一种铁路货车渡板脱落的故障识别方法技术

一种铁路货车渡板脱落的故障识别方法，本发明专利技术涉及铁路货车渡板脱落的故障识别方法。本发明专利技术的目的是为了解决现有方法故障检测准确率以及效率低的问题。过程为：一、采集原始图像数据；二、获得包含渡板部位样本图像；三、标记渡板、车体及三角底座三类；四、获取分割图像数据集；五、将目标边缘画到掩膜图像上；当目标边缘处于掩膜图像四周边界时，将目标边缘处的掩膜图像设置为0；否则将目标边缘处的掩膜图像设置为255，对掩膜图像进行膨胀得到边缘图像；六、获取边缘图像数据集；七、搭建边缘检测网络；八、搭建实例分割网络；九、得到分割网络；十、利用分割网络进行铁路货车渡板脱落故障判别。本发明专利技术属于故障图像识别领域。

【技术实现步骤摘要】
一种铁路货车渡板脱落的故障识别方法
本专利技术涉及铁路货车渡板脱落的故障识别方法。
技术介绍
在铁路安全方向，传统的方法为探测设备拍到照片后，通过人工观察找到列车的故障点所在。这种方法可以在车行进中进行故障检测，而无需停靠。但是使用人工观察存在易疲劳、强度大、需要培训等缺点。现阶段越来越多的事情可以由机器来代替人工，机器具有成本低，规则统一，24小时无疲劳的特点，所以使用图像识别技术代替传统的人工检测，具有可行性。渡板脱落需要根据距离判断故障，人眼很难准确地判断出距离的大小，且不同站点拍摄出的目标大小不一使得人眼检测难度更大。使用传统的图像算法对于不同站点不同图像需要大量的调试。故使用深度学习神经网络的方法进行故障识别，可以根据故障标准进行准确识别。
技术实现思路
本专利技术的目的是为了解决现有人工故障检测方法所存在的故障检测的准确率以及效率低的问题，而提出一种铁路货车渡板脱落的故障识别方法。本专利技术为解决上述技术问题所采取的技术方案是：一种铁路货车渡板脱落的故障识别方法具体过程为：步骤一、采集原始图像数据；步骤二、基于步骤一采集的原始图像数据，获得包含渡板部位样本图像；步骤三、使用标签对步骤二获得的包含渡板部位样本图像进行标记，标记渡板、车体及三角底座三类；步骤四、获取分割图像数据集：将步骤二获得的包含渡板部位样本图像及步骤三标签标记的渡板、车体及三角底座图像一一对应；步骤五、将步骤三标签标记的渡板、车体及三角底座图像转化为二值图像；对二值图像进行边缘查找，找到像素值为255的目标边缘，创建与步骤二获得的包含渡板部位样本图像相同大小的像素全为0的掩膜图像，将目标边缘画到掩膜图像上；当目标边缘处于掩膜图像四周边界时，将目标边缘处的掩膜图像设置为0；当目标边缘不处于掩膜图像四周边界时，将目标边缘处的掩膜图像设置为255，对画好的掩膜图像进行膨胀得到边缘图像；步骤六、获取边缘图像数据集：将步骤二获得的包含渡板部位样本图像及步骤五膨胀后的掩膜图像一一对应；步骤七、搭建边缘检测网络；步骤八、搭建实例分割网络；步骤九、基于边缘图像数据集和分割图像数据集对边缘检测网络和实例分割网络进行训练，得到分割网络；步骤十、利用分割网络进行铁路货车渡板脱落故障判别。可选的，步骤一中采集原始图像数据；具体过程为：在固定的探测站点搭建成像设备，获取货车2D线阵灰度图像，选取货车侧部上方相机拍摄图像作为原始图像；获取不同站点不同条件拍摄的原始图像。可选的，步骤二中基于步骤一采集的原始图像数据，获得包含渡板部位样本图像；具体过程为：根据先验知识及轴距信息，对原始图像进行截取，获得包含渡板部位样本图像。可选的，步骤七中搭建边缘检测网络；具体过程为：边缘检测网络包括第一卷积层、第二卷积层、第一最大池化层、第三卷积层、第四卷积层、第二最大池化层、第五卷积层、第六卷积层、第三最大池化层、第七卷积层、第八卷积层、第四最大池化层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层、softmax层；第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层的卷积核大小为3*3；第十一卷积层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层的卷积核大小为1*1。可选的，边缘检测网络的连接关系表征如下：边缘检测网络的第一卷积层的输出端连接第二卷积层的输入端，第二卷积层的输出端连接第一最大池化层的输入端，第一最大池化层的输出端连接第三卷积层的输入端，第三卷积层的输出端连接第四卷积层的输入端，第四卷积层的输出端连接第二最大池化层的输入端，第二最大池化层的输出端连接第五卷积层的输入端，第五卷积层的输出端连接第六卷积层的输入端，第六卷积层的输出端连接第三最大池化层的输入端，第三最大池化层的输出端连接第七卷积层的输入端，第七卷积层的输出端连接第八卷积层的输入端，第八卷积层的输出端连接第四最大池化层的输入端，第四最大池化层的输出端连接第九卷积层的输入端，第九卷积层的输出端连接第十卷积层的输入端；对第一卷积层、第二卷积层的输出求和，后接第十一卷积层，对第十一卷积层的输出进行1倍上采样，得到对第十一卷积层的输出进行上采样的结果；对第三卷积层、第四卷积层的输出求和，后接第十二卷积层，对第十二卷积层的输出进行2倍上采样，得到对第十二卷积层的输出进行上采样的结果；对第五卷积层、第六卷积层的输出求和，后接第十三卷积层，对第十三卷积层的输出进行4倍上采样，得到对第十三卷积层的输出进行上采样的结果；对第七卷积层、第八卷积层的输出求和，后接第十四卷积层，对第十四卷积层的输出进行8倍上采样，得到对第十四卷积层的输出进行上采样的结果；对第九卷积层、第十卷积层的输出求和，后接第十五卷积层，对第十五卷积层的输出进行16倍上采样，得到对第十五卷积层的输出进行上采样的结果；将得到的对第十一卷积层的输出进行上采样的结果、对第十二卷积层的输出进行上采样的结果、对第十三卷积层的输出进行上采样的结果、对第十四卷积层的输出进行上采样的结果、对第十五卷积层的输出进行上采样的结果进行拼接操作，输出结果经过第十六卷积层，第十六卷积层输出结果经过softmax得到边缘检测特征图B2。可选的，步骤八中搭建实例分割网络；具体过程为：实例分割网络包括第十七卷积层、第十八卷积层、第十九卷积层、第二十卷积层、第二十一卷积层、第二十二卷积层、第二十三卷积层、第二十四卷积层、第二十五卷积层、第二十六卷积层、第二十七卷积层、第二十八卷积层、第二十九卷积层、第三十卷积层、第三十一卷积层、ROIAlign层、全连接层。可选的，步骤九中基于边缘图像数据集和分割图像数据集对边缘检测网络和实例分割网络进行训练，得到分割网络；具体过程为：将步骤六获取的边缘图像数据集输入边缘检测网络进行训练，得到训练好的边缘检测网络对应的权重，输出边缘检测特征图B2；将步骤四获取分割图像数据集输入实例分割网络进行训练，直至收敛，得到训练好的实例分割网络，输出实例分割网络特征图B1；具体为：将步骤四获取分割图像数据集输入实例分割网络的第十七卷积层，第十七卷积层输出的特征图输入第十八卷积层，第十八卷积层输出的特征图进行0.5倍的下采样得到特征图F1，将下采样特征图F1输入第十九卷积层，第十九卷积层输出的特征图输入第二十卷积层，第二十卷积层输出的特征图进行0.5倍的下采样得到特征图F2，将下采样特征图F2输入第二十一卷积层，第二十一卷积层输出的特征图输入第二十二卷积层，第二十二卷积层输出的特征图进行0.5倍的下采样得到特征图F3，将下采样特征图F3输入第二十三卷积层，第二十三卷积层输出的特征图输入第二十四卷积层，第二十四卷积层输出的特征图进行0.5倍的下采本文档来自技高网...

