【技术实现步骤摘要】
本专利技术涉及图像识别，具体为基于深度学习与计算几何的铁路货车承载鞍错位检测方法。
技术介绍
1、承载鞍在铁道车辆转向架组件中有着非常重要的作用，转向架两侧的侧架就是依靠导框和承载鞍来定位，同时由于承载鞍与轴箱之间的配合，从而将车轮的转动转化为车体沿轨道的直线运动，并将车体的载荷传递到车轴和车轮，最终传递到轨道上。
2、铁路货车的承载鞍部件在车辆运行时，会由于车辆载荷大、速度过快、车身震动或其他原因造成此部件发生偏转错位故障，危及铁路运行安全。
3、目前通常采用手工检测和机械接触式检测等检测手段对承载鞍进行检测，但由于雨雪、大雾等天气因素或其他不确定因素导致的承载鞍图像成像质量下降，采用传统特征提取方法进行承载鞍错位检测，会造成承载鞍识别准确率下降的问题。
技术实现思路
1、本专利技术的目的是：针对现有技术中由于雨雪、大雾等天气因素或其他不确定因素导致的承载鞍图像成像质量下降，采用传统特征提取方法进行承载鞍错位检测，会造成承载鞍识别准确率下降的问题，提出基于深度学习与计算几何的铁路货车承载鞍错位检测方法。
2、本专利技术为了解决上述技术问题采取的技术方案是：
3、基于深度学习与计算几何的铁路货车承载鞍错位检测方法，包括以下步骤：
4、步骤一：获取包含承载鞍的铁路货车线阵图像，并将线阵图像转化为灰度图像，之后，对灰度图像进行数据扩增；
5、步骤二：将数据扩增后的灰度图像中承载鞍的边缘进行标注，得到标注图像，并利用
6、步骤三：将待测图像输入训练好的神经网络，得到输出的承载鞍图像，并根据输出的承载鞍图像判断承载鞍是否发生错位故障，具体步骤为：
7、步骤三一：将待测图像输入训练好的神经网络，得到输出的承载鞍图像，并获取承载鞍图像的mask图，之后对mask图进行二值化，得到承载鞍轮廓点集，并基于承载鞍轮廓点集，得到轮廓几何形状p1；
8、步骤三二：对轮廓几何形状p1进行如下处理：
9、首先，通过graham扫描法对轮廓点集进行处理，得到承载鞍的凸包点集，并根据承载鞍的凸包点集，确定承载鞍的凸包四个角点的坐标，四个角点包括左下角、右下角、左上角以及右上角，之后，根据承载鞍的凸包左下角的坐标以及右下角的坐标，得到斜率k1，根据承载鞍的凸包左上角的坐标以及右上角的坐标，得到斜率k2；
10、步骤三三：使用douglas-peucker方法对轮廓点集执行逼近操作，得到斜率k3，具体步骤为：
11、步骤三三一：获取轮廓点集中距离最远的两个点；
12、步骤三三二：设定距离阈值；
13、步骤三三三：遍历轮廓点集中各点到步骤三三一中两点构成的直线的距离值，找出距离值最大的点，若该点与直线距离值不小于步骤三三二中的阈值，则保留该点，否则，将该点在轮廓点集中舍弃，且不再参与后续的距离计算；
14、步骤三三四：基于步骤三三三保留的点，并按照轮廓顺序进行连接，得到轮廓几何形状p2；
15、步骤三三五：对轮廓几何形状p2进行如下处理：
16、首先，通过graham扫描法对轮廓点集进行处理，得到承载鞍的凸包点集，并根据承载鞍的凸包点集，确定承载鞍的左上角的坐标以及右上角的坐标，并根据左上角的坐标以及右上角的坐标，得到斜率k3；
17、步骤三四：利用斜率k1、斜率k2以及斜率k3,计算承载鞍最终斜率，承载鞍最终斜率表示为：
18、
19、其中，h、w分别表示未调整尺寸前承载鞍子图像的原始宽、高，α、β、γ表示可适当调整的加权权重，kf表示最终斜率；
20、步骤三五：判断承载鞍最终斜率是否超过设定阈值，若承载鞍最终斜率超过设定的阈值，则认为承载鞍发生错位故障，否则，认为承载鞍未发生错位故障。
21、进一步的，神经网络为mask rcnn。
22、进一步的，maskrcnn包括resnet-101、fpn以及rpn；
23、resnet-101为backbone，resnet-101用于提取输入图像的特征，得到特征图；
24、fpn用于接收来自resnet-101提取的特征图，并使用fpn特征金字塔对特征图进行特征融合处理；
25、rpn用于将融合处理后的特征进行处理，得到建议框，之后，将特征图与其对应的建议框输入htc roi head中，承载鞍的最终预测结果。
26、进一步的，resnet-101包括五个stage，五个stage具体执行如下步骤：
27、stage0：
28、图像输入到resnet-101网络中进入第一层卷积层，第一卷积层包括64个尺寸为7*7、步长为2的卷积核，对输入图像进行zero padding填充操作后，进行卷积，输出一个尺寸为256*256，64通道的特征图，之后，特征图依次经过bn层和relu激励层处理，再将特征图输入最大池化层，最大池化层使用尺寸为3*3、步长为2的池化核，最大池化层对输入的特征图进行zero padding后进行池化，输出128*128、64通道的特征图，记为c1；
