[发明专利]一种高内聚低耦合列车故障检测方法

权利要求书

1.一种高内聚低耦合列车故障检测方法，其特征在于，包括以下步骤：

步骤1：收集故障样本数据集：

对通过触发器的高铁进行扫描，获取阵列图像，随后使用标注软件对高铁故障部件进行标注，阵列图像中的每张图像对应生成一个标注文件(json或xml格式)，图像及对应的标注文件构成故障样本数据集；

步骤2：故障样本数据集增强与划分：

对步骤1所得故障样本数据集进行数据增强操作，并划分为训练集、测试集、验证集；

步骤3：使用训练集对CenterNet网络进行训练，对于每一类别的故障，分别训练一个模型，输出Teacher网络，用于步骤4中的知识蒸馏；

步骤4：使用训练集与Teacher网络进行知识蒸馏，得到Student网络，对于每一类别的故障，分别由步骤3中对应的Teacher网络蒸馏训练出单独的模型，一个模型单独识别一类故障；

步骤5：将步骤4中的模型转ONNX并通过TensorRT进行处理，得到训练好的故障检测网络，部署在检测场地的计算机中，随后将待检测的列车图像输入故障检测网络中，判断部件是否故障。

2.根据权利要求1所述的一种高内聚低耦合列车故障检测方法，其特征在于，步骤3中，所述Teacher网络中用于提取特征的主干网络为Resnet50，CenterNet网络在Teacher网络中使用热力图、坐标偏置量和目标宽高来构造输出值，在训练过程中，首先计算检测目标的中心点经过下采样后，随后使用进行标记，将Ground Truth以一个高斯核分布在特征图上，高斯核为：

其中，输入图像为I∈R^W×H×3，W、H分别为图像的宽、高，R代表热力图对应输入图像的步长，σ_p为与检测目标的宽高有关的标准差；

代表在坐标(x，y)处检测得到目标类别c的物体；

代表在此坐标处不存在目标类别为c的物体。

3.根据权利要求2所述的一种高内聚低耦合列车故障检测方法，其特征在于，步骤3中，在训练过程中出现三种损失，分别为中心点热力图的损失、中心点坐标偏置的损失和目标宽高的损失，其中，中心点热力图的损失函数为：

中心点偏置的损失函数为：

目标宽高的损失函数为：

中心点热力图的损失、中心点偏置的损失和目标宽高的损失之和为：

L_det＝L_k+λ_sizeL_size+λ_offsetL_offset。

4.根据权利要求1所述的一种高内聚低耦合列车故障检测方法，其特征在于，步骤4中，步骤4中的模型为轻量化的Backbone，作为Student网络学习步骤3中Teacher网络的泛化能力；在蒸馏操作中，定义新的loss函数，对于输出中心点的头，把Teacher和Student输出的特征图经过relu层，将负数舍去，然后做一个MSE作为loss；对于输出宽高和偏移量的头，将特征图的像素点做L1 loss后，把Teacher网络中心点热力图经relu后的特征图作为系数逐项相乘，作为后两部分蒸馏训练时的损失函数，最后为这三部分损失函数分配权重，形成总的损失函数：

L_det，KD＝L_k，KD+λ_sizeL_size，KD+λ_offsetL_off，KD

其中，L_k，KD代表蒸馏操作中的中心点热力图损失，L_size，KD为蒸馏操作中的宽高损失，L_off，KD为蒸馏操作中的偏置损失，与分别代表Student网络的中心点热力图输出、宽高输出与偏置输出，分别为Teacher网络的三项输出；relu为线性整流激活函数，MSE为均方误差，L1为L1范数损失函数；L_det，KD为蒸馏操作中总的损失函数，λ_size与λ_offset为权重系数，用于调整后两项的数量级，使得总体的数量级保持一致。

5.根据权利要求1所述的一种高内聚低耦合列车故障检测方法，其特征在于，步骤4中，步骤5中，在网络结构中代表检测中心点的热力图输出后加入一层3×3的max pooling层，减少后处理代码；用一张二值化的mask，采用卡阈值的方法取代繁杂的topK算法，得到检测结果中心点。