[发明专利]基于虚拟CRH380A模型和深度学习的TEDS故障检测方法

权利要求书

1.基于虚拟CRH380A模型和深度学习的TEDS故障检测方法，其特征在于，包括以下步骤：步骤一、拍摄TEDS故障图片以及生成渲染故障图片：针对难采集的、出现频率不高的故障，拍摄带故障的TEDS故障图片，然后利用3dMax建模生成包含有指定故障模型的渲染故障图片，将带有故障的区域进行初步材质的渲染；步骤二、生成对抗网络转换图片：利用循环一致性对抗生成深度神经网络对来自真实的TEDS故障图片进行学习，然后对3dMax渲染的故障图片进行风格迁移，生成超逼真故障图片，使其在风格上逼近真实故障图片；步骤三、构建训练样本集：将超逼真故障图片与少量的真实故障图片进行混合，使用标记软件对图片进行样本标记，构建训练样本集；步骤四、训练目标检测模型：使用目标检测网络和步骤三构建的训练样本集，并构建故障检测深度模型；步骤五、进行TEDS故障检测和判定：利用步骤构建的故障检测深度模型对在TEDS系统中采集的真实故障图片进行故障检测和判定;步骤一的所述渲染，具体步骤为： 1）使用Vray Next渲染器对模型进行编辑； 2）使用3dMax渲染器编辑CRH380模型，在CRH380的虚拟模型中注入故障； 3）设置相关参数对模型进行材质渲染；

所述步骤二的具体步骤为： a）数据预处理：裁剪 、归一化和随机翻转；b）利用循环一致性生成对抗深度神经网络将在虚拟模型上截取的渲染过后的故障图片域迁移到真实故障图片风格；

步骤b）的具体步骤为：使用对抗生成深度神经网络的生成器随机生成图像，使用判别器对该图像进行判别、评分，在循环对抗生成过程中将虚拟模型生成的TEDS故障图片的域转换成真实故障图片的域，使得虚拟模型生成的超逼真故障图片高度接近真实故障图片，扩大训练数据集。

2.根据权利要求1所述的基于虚拟CRH380A模型和深度学习的TEDS故障检测方法，其特征在于，步骤3）中，所述渲染设置参数包括：输入图像大小、像素过滤器、颜色贴图类型、光照和相机位置。

3.根据权利要求1所述的基于虚拟CRH380A模型和深度学习的TEDS故障检测方法，其特征在于，步骤a）中，所述裁剪指的是把256×256的图片先调整为286×286的大小，再从中剪裁出256×256的像素的图片；所述归一化指的是将输入的图像每个通道的值都从[0,252]归一化到[-1,1]；所述随机翻转指的是以0.5的概率水平翻转图像，以减少过拟合。

4.根据权利要求1所述的基于虚拟CRH380A模型和深度学习的TEDS故障检测方法，其特征在于，步骤三中，所述标记 软件为LabelImg软件，所述LabelImg软件对图片中的故障位置进行拉选故障类型标记框，并对故障区域命名，然后保存为xml标记文件。

5.根据权利要求3所述的基于虚拟CRH380A模型和深度学习的TEDS故障检测方法，其特征在于，步骤四中，所述构建故障检测深度模型的具体步骤为：使用卷积-线性-激活-池化层来获得图像的数据特征，使用RPN网络输出候选建议区域，对上述区域进行池化，在到检测率达到目标值以后，停止训练并保存模型。

6.根据权利要求1所述的基于虚拟CRH380A模型和深度学习的TEDS故障检测方法，其特征在于，步骤四中，所述目标检测网络为Faster-RCNN或者centernet。

7.根据权利要求4所述的基于虚拟CRH380A模型和深度学习的TEDS故障检测方法，其特征在于，步骤五中，所述故障检测的具体步骤为：向故障检测深度模型中传入需检测的真实故障图片，故障检测深度模型利用已学习的特征与检测区域对比，找到故障位置后，做出标记，完成故障检测。