29、stage1：
30、将c1记为输入图像stage0_0，将stage0_0输入stage1的残差结构，stage1的残差结构包括三个bottleneck残差块构成，stage0_0输入stage1的残差结构后，进入第一个bottleneck残差块，首先经过一层卷积核大小为1*1、步长为1，通道数为64的c1层，然后经过bn层标准化，再经过relu非线性激活，接着输入到卷积核大小为3*3、步长为1，通道数为64的c2层，然后经过bn层标准化，再经过relu非线性激活，接着输入到卷积核大小为1*1、步长为1，通道数为256的c3层，然后通过bn层得到输出特征图，记为stage0_1，之后将stage0_0用1*1的卷积层升维至与stage0_1相同的通道数，再经过bn层后，与stage0_1融合得到输出结果，输出结果作为第二个bottleneck残差块的输入，重复上述步骤，得到第三个bottleneck残差块输出的128*128，256通道的特征图，记为c2；
31、stage2：
32、将c2输入stage2的残差结构，stage2的残差结构包括四个bottleneck残差块构成，c2输入stage2的残差结构后，进入第一个bottleneck残差块，首先经过一层卷积核大小为1*1、步长为1，通道数为128的c1层，然后经过bn层标准化，再经过relu非线性激活，接着输入到卷积核大小为3*3、步长为1，通道数为128的c2层，然后经过bn层标准化，再经过relu非线性激活，接着输入到卷积核大小为1*1、步长为1，通道数为512的c3层，然后通过bn层得到输本文档来自技高网...
【技术保护点】
1.基于深度学习与计算几何的铁路货车承载鞍错位检测方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于深度学习与计算几何的铁路货车承载鞍错位检测方法，其特征在于所述神经网络为maskrcnn。
3.根据权利要求2所述的基于深度学习与计算几何的铁路货车承载鞍错位检测方法，其特征在于所述maskrcnn包括ResNet-101、FPN以及RPN；
4.根据权利要求3所述的基于深度学习与计算几何的铁路货车承载鞍错位检测方法，其特征在于所述ResNet-101包括五个stage，五个stage具体执行如下步骤：
5.根据权利要求4所述的基于深度学习与计算几何的铁路货车承载鞍错位检测方法，其特征在于所述stage0中，图像输入尺寸与输出尺寸的映射关系表示为：
6.根据权利要求5所述的基于深度学习与计算几何的铁路货车承载鞍错位检测方法，其特征在于所述上采样操作使用双线性插值算法进行，双线性插值算法表示为：
7.根据权利要求1所述的基于深度学习与计算几何的铁路货车承载鞍错位检测方法，其特征在于所述包含承载鞍的铁路货
8.根据权利要求1所述的基于深度学习与计算几何的铁路货车承载鞍错位检测方法，其特征在于所述灰度图像的长宽比为1:1。
9.根据权利要求1所述的基于深度学习与计算几何的铁路货车承载鞍错位检测方法，其特征在于所述数据扩增包括：直方图均衡化、亮度调整、gamma对比度调整以及镜像翻转。
10.根据权利要求1所述的基于深度学习与计算几何的铁路货车承载鞍错位检测方法，其特征在于所述训练集为coco数据集格式。
...【技术特征摘要】
1.基于深度学习与计算几何的铁路货车承载鞍错位检测方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于深度学习与计算几何的铁路货车承载鞍错位检测方法，其特征在于所述神经网络为maskrcnn。
3.根据权利要求2所述的基于深度学习与计算几何的铁路货车承载鞍错位检测方法，其特征在于所述maskrcnn包括resnet-101、fpn以及rpn；
4.根据权利要求3所述的基于深度学习与计算几何的铁路货车承载鞍错位检测方法，其特征在于所述resnet-101包括五个stage，五个stage具体执行如下步骤：
5.根据权利要求4所述的基于深度学习与计算几何的铁路货车承载鞍错位检测方法，其特征在于所述stage0中，图像输入尺寸与输出尺寸的映射关系表示为：
6....
【专利技术属性】
技术研发人员：姜澎，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。