所述方法，获取待检测的底板胶皮感兴趣区域图像作为模型输入，利用可扩展目标检测模型进行底板胶皮破损故障检测；在可扩展目标检测模型的训练过程中利用训练集对可扩展目标检测模型进行训练，得到模型参数权重；利用测试集进行模型测试，得到模型测试识别率，调整模型超参数，重复训练和测试，直到模型测试识别率达到测试识别率阈值，得到模型最优参数权重；加载最优参数权重的模型即为训练好的可扩展目标检测模型。适用于底板胶皮破损的故障检测。

技术领域

本发明涉及动车组底板胶皮破损故障检测方法、系统及装置。属于图像检测技术领域。

背景技术

底板胶皮能够保证动车组底板在高速运行中的防水性，保护动车组底板内部件不受污水的影响而发生短路等故障。因此，对动车组底板胶皮破损故障进行及时的自动报警具有重要意义。

通过深度学习方法对动车组底板胶皮破损故障进行自动检测及报警，人工只需对少量报警结果进行确认。相对于人工检查所有底板胶皮图像，能够有效提高检测质量和检测效率，大幅节约车辆段的人力成本。不过由于底板胶皮破损故障形态多变，往往需要向训练图像数据集中添加新的故障形态，并用整个训练图像数据集重新训练目标检测模型，导致模型训练消耗时间较多，效率降低。

发明内容

本发明是为了解决现有的利用深度学习方法对板胶皮破损故障检测时存在的训练时间长、效率低的问题。

一种动车组底板胶皮破损故障检测方法，包括以下步骤：

获取待检测的底板胶皮感兴趣区域图像作为模型输入，利用可扩展目标检测模型进行底板胶皮破损故障检测；可扩展目标检测模型包括多个用于提取特征的主干网络，每个主干网络后接一个用于检测目标标签、置信度和位置的检测器；

可扩展目标检测模型为预先训练好的，具体训练过程包括以下步骤：

获取用于训练的含底板胶皮的感兴趣区域图像并构建数据集，对数据集进行标记，得到每张图像对应的标签文件；标注所用的标签分为：正常胶皮、故障形态i；

将所有图像及对应所有标签分为训练集和测试集；利用训练集对可扩展目标检测模型进行训练，得到模型参数权重；利用测试集进行模型测试，得到模型测试识别率，调整模型超参数，重复训练和测试，直到模型测试识别率达到测试识别率阈值，得到模型最优参数权重；加载最优参数权重的模型即为训练好的可扩展目标检测模型。

进一步地，可扩展目标检测模型的建立过程包括以下步骤：

将已知类别的底板胶皮感兴趣区域图像简记为已知类别图像，将n种已知类别图像分别输入到n个主干网络中进行特征提取，得到n种已知类别图像对应的n类数据特征；将n类数据特征分别输入到对应的n个检测器中进行目标检测，得到n种已知类别图像中目标的标签、置信度和位置；将主干网络及对应检测器分别封装为子模型，并将所有子模型组成一个集成模型；将用于测试的底板胶皮感兴趣区域图像简记为测试图像图像，以单张测试图像作为输入，通过集成模型内部的子模型同时对测试图像进行目标检测，得到多个类别各自对应的目标标签、置信度和位置；根据置信度阈值，对多个类别各自对应的置信度进行筛选，去除置信度小于阈值的m个类别；将剩余的检测类别中包含的所有目标标签及对应位置作为模型最终检测结果，所得到的模型即为可扩展目标检测模型。

进一步地，将主干网络及对应检测器分别封装为子模型并将所有子模型组成一个集成模型的过程中，当存在新增检测类别的需求时，对于l种新增类别的图像，将n+l种已知类别图像分别输入到n+l个主干网络中进行特征提取，得到n+l种已知类别图像对应的n+l类数据特征；n+l类数据特征分别输入到对应的n+l个检测器中进行目标检测，得到n+l种已知类别图像中目标的标签、置信度和位置；将主干网络及对应检测器分别封装为子模型，并将所有子模型组成一个集成模型。