一种基于卷积神经网络的铁路货车车辆钩舌裂纹识别方法技术

本发明专利技术公开一种基于卷积神经网络的铁路货车车辆钩舌裂纹识别方法，包括摄像机和工控机，摄像机和工控机电连接，还包括边缘计算机，边缘计算机与工控机电连接；钩舌裂纹识别方法具体步骤为：网络模型的构建；图片样本的收集；模型参数的训练；钩舌裂纹识别。本发明专利技术将人工智能和神经网络的前沿技术应用于钩舌裂纹的识别上，基于卷积神经网络的深度学习算法，构建特征提取和图像分割模型，通过对已知的图片进行人工标注，并将图片和标注信息输入网络模型进行特征训练，从而得到满足检测准确率要求的网络参数；检测精度和检测效率两方面均得到很大的提升，从而提高经济效益。从而提高经济效益。从而提高经济效益。

【技术实现步骤摘要】
一种基于卷积神经网络的铁路货车车辆钩舌裂纹识别方法


[0001]本专利技术涉及一种裂纹识别方法，具体涉及一种基于卷积神经网络的铁路货车车辆钩舌裂纹识别方法。

技术介绍

[0002]钩舌是用来实现机车和铁路货车车辆或铁路货车车辆和铁路货车车辆之间的连挂，传递牵引力及冲击力，并使车辆之间保持一定距离的车辆部件。钩舌虽小但是其所起的作用却不容忽视，定期对钩舌进行检查是非常必要的。正常情况下，钩舌出现的问题以钩舌裂纹为主，钩舌裂纹一般位于零件的结构受力处,其特点是多点散发，无特定规律性，裂纹会对钩舌的强度和行车安全构成影响，严重的情况下会发生安全事故。
[0003]当前车辆检修人员识别钩舌裂纹的方法以人工肉眼检查为主，辅助以传统的识别算法；传统的识别算法对于这种零散和无特定规律的裂纹识别效果很不理想，误检率高，因此安全隐患较大；而人工检查的方式效率低下，主观性大，受经验影响较大，经验欠丰富的检修人员容易出错。