【技术保护点】
1.一种铁路货车渡板脱落的故障识别方法，其特征在于，该方法包括以下步骤：/n步骤一、采集原始图像数据；/n步骤二、基于步骤一采集的原始图像数据，获得包含渡板部位样本图像；/n步骤三、使用标签对步骤二获得的包含渡板部位样本图像进行标记，标记渡板、车体及三角底座三类；/n步骤四、获取分割图像数据集：/n将步骤二获得的包含渡板部位样本图像及步骤三标签标记的渡板、车体及三角底座图像一一对应；/n步骤五、将步骤三标签标记的渡板、车体及三角底座图像转化为二值图像；/n对二值图像进行边缘查找，找到像素值为255的目标边缘，创建与步骤二获得的包含渡板部位样本图像相同大小的像素全为0的掩膜图像，将目标边缘画到掩膜图像上；/n当目标边缘处于掩膜图像四周边界时，将目标边缘处的掩膜图像设置为0；/n当目标边缘不处于掩膜图像四周边界时，将目标边缘处的掩膜图像设置为255，对画好的掩膜图像进行膨胀得到边缘图像；/n步骤六、获取边缘图像数据集：/n将步骤二获得的包含渡板部位样本图像及步骤五膨胀后的掩膜图像一一对应；/n步骤七、搭建边缘检测网络；/n步骤八、搭建实例分割网络；/n步骤九、基于边缘图像数据集和分割图像数据集对边缘检测网络和实例分割网络进行训练，得到分割网络；/n步骤十、利用分割网络进行铁路货车渡板脱落故障判别。/n...

