【技术实现步骤摘要】
一种脱轨自动制动拉环脱落故障图像识别方法
本专利技术涉及货运列车检测
，具体为一种脱轨自动制动拉环脱落故障图像识别方法。
技术介绍
脱轨自动制动装置在多起铁路货车脱轨事故中有效地发挥了作用，大大降低了脱轨造成的损失，以前的故障检测方式为人眼查看，但是脱轨自动制动拉环位于货车底部，受限于视觉角度，检车人员在检查过程中极易发生漏检、错检的现象，严重威胁货车的运行安全。因此，为了推动铁路运输自动化程度的快速发展，解决人工检测方式存在的成本高、效率低、以及准确率低的问题，实现货车故障检测的自动化具有重大的现实意义。
技术实现思路
本专利技术的目的是：为了解决现有人工检测方式存在识别精度低问题，提出一种脱轨自动制动拉环脱落故障图像识别方法。本专利技术为了解决上述技术问题采取的技术方案是：一种脱轨自动制动拉环脱落故障图像识别方法，包括以下步骤：步骤一、采集铁路货车图像，从采集的铁路货车图像中确定脱轨自动制动拉环区域，并提取出脱轨自动制动拉环区域图像；利用提取出的图像构建训练集；<...
【技术保护点】
1.一种脱轨自动制动拉环脱落故障图像识别方法，其特征在于包括以下步骤：/n步骤一、采集铁路货车图像，从采集的铁路货车图像中确定脱轨自动制动拉环区域，并提取出脱轨自动制动拉环区域图像；利用提取出的图像构建训练集；/n步骤二、构建U-Net网络模型，利用训练集对构建的U-Net网络模型进行训练，获得训练好的深度学习模型；/n步骤三、将待测图像输入训练好的U-Net网络模型，进行脱轨自动制动拉环脱落的判定。/n
【技术特征摘要】
1.一种脱轨自动制动拉环脱落故障图像识别方法，其特征在于包括以下步骤：
步骤一、采集铁路货车图像，从采集的铁路货车图像中确定脱轨自动制动拉环区域，并提取出脱轨自动制动拉环区域图像；利用提取出的图像构建训练集；
步骤二、构建U-Net网络模型，利用训练集对构建的U-Net网络模型进行训练，获得训练好的深度学习模型；
步骤三、将待测图像输入训练好的U-Net网络模型，进行脱轨自动制动拉环脱落的判定。
2.根据权利要求1所述的一种脱轨自动制动拉环脱落故障图像识别方法，其特征在于：所述步骤一中采集铁路货车图像，从采集的铁路货车图像中确定脱轨自动制动拉环区域，并提取出脱轨自动制动拉环区域图像；利用提取出的图像构建训练集；具体过程为：
步骤一一、采集铁路货车图像，从采集的铁路货车图像中确定脱轨自动制动拉环区域，并提取出脱轨自动制动拉环区域图像；
步骤一二、对脱轨自动制动拉环区域图像做对比度增强处理，得到脱轨自动制动拉环增强后的图像；
步骤一三、对灰度图像进行旋转、随机裁剪、水平翻转、竖直翻转、拉伸和缩放方法中的一种或几种对图像进行扩增，获得扩增后的全部图像；
步骤一四、用标记工具对步骤一三中扩增后的图像中的拉环轮廓进行标记并生成对应的二值图像，标记后的图像和步骤一三中扩增后的图像组成样本训练集。
3.根据权利要求1所述的一种脱轨自动制动拉环脱落故障图像识别方法，其特征在于：所述步骤二中构建U-Net网络模型，利用训练集对构建的U-Net网络模型进行训练，获得训练好的深度学习模型的具体步骤为：
步骤二一、构建U-Net网络模型：
U-Net网络包括一个收缩路径和一个扩张路径，收缩路径用于捕捉图片中的上下文信息，扩张路径用于对图片中所需要分割出来的部分进行精准定位，
所述收缩路径包括：第一层：64通道卷积层、ReLU激活函数、后接池化层；第二层：128通道卷积层、ReLU激活函数、后接池化层；第三层：256通道卷积层、ReLU激活函数、后接池化层；
所述扩张路径包括：第一层：上采样、256通道卷积层、ReLU激活函数；第二层：上采样、128通道卷积层、ReLU激活函数；第三层：上采样、64通道卷积层、ReLU激活函数；
步骤二二、利用训练集对构建的U-Net网络模型进行训练，获得训练好的深度学习模型；具体过程为：
训练集图像作为收缩路径中64通道卷积层的输入，从64通道卷积层的输出层输出，64通道卷积层的输出经过ReLU激活函数后，作为第一池化层的输入，从第一池化层的输出层输出，完成第一个下采样；
第一池化层的输出作为收缩路径中128通道卷积层的输入，从128通道卷积层的输出层输出，128通道卷积层的输出经过ReLU激活函数后，作为第二池化层的输入，从第二池化层的输出层输出，完成第二个下采样；
第二池化层的输出作为收缩路径中256通道卷积层的输入，从256通道卷积层的输出层输出，256通道卷积层的输出经过ReLU激活函数后，作为第三池化层的输入...
【专利技术属性】
技术研发人员：于洋，
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;23
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。