[发明专利]一种基于改进后Faster R-CNN网络的锁扣丢失故障检测方法

说明书

本发明公开了一种基于改进后Faster R‑CNN网络的锁扣丢失故障检测方法。包括以下步骤：S100、采集列车侧部的完整图像；S200、在获得的完整图像中，截取带有锁扣装置的目标区域图像；S300、对目标区域图像进行扩增，获得训练集；S400、通过训练集得到改进后Faster R‑CNN网络，并基于改进后Faster R‑CNN网络对待检测列车进行锁扣故障类别的识别；S500、当检测出待检测列车存在故障时，进行报警。本发明降低了人工成本，并将深度学习算法应用到锁扣故障的自动识别中，提高整体算法的稳定性及精度，并有效缩短故障检测的时间。本发明降低了人工成本，并有效缩短故障检测的时间。

技术领域

本发明涉及一种基于改进后Faster R-CNN网络的锁扣丢失故障检测方法，属于高铁列车故障检测领域。

背景技术

锁扣是高铁列车的锁紧装置，一旦锁扣发生脱落，列车裙板则可能产生震荡、松动乃至脱落的现象，危及人身安全、造成重大损失。为保证列车平稳、安全运行，需对锁扣情况进行识别检测，一旦发现脱落现象，则需立即处理。目前采用人工检查图像的方式对锁扣进行故障检查，而检车人员在工作过程中极易出现疲劳、遗漏等情况，造成漏检、错检的出现，影响行车安全，且锁扣数量较多，人工查验的效率低下，故障检查需要耗费大量时间。基于上述情况，使用深度学习网络，识别锁扣状态，实现故障报警，从而提高检测效率、提高列车运行的稳定性和安全性。

发明内容

本发明的目的是提出一种基于改进后Faster R-CNN网络的锁扣丢失故障检测方法，通过图像自动识别的方式，加以改进的深度学习目标检测框架实现锁紧装置的自动监测，以解决现有技术中需人工检测导致的效率低、易造成漏检、错检的问题。

一种基于改进后Faster R-CNN网络的锁扣丢失故障检测方法，锁扣丢失故障检测方法包括以下步骤：

S100、采集列车侧部的完整图像；

S200、在获得的完整图像中，截取带有锁扣装置的目标区域图像；

S300、对目标区域图像进行扩增，获得训练集；

S400、通过训练集得到改进后Faster R-CNN网络，并基于改进后Faster R-CNN网络对待检测列车进行锁扣故障类别的识别；

S500、当检测出待检测列车存在故障时，进行报警。

进一步的，在S100中，具体包括以下步骤：

S110、在高铁沿途两侧搭建高速线阵成像设备；

S120、当高铁通过时，高速线阵成像设备获取高铁各部位的高清线阵灰度图像；

S130、将高铁各部位的高清线阵灰度图像拼接成高铁侧部完整图片。

进一步的，在S200中，具体包括以下步骤：

S210、根据轴距信息与锁扣位置的先验知识，对高铁侧部完整图片中带有锁扣装置的目标区域进行截取；

S220、缩小截取部分的图像尺寸，增加目标在图像中的相对占比。

进一步的，在S300中，具体包括以下步骤：

S310、对目标区域图像进行数据增强，数据增强包括图像平移、缩放和锐化；

S320、基于数据增强后的图像确定训练集和测试集。

进一步的，在S400中，具体包括以下步骤：

S410、根据训练集对Faster R-CNN网络的RPN部分进行改进；

S420、利用改进后的Faster R-CNN网络对待检测列车进行锁扣故障类别的识别。