技术实现思路

[0004]针对上述现有技术存在的问题，本专利技术提供一种基于卷积神经网络的铁路货车车辆钩舌裂纹识别方法，检测精度和检测效率两方面均得到很大的提升。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于卷积神经网络的铁路货车车辆钩舌裂纹识别方法，包括摄像机和工控机，摄像机和工控机电连接；还包括边缘计算机，边缘计算机与工控机电连接；钩舌裂纹识别方法包括以下步骤：
[0006]步骤一，网络模型的构建；
[0007]步骤二，图片样本的收集；
[0008]步骤三，模型参数的训练；
[0009]步骤四，钩舌裂纹识别。
[0010]进一步的，所述步骤一中网络模型是针对裂纹的特点而构建的，经过Conv1、Conv2、Conv3三层不同大小尺度的卷积层，提取到不同大小的中间特征，然后经过转置卷积层得到和输入相同大小的，通道数据为分类数目的输出张量，最后对输出沿分类方向作Softmax得到某个点的分类结果。
[0011]进一步的，所述步骤二中收集的图片样本，在每张图片样本上进行标注，利用多边形将图片样本中的真实裂纹进行框选，并保存成符合模型输入的格式。
[0012]进一步的，所述步骤三中模型参数的训练为求解最优参数的过程，用极大似然估计可表示为如下表达式：θ
t
＝argmax∑
i
logP
θ
(X
i
)；其中，P
θ
(X)为模型，θ为参数，θ
t
为最优参数，X
i
为输入值；给定输入值X
i
，得到一组目标值Y
i
，利用上式计算得到概率分布值，并由此计算损失函数，调整参数θ，使损失函数慢慢变小。
[0013]进一步的，所述步骤四中钩舌裂纹识别的图片由摄像机拍摄而来，摄像机将拍摄
的钩舌图片经工控机传输至边缘计算机中并由模型对钩舌图片进行裂纹识别。
[0014]进一步的，所述工控机将模型进行转换，先转换为通用格式onnx神经网络模型，然后再转换为边缘计算机可运行的模型。
[0015]进一步的，还包括声光报警系统，声光报警系统与工控机电连接。
[0016]与现有技术相比，本专利技术将人工智能和神经网络的前沿技术应用于钩舌裂纹的识别上，基于卷积神经网络的深度学习算法，构建特征提取和图像分割模型，通过对已知的图片进行人工标注，并将图片和标注信息输入网络模型进行特征训练，从而得到满足检测准确率要求的网络参数；检测精度和检测效率两方面均得到很大的提升，从而提高经济效益。
附图说明
[0017]图1为本专利技术结构框图；
[0018]图2为本专利技术图片样本图；
[0019]图3为本专利技术实测结果图。
具体实施方式
[0020]下面结合附图对本专利技术作进一步说明。
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0022]如图1所示，本专利技术提供一种技术方案，基于卷积神经网络的铁路货车车辆钩舌裂纹识别方法，包括摄像机，工控机和边缘计算机，摄像机和工控机电连接，边缘计算机与工控机电连接；钩舌裂纹识别方法基于卷积神经网络(CNN)的深度学习算法,构建特征提取和图像分割模型，通过对已知的图片进行人工标注,并将图片和标注信息输入网络模型进行特征训练,从而得到满足检测准确率要求的网络参数，包括以下步骤。
[0023]网络模型的构建：针对裂纹的特点构建网络模型，图像的卷积是利用一定大小的卷积核对图像进行滤波，从而获得图像的局部特征的一个过程，卷积核尺寸的大小决定了所提取到的特征的大小；本专利技术经过Conv1、Conv2、Conv3三层不同大小尺度的卷积层，提取到不同大小的中间特征，然后经过转置卷积层得到和输入相同大小的，通道数据为分类数目的输出张量，最后对输出沿分类方向作Softmax得到某个点的分类结果。
[0024]图片样本的收集：如图2所示，为了能使模型的准确度达到比较高的水平，尽可能多的收集图片样本，在每张图片样本上进行标注，利用多边形将图片样本中的真实裂纹进行框选，并保存成符合模型输入的格式。由于样本数据集的数量有限，一般需要对样本数据集进行增强处理，所谓增强，实际就是对样本进行放大或缩小，又或者进行角度的旋转，以生成更多不同尺度和方位的样本数据集,以增强模型的泛化性能。
[0025]模型参数的训练：模型是一个概率分布函数P
θ
(X)，θ表示n个参数θ1，θ2，
…
，θ
n
，训练的过程就是求解最优参数θ
t
使得P
θ
(X)最大的过程，用极大似然估计可表示为如下表达式：θ
t
＝argmax∑
i
logP
θ
(X
i
)；其中，P
θ
(X)为模型，θ为参数，θ
t
为最优参数，X
i
为输入值；给定输入值X
i
，得到一组目标值Y
i
，利用上述的极大似然估计表达式得到概率分布值，并由此计
算损失函数。一般用L2模损失函数来进行损失计算，调整参数，使损失函数慢慢变小。
[0026]钩舌裂纹识别：经过训练后的模型，可用于钩舌图片裂纹识别，深度学习的模型由于运算量非常巨大，直接进行运算的话其计算的速度会非常慢，不利于实际场合的使用，因此增设边缘计算机，钩舌裂纹识别的图片由摄像机拍摄而来，摄像机将拍摄的钩舌图片经工控机传输至边缘计算机中，本专利技术模型的编码和训练都在工控机上进行,使用Pytorch深度学习框架进行编程,使用的是Python编程语言，训练最终生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的铁路货车车辆钩舌裂纹识别方法，包括摄像机和工控机，摄像机和工控机电连接，其特征在于，还包括边缘计算机，边缘计算机与工控机电连接；钩舌裂纹识别方法包括以下步骤：步骤一，网络模型的构建；步骤二，图片样本的收集；步骤三，模型参数的训练；步骤四，钩舌裂纹识别。2.根据权利要求1所述的一种基于卷积神经网络的铁路货车车辆钩舌裂纹识别方法，其特征在于，所述步骤一中网络模型是针对裂纹的特点而构建的，经过Conv1、Conv2、Conv3三层不同大小尺度的卷积层，提取到不同大小的中间特征，然后经过转置卷积层得到和输入相同大小的，通道数据为分类数目的输出张量，最后对输出沿分类方向作Softmax得到某个点的分类结果。3.根据权利要求1所述的一种基于卷积神经网络的铁路货车车辆钩舌裂纹识别方法，其特征在于，所述步骤二中收集的图片样本，在每张图片样本上进行标注，利用多边形将图片样本中的真实裂纹进行框选，并保存成符合模型输入的格式。4.根据权利要求1所述的一种基于卷积神经网络的铁路货车车辆钩舌裂纹识别方法，其特征在于，所述步骤三中模型参数的训练为求解最优参数的过程，用极大似然估计可表示为如下表达式：θ

【专利技术属性】
技术研发人员：杨兵，郜雪荣，冯立明，戴顺利，张彪，董双来，袁春健，史陇平，周顺，阮益明，王译，
申请(专利权)人：西安永安磁粉探伤科技有限公司四川主从科技有限公司，
类型：发明
国别省市：