[发明专利]列车制动系统故障图像的端到端实时检测方法

说明书

本发明提供一种列车制动系统故障图像的端到端实时检测方法，包括采集列车制动系统图像并制作带有标注的训练图像数据库；通过骨干网络提取训练图像的多尺度特征；通过故障特征金字塔FFP对多尺度特征进行特征融合，所述故障特征金字塔结构FFP包括故障增强注意力模块FEA、故障瓶颈模块FBM和空洞故障瓶颈模块DFB；根据融合特征结果，通过检测头对故障进行定位和分类，然后使用损失函数训练实时端到端视觉检测器；图像故障识别，通过训练好的实时端到端视觉检测器对待检测的图像进行故障识别。本发明的有益效果是能够精确快速地检测出货运列车制动系统是否存在故障，并对故障类型进行判断。

技术领域

本发明属于目标检测和故障识别领域，属于一种应用于列车制动系统故障的实时端到端视觉检测方法。

背景技术

随着铁路里程和网络化规模的不断扩大，列车制动系统故障的检修效率和质量已经成为了确保列车高效运营的关键因素。但是长期以来列车制动系统故障都是依靠人工进行检测，存在漏检和误检的情况。随着人工智能领域的快速发展，越来越多的场合用到了视觉检测。使用机器视觉的检测方式来代替人工，不仅能保证检测的速度和精度，还能避免因人工检测的主观影响。然而，列车故障检测的硬件部署环境一般是户外，算力资源受到限制。同时由于制动系统零件体积小，车底结构复杂并且易受污染导致模糊不清。在这种检测环境下，普通的检测算法难以满足实际要求。

基于视觉的列车车底故障检测任务可以划分到计算机视觉中的目标检测领域。随着近年来深度学习的发展，目标检测方法不断应用在越来越复杂的场景中，从两阶段方法到一阶段方法，从NMS-based(Non-maximum suppression，非极大值抑制)到NMS-free的方法，学者们不断在领域内创新，算法的识别速度与精度有着长足的进步。但是这些方法应用在列车车底故障检测时却依然有着不足之处，例如Zhou等人基于Nanodet-Resnet101提出了一种故障检测算法，用于检测高度阀的故障，Fu等人提出一种新的两阶段感知网络实现对轴承油斑的检测。这些方法只能针对某一种故障进行检测，不能同时检测出不同类型的故障。Zhang等人在CNN的基础上实现了对列车底部常见的5种故障进行检测，同时在速度与精度之间进行了权衡。Zhang基于faster R-CNN提出了列车故障检测的统一框架，但是这两种方法都无法满足实时(30帧以上)的检测需求。不仅如此，受到检测环境和算力资源的限制，模型也被要求更加轻量化。例如Zhang等人设计了一种新型的轻量级骨干网络，在提高了检测精度和速度的同时很好地控制了模型大小，达到了先进水平，但是该方法在检测速度方面还有一定的提升空间。

发明内容

本发明属于一种应用于列车制动系统故障的实时端到端视觉检测方法，用于解决可检测的故障类型单一，模型计算量大，准确率不高，实时性不强等问题。

本发明技术方案提供一种列车制动系统故障图像的端到端实时检测方法，包括以下步骤，

步骤1，采集列车制动系统图像并制作带有标注的训练图像数据库；

步骤2，通过骨干网络提取训练图像的多尺度特征；

步骤3，通过故障特征金字塔FFP对多尺度特征进行特征融合，所述故障特征金字塔结构FFP包括故障增强注意力模块FEA、故障瓶颈模块FBM和空洞故障瓶颈模块DFB；

在所述故障特征金字塔结构FFP中，

将骨干网络提取的不同尺度的特征图分别输入到相应故障增强注意力模块FEA中，由故障增强注意力模块FEA进行通道数的调整，实现对通道间相互依赖性的建模；

将顶层相应故障增强注意力模块FEA的输出经过上采样后与下层故障增强注意力模块FEA的输出相加，作为相应故障瓶颈模块FBM输入，并在上采样操作部分增加一条快捷路径与相应故障瓶颈模块FBM的主路径进行特征图的相加，作为故障瓶颈模块FBM的输出；