[发明专利]风挡击打变形故障识别检测方法、存储介质及设备

说明书

风挡击打变形故障识别检测方法、存储介质及设备，属于图像检测技术领域。为了解决现有的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。本发明利用图像输入风挡击打变形故障识别网络对待检测图像进行故障检测；风挡击打变形故障识别网络采用Trident与残差网络的结合网络，结合网络每一个分支中，将最后一级残差网络的输出a^l+1，传递给GAP层和FC层，然后传给ReLU激活函数，再经过一个FC层，传给激活函数得到阈值；将该阈值与最后一级残差网络的输出做软阈值处理；同时，对激活函数的输出结果进行分支，将其通过一个FC层和Softmax激活层进行归一化后，再与a^l+1相乘，得到分支检测结果；将三分支的检测结果相加，得到最终的输出。用于风挡击打变形的故障识别。

技术领域

本发明属于图像检测技术领域，具体涉及风挡击打变形故障检测方法。

背景技术

风挡是安装于列车车辆端部相邻的两节车厢之间的部件，用于连接车厢、形成通道，供旅客进出。一旦风挡受到异物击打而发生破损变形，其内部应力会发生变化，结构稳定性降低，可能危及人身安全、造成重大损失。为保证列车平稳、安全运行，需对风挡进行识别检测，一旦发现破损变形，则需立即处理。

目前普遍采用人工检查图像的方式对风挡进行故障检查，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。同时由于风挡面积较大、分布较广，因此在其侧部、底部均有可能发生故障，人工查验的效率低下，故障检查需要耗费大量时间。

随着深度学习技术的发展，其已经可以用于很多领域的检测和识别，目前也有一些神经网络可用来进行风挡击打变形故障的检测，但是利用现有的结构进行检测时，由于没有考虑到图像数据的特点和图像特征的特点，因此存在检测准确率有待于进一步提高，误检率和漏检率有待于进一步降低的问题，从而保证列车运行的稳定性和安全性。

发明内容

本发明是为了解决现有的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，以及现有的神经挽留过检测方式存在检测准确率有待于提高的问题。

风挡击打变形故障识别检测方法，包括以下步骤：

获取包含待检测风挡的图像，并将图像输入风挡击打变形故障识别网络进行故障检测；

风挡击打变形故障识别网络为改进后的Trident网络与残差网络的结合网络，风挡击打变形故障识别网络的结构中，结合网络的三个分支结构相同，对于三个分支中的每个分支，将该分支最后一级残差网络的输出a^l+1′，首先传递给全局平均池化层，再通过第一全连接层，然后传递给ReLU激活函数，再经过第二全连接层，传递给Sigmoid激活函数，得到取值区间在0到1之间的阈值；将该阈值与最后一级残差网络的输出a^l+1′做软阈值处理，然后加上最后一级残差网络的输入a^l得到处理后的输出a^l+1；同时，对ReLU激活函数的输出结果进行分支，将该分支通过第三全连接层和Softmax激活层进行归一化后，将该分支归一化的结果与a^l+1相乘，得到该分支的检测结果；

将结合网络的三分支的检测结果相加，得到最终输出的故障检测结果。

进一步地，软阈值处理是将绝对值小于阈值的特征删除掉，将绝对值大于阈值的特征朝着零的方向进行收缩：

其中，x表示输入量，对应最后一级残差网络的输出a^l+1′；τ表示阈值，对应经过Sigmoid激活函数处理后得到的阈值；y表示软阈值处理结果。

进一步地，获取包含待检测风挡的图像的过程包括以下步骤：

获取列车图像，并在列车图像中截取出包含待检测风挡的图像。