[发明专利]基于深度学习的铁路货车承载鞍错位故障图像识别方法及系统

权利要求书

1.基于深度学习的铁路货车承载鞍错位故障图像识别方法，其特征在于，包括以下步骤：

s1、针对待检测图像，使用U型深度学习网络进行预测，预测出承载鞍轮廓区域，得到预测后的二值图像，二值图像中0值为非承载鞍区域，1值为承载鞍区域；

所述U型深度学习网络如下：

第一卷积单元为32通道的3×3大小的卷积核后接ReLU激活函数，此过程作用两次；第一卷积单元的输出分为两条支路，一条支路与第九卷积单元的输出相加后作为第十卷积单元的输入，另一条支路经过池化作为第二卷积单元的输入；

第二卷积单元为64通道的3×3大小的卷积核后接ReLU激活函数，此过程作用两次；第二卷积单元的输出分为两条支路，一条支路与第八卷积单元的输出相加后作为第九卷积单元的输入，另一条支路经过池化作为第三卷积单元的输入；

第三卷积单元为128通道的3×3大小的卷积核后接ReLU激活函数，此过程作用两次；第三卷积单元的输出分为两条支路，一条支路与第七卷积单元的输出相加后作为第八卷积单元的输入，另一条支路经过池化作为第四卷积单元的输入；

第四卷积单元为256通道的3×3大小的卷积核后接ReLU激活函数，此过程作用两次；第四卷积单元的输出分为两条支路，一条支路与第六卷积单元的输出相加后作为第七卷积单元的输入，另一条支路经过池化作为第五卷积单元的输入；

第五卷积单元为512通道的3×3大小的卷积核后接ReLU激活函数，此过程作用两次；第五卷积单元的输出作为第六卷积单元的输入；

第六卷积单元为256通道的3×3大小的卷积核后接ReLU激活函数，此过程作用两次；

第七卷积单元为128通道的3×3大小的卷积核后接ReLU激活函数，此过程作用两次；

第八卷积单元为64通道的3×3大小的卷积核后接ReLU激活函数，此过程作用两次；

第九卷积单元为32通道的3×3大小的卷积核后接ReLU激活函数，此过程作用两次；

第十卷积单元为2通道的1×1大小的卷积核后接ReLU激活函数，此过程作用两次；第十卷积单元的输出为最终输出；

s2、根据二值图像确定承载鞍轮廓区域上边缘直线，通过上边缘直线的角度变化判断其是否为发生故障：如果上边缘直线角度偏移大于预先设定的阈值，则对此部分承载鞍进行故障报警；若上边缘直线角度偏移小于等于设定的阈值，则处理下一张承载鞍图像。

2.根据权利要求1所述的基于深度学习的铁路货车承载鞍错位故障图像识别方法，其特征在于，所述的U型深度学习网络模型的损失函数如下：

其中，y表示真实标记的分布，则为预测分布。

3.根据权利要求1所述的基于深度学习的铁路货车承载鞍错位故障图像识别方法，其特征在于，所述U型深度学习网络模型的参数通过训练过程确定。

4.根据权利要求1、2或3所述的基于深度学习的铁路货车承载鞍错位故障图像识别方法，其特征在于，所述U型深度学习网络模型的训练过程中获取训练样本的过程包括以下步骤：

w1、采集图像建立样本数据集；

样本数据集包括：灰度图像集与标记图像集；

灰度图像集为采集的灰度图像的数据集；标记图像集为承载鞍部件的分割图像的数据集，标记图像集中的承载鞍部件的上边缘标记为直线；标记图像集中的图像为二值图像，通过人工标记的方式获取；灰度图像集与标记图像数据集之间是一一对应的；

w2、对样本数据集进行数据扩增：

扩增形式包括图像的旋转、平移、缩放、镜像操作的一种或多种。