[发明专利]一种列车锁扣丢失故障检测方法、系统及装置

说明书

一种列车锁扣丢失故障检测方法、系统及装置，属于图像检测技术领域。本发明解决了解决人工检测方法存在遗漏率高、误检率高的问题，以及基于深度学习的检测方法存在检测精度低或者时间长的问题。本发明所述方法利用特征提取网络进行特征提取，然后利用包括一个RNN网络和一个faster R‑CNN网络的预测神经网络进行检测，得到目标对应的位置信息和类别信息；RNN网络的输入为征提取网络提取到的特征，输出目标图片中目标的位置信息；faster R‑CNN网络输入为裁剪目标图像，裁剪目标图像是基于RNN网络输出目标的位置信息从目标图像裁切出的图像。应用于列车锁扣丢失故障的识别。

技术领域

本发明属于图像检测技术领域，具体涉及一种列车锁扣丢失故障检测方法、系统及装置。

背景技术

锁扣是列车的锁紧装置，一旦锁扣发生脱落，列车裙板则可能产生震荡、松动乃至脱落的现象，危及人身安全、造成重大损失。为保证列车平稳、安全运行，需对锁扣情况进行识别检测，一旦发现脱落现象，则需立即处理。目前采用人工检查图像的方式对锁扣进行故障检查，而检车人员在工作过程中极易出现疲劳、遗漏等情况，造成漏检、错检的出现，影响行车安全，且锁扣数量较多，人工查验的效率低下，故障检查需要耗费大量时间。

随着深度学习网络技术的发展，深度学习网络已经能够在多个领域实现识别和检测，但是将由于列车锁扣比较小，图像识别领域常用的算法并不能取得较好的识别效果。例如，SSD等one-stage算法虽然检测速度很快，但在小目标检测方面表现不佳，因此并不适用；而诸如faster R-CNN等two-stage算法虽然对小目标的检测效果较好，但由于锁扣具有的特殊性，仍不能通过一个网络结构实现故障的精准识别，必须堆叠两层网络，第一层网络定位出目标，根据目标位置截取并保存尺寸较小、目标占比较大的中间结果图片，输入给第二层网络进行精准分类，确定有无故障及故障类型等。但two-stage算法由于其结构特点，本身耗时便相对较长，堆叠两层后所需时间更长，对于整列列车锁扣故障识别这类数据量大的问题，其时间成本过高，难以接受。

发明内容

本发明的目的是为解决人工检测方法存在遗漏率高、误检率高的问题，以及现有的深度学习检测方法存在检测精度低或者时间长的问题。

一种列车锁扣丢失故障检测方法，包括以下步骤：

获得待检测的目标图像；利用滑窗对目标图像进行裁切提取获得一组图像序列；

将图像序列输入特征提取网络进行特征提取，然后利用预测神经网络进行检测，得到故障位置信息和故障类别信息；

所述的预测神经网络包括一个RNN网络；

所述RNN网络的输入为特征提取网络提取到的特征，输出目标图像中目标的类别和位置信息；RNN的网络如下：

将特征提取网络的输出作为RNN的网络输入数据，输入数据输入用于对特征提取网络输出的数据进行处理的全连接层，用于对特征提取网络输出的数据进行处理的全连接层分别连接两个方向相反的LSTM层，两个方向相反的LSTM层即双向LSTM，两个方向相反的LSTM层各自连接一个全连接层，两个方向相反的LSTM层分别对应一个全连接层，分别记为用于对LSTM层输出的数据进行处理的全连接层，两个用于对LSTM层输出的数据进行处理的全连接层各自连接一个GRU层，两个GRU层的方向相反，即双向GRU，所述的双向LSTM中的LSTM层与双向GRU中各自对应的GRU层的方向相反；输入双向GRU之前的数据和双向GRU的输出数据同时输入Attention层；

基于目标对应的位置信息和类别信息，确定故障的位置信息和类别信息。

进一步地，所述的预测神经网络还包括一个faster R-CNN网络；faster R-CNN网络输入为裁剪目标图像从目标图像裁切出的图像；faster R-CNN网络输出为目标对应的位置信息和类别信息；