[发明专利]一种高内聚低耦合列车故障检测方法

说明书

本发明公开了一种高内聚低耦合列车故障检测方法，包括以下步骤：获取故障样本数据集；对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；使用训练集对CenterNet网络进行训练，输出Teacher网络；使用训练集与Teacher网络进行知识蒸馏，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；获取训练好的故障检测网络，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。本发明利用蒸馏操作将不同类别的检测能力传递给若干个对应的学生网络，使得最后的模型具有低耦合的特性，网络训练更容易收敛，提升故障检测效率。

技术领域

本发明属于轨道交通安全检测监测技术领域，具体涉及一种高内聚低耦合列车故障检测方法。

背景技术

目前，传统的铁路动车故障检测方法大部分仍使用人工查图的方法，该方法费时费力，且检测用人工成本较高。大部分列车结构复杂、部件多，使得人工巡检效率低下。人工查图依赖巡检员的主观感受和个人经验，无法保证检修质量，且检测人员疲劳、经验不足等会造成漏检、误检，形成安全隐患。近年来，随着我国轨道交通领域的飞速发展，将计算机视觉技术应用到故障检测领域成为新的研究方向。使用深度学习方法能够极大程度地降低人工成本，检测准确度也相对较高，但是大部分基于深度学习的目标检测模型复杂度较高，输出数据所需的后处理过程也较为复杂(如YoloV3)，无法满足实地嵌入式设备的部署和检测速度的要求。

中国发明专利，公开号CN112906547A公开了一种基于YOLO-V3目标检测算法的对铁路列车风挡破损故障的检测方法，其主要思想是一种基于先验锚框的目标检测算法，同时改进了YOLO的损失函数与NMS算法。但是该算法存在以下缺陷：由于使用了先验框，在后处理过程中无法避免非极大值抑制的步骤，这一步骤计算开销较高；受限于部署终端设备的硬件条件，在保证精度的同时亦需要考虑不同深度学习框架的移植问题。

中国发明专利，公开号CN113610069A公开了基于知识蒸馏的目标检测模型训练方法。中国发明专利，公开号CN112990198A公开了一种用于水表读数的检测识别方法、系统及存储介质。中国发明专利，公开号CN112529178A公开了一种适用于无预选框检测模型的知识蒸馏方法及系统。上述三个专利中都考虑了将CenterNet与知识蒸馏操作进行结合，训练出继承了Teacher网络泛化能力的Student网络。中国发明专利，公开号CN112560693A公开了基于深度学习目标检测的高速公路异物识别方法和系统，提出了利用N个Teacher网络传递不同感受野信息至Student网络的思路。然而上述这些算法在车体故障检测方向的应用仍存在缺陷：在车体故障检测的实际应用场景中，由于不同车型的存在，对模型低耦合性的需求较高；原CenterNet的后处理中使用了Max Pooling操作，再以Top K算法删除冗余目标，这一方法在实际部署时需要移植至其他框架时过于复杂，例如需要转化为ONNX利用TensorRT进行加速时。

发明内容

为解决现有技术中存在的技术问题，本发明的目的在于提供一种高内聚低耦合列车故障检测方法，为一种基于CenterNet的高铁故障部件检测方法。

为实现上述目的，达到上述技术效果，本发明采用的技术方案为：

一种高内聚低耦合列车故障检测方法，包括以下步骤：

步骤1：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：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；