【技术特征摘要】
1.一种铁路货车渡板脱落的故障识别方法，其特征在于，该方法包括以下步骤：
步骤一、采集原始图像数据；
步骤二、基于步骤一采集的原始图像数据，获得包含渡板部位样本图像；
步骤三、使用标签对步骤二获得的包含渡板部位样本图像进行标记，标记渡板、车体及三角底座三类；
步骤四、获取分割图像数据集：
将步骤二获得的包含渡板部位样本图像及步骤三标签标记的渡板、车体及三角底座图像一一对应；
步骤五、将步骤三标签标记的渡板、车体及三角底座图像转化为二值图像；
对二值图像进行边缘查找，找到像素值为255的目标边缘，创建与步骤二获得的包含渡板部位样本图像相同大小的像素全为0的掩膜图像，将目标边缘画到掩膜图像上；
当目标边缘处于掩膜图像四周边界时，将目标边缘处的掩膜图像设置为0；
当目标边缘不处于掩膜图像四周边界时，将目标边缘处的掩膜图像设置为255，对画好的掩膜图像进行膨胀得到边缘图像；
步骤六、获取边缘图像数据集：
将步骤二获得的包含渡板部位样本图像及步骤五膨胀后的掩膜图像一一对应；
步骤七、搭建边缘检测网络；
步骤八、搭建实例分割网络；
步骤九、基于边缘图像数据集和分割图像数据集对边缘检测网络和实例分割网络进行训练，得到分割网络；
步骤十、利用分割网络进行铁路货车渡板脱落故障判别。


2.根据权利要求1所述一种铁路货车渡板脱落的故障识别方法，其特征在于：所述步骤一中采集原始图像数据；具体过程为：
在固定的探测站点搭建成像设备，获取货车2D线阵灰度图像，选取货车侧部上方相机拍摄图像作为原始图像；获取不同站点不同条件拍摄的原始图像。


3.根据权利要求2所述一种铁路货车渡板脱落的故障识别方法，其特征在于：所述步骤二中基于步骤一采集的原始图像数据，获得包含渡板部位样本图像；具体过程为：
根据先验知识及轴距信息，对原始图像进行截取，获得包含渡板部位样本图像。


4.根据权利要求3所述一种铁路货车渡板脱落的故障识别方法，其特征在于：所述步骤七中搭建边缘检测网络；具体过程为：
边缘检测网络包括第一卷积层、第二卷积层、第一最大池化层、第三卷积层、第四卷积层、第二最大池化层、第五卷积层、第六卷积层、第三最大池化层、第七卷积层、第八卷积层、第四最大池化层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层、softmax层；
第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层的卷积核大小为3*3；
第十一卷积层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层的卷积核大小为1*1。


5.根据权利要求4所述一种铁路货车渡板脱落的故障识别方法，其特征在于：所述边缘检测网络的连接关系表征如下：
边缘检测网络的第一卷积层的输出端连接第二卷积层的输入端，第二卷积层的输出端连接第一最大池化层的输入端，第一最大池化层的输出端连接第三卷积层的输入端，第三卷积层的输出端连接第四卷积层的输入端，第四卷积层的输出端连接第二最大池化层的输入端，第二最大池化层的输出端连接第五卷积层的输入端，第五卷积层的输出端连接第六卷积层的输入端，第六卷积层的输出端连接第三最大池化层的输入端，第三最大池化层的输出端连接第七卷积层的输入端，第七卷积层的输出端连接第八卷积层的输入端，第八卷积层的输出端连接第四最大池化层的输入端，第四最大池化层的输出端连接第九卷积层的输入端，第九卷积层的输出端连接第十卷积层的输入端；
对第一卷积层、第二卷积层的输出求和，后接第十一卷积层，对第十一卷积层的输出进行1倍上采样，得到对第十一卷积层的输出进行上采样的结果；
对第三卷积层、第四卷积层的输出求和，后接第十二卷积层，对第十二卷积层的输出进行2倍上采样，得到对第十二卷积层的输出进行上采样的结果；
对第五卷积层、第六卷积层的输出求和，后接第十三卷积层，对第十三卷积层的输出进行4倍上采样，得到对第十三卷积层的输出进行上采样的结果；
对第七卷积层、第八卷积层的输出求和，后接第十四卷积层，对第十四卷积层的输出进行8倍上采样，得到对第十四卷积层的输出进行上采样的结果；
对第九卷积层、第十卷积层的输出求和，后接第十五卷积层，对第十五卷积层的输出进行16倍上采样，得到对第十五卷积层的输出进行上采样的结果；
将得到的对第十一卷积层的输出进行上采样的结果、对第十二卷积层的输出进行上采样的结果、对第十三卷积层的输出进行上采样的结果、对第十四卷积层的输出进行上采样的结果、对第十五卷积层的输出进行上采样的结果进行拼接操作，输出结果经过第十六卷积层，第十六卷积层输出结果连接softmax。


6.根据权利要求5所述一种铁路货车渡板脱落的故障识别方法，其特征在于：所...

【专利技术属性】
技术研发人员：汤岩，
申请(专利权)人：哈尔滨市科佳通用机电股份有限公司，
类型：发明
国别省市：黑龙江;23