[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

说明书

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，属于货运列车检测技术领域。本发明是为了解决目前依靠人工查看图像的检测方式存在低效率等问题，以及现有的图像自动处理技术进行检测存在准确率低的问题。本发明针对待检测图像，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；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。本发明主要用于承载鞍错位故障图像识别。

技术领域

本发明涉及一种铁路货车承载鞍错位故障图像识别方法。属于货运列车检测技术领域。

背景技术

货车承载鞍错位故障是一种危及行车安全的故障，在承载鞍故障检测中，现有的方法 是采用人工检查图像的方式进行故障检测。由于检车人员在工作过程中极易出现疲劳、遗 漏等情况，从而造成漏检、错检的现象的出现，严重影响着行车安全。

现有的货车承载鞍错位故障检测均为人工完成，从理论上也可以采用图像自动识别的 方式进行检测的，从而可以避免漏检、错检，理论上也可以可提高检测效率和稳定性。但 是目前现有的深度学习模型都是为了能够实现尽可能多的类型和领域的图像处理(如Imagenet图像识别大赛中模型，都是经过很多领域巨量图片处理训练的)，最好是能够使用和处理任何一个领域。但是由于目前的深度学习模型的特点，其处理常规领域具有明显的优势，但是针对于货车设备检测领域，由于其图像具有非常高的复杂性，以及图片非常小的特定，利用现有的深度学习模型进行处理，其准确率并不高。

发明内容

本发明是为了解决目前依靠人工查看图像的检测方式存在低效率等问题，以及现有的 图像自动处理技术进行检测存在准确率低的问题。

基于深度学习的铁路货车承载鞍错位故障图像识别方法，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；

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。

进一步地，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；