[发明专利]铁路货车敞车车门折页折断故障图像识别方法

说明书

一种铁路货车敞车车门折页折断故障图像识别方法，属于敞车车门折页故障诊断领域。本发明针对现有敞车车门折页折断故障识别方法不能兼顾故障无漏报以及误报警数量少，造成故障识别准确率低的问题。包括：建立敞车车门折页数据集，包括无故障敞车车门折页样本和故障敞车车门折页样本；对基于Faster R‑CNN深度学习卷积神经网络模型改进获得的改进后深度学习网络模型进行训练，获得训练后故障诊断模型；获取运行中整列货车图像，进行预处理得到单辆货车的基础层图像与特征层图像，进行加权融合得到单辆货车融合后图像；再定位敞车车门区域，获得所有待识别车门区域图像，输入至训练后故障诊断模型，获得故障识别结果。本发明用于敞车车门折页折断故障识别。

技术领域

本发明涉及铁路货车敞车车门折页折断故障图像识别方法，属于敞车车门折页故障诊断领域。

背景技术

在铁路货车敞车车门折页折断故障检测中，一般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，容易造成漏检、错检的出现，从而影响行车安全。近些年，计算机视觉及人工智能不断发展，采用智能算法进行铁路货车故障检测可提高检测精度，保障列车安全稳定运行。

铁路货车故障检测中敞车车门折页折断故障是一种常发故障，该故障发生后将危及行车安全。因此能够准确的识别该故障至关重要。

敞车车门折页部件在一辆敞车中占较多数量，平均一辆车存在约28个折页部件，平均一列车约150个折页部件。由于一列车的车门折页识别项点较多，现有的自动识别模块既要保证故障无漏报，又需控制误报警数量不能太多，增加了自动识别模块的识别难度，在不能二者兼顾的情况下降低了故障识别的准确率。

发明内容

针对现有敞车车门折页折断故障识别方法不能兼顾故障无漏报以及误报警数量少，造成故障识别准确率低的问题，本发明提供一种铁路货车敞车车门折页折断故障图像识别方法。

本发明的一种铁路货车敞车车门折页折断故障图像识别方法，包括，

步骤一：建立敞车车门折页数据集，所述折页数据集中包括无故障敞车车门折页样本和故障敞车车门折页样本；无故障敞车车门折页样本中标记敞车车门区域、敞车车门折页部件和敞车车门折页锁闭装置部件，故障敞车车门折页样本标记故障区域；

步骤二：采用敞车车门折页数据集对基于Faster R-CNN深度学习卷积神经网络模型改进获得的改进后深度学习网络模型进行训练，获得训练后故障诊断模型；

所述改进后深度学习网络模型包括CNN卷积模块、无相关部件区域筛选模块、RPN网络模块、候选框精确位置逼近模块和候选框所属类别分类模块；

CNN卷积模块用于提取敞车车门折页样本的初级特征图；

无相关部件区域筛选模块用于提取敞车车门折页样本的纹理特征，并根据纹理特征标记敞车车门折页样本的无相关部件区域；

RPN网络模块用于根据无相关部件区域标记剔除初级特征图中的对应区域，并在无相关部件剔除后特征图中提取目标位置侯选框，得到侯选框粗定位特征图；

候选框精确位置逼近模块用于基于初级特征图在侯选框粗定位特征图中确定目标位置精确侯选框，得到目标精确位置；

候选框所属类别分类模块用于基于初级特征图根据侯选框粗定位特征图进行目标分类，得到目标故障分类结果；

步骤三：获取运行中整列货车图像，对整列货车图像进行预处理得到单辆货车的基础层图像与特征层图像，再进行加权融合得到单辆货车融合后图像；由单辆货车融合后图像定位敞车车门区域，获得所有待识别车门区域图像，输入至训练后故障诊断模型，获得故障识别结果。

根据本发明的铁路货车敞车车门折页折断故障图像识别方法，步骤一敞车车门折页数据集的敞车车门折页样本通过对原始样本图像进行数据清洗以及数据扩增后获得。