一种基于深度学习的动车扫石器丢失故障图像识别方法技术

一种基于深度学习的动车扫石器丢失故障图像识别方法，涉及图像识别技术领域，针对现有技术中采用人工的方式检测扫石器丢失故障检测效率及准确率低的问题，包括以下步骤：步骤一：获取动车图像；步骤二：对获取到的动车图像中的扫石器部件区域进行粗定位，组成样本数据集；步骤三：针对粗定位后的动车图像进行矩形框标记，并组成标记信息集；步骤四：将样本数据集与标记信息集进行特征提取，并利用提取后的特征对网络进行训练；步骤五：利用训练好的网络对待测图像进行扫石器故障判断。本发明专利技术利用图像自动识别的方式代替人工检测，提高检测效率、准确率。

【技术实现步骤摘要】
一种基于深度学习的动车扫石器丢失故障图像识别方法
本专利技术涉及图像识别
，具体为一种基于深度学习的动车扫石器丢失故障图像识别方法。
技术介绍
扫石器是用来排除动车在运行过程中可能在铁轨上出现的一些较小的障碍物，来保证列车的行车安全。若扫石器丢失或破损，在列车运行过程中，铁轨上的小石子则可能造成动车脱轨的重大事故。动车的扫石器丢失故障是一种危及行车安全的故障，在以往的故障检测中，采用人工检查图像的方式进行故障检测。人工检修由于劳动强度大，可能造成漏检、错检的出现，影响行车安全，且检测效率及准确率低。
技术实现思路
本专利技术的目的是：针对现有技术中采用人工的方式检测扫石器丢失故障检测效率及准确率低的问题，提出一种基于深度学习的动车扫石器丢失故障图像识别方法。本专利技术为了解决上述技术问题采取的技术方案是：一种基于深度学习的动车扫石器丢失故障图像识别方法，包括以下步骤：步骤一：获取动车图像；步骤二：对获取到的动车图像中的扫石器部件区域进行粗定位，组成样本数据集；步骤三：针对粗定位后本文档来自技高网...

【技术保护点】
1.一种基于深度学习的动车扫石器丢失故障图像识别方法，其特征在于包括以下步骤：/n步骤一：获取动车图像；/n步骤二：对获取到的动车图像中的扫石器部件区域进行粗定位，组成样本数据集；/n步骤三：针对粗定位后的动车图像进行矩形框标记，并组成标记信息集；/n步骤四：将样本数据集与标记信息集进行特征提取，并利用提取后的特征对网络进行训练；/n步骤五：利用训练好的网络对待测图像进行扫石器故障判断。/n

【技术特征摘要】
1.一种基于深度学习的动车扫石器丢失故障图像识别方法，其特征在于包括以下步骤：
步骤一：获取动车图像；
步骤二：对获取到的动车图像中的扫石器部件区域进行粗定位，组成样本数据集；
步骤三：针对粗定位后的动车图像进行矩形框标记，并组成标记信息集；
步骤四：将样本数据集与标记信息集进行特征提取，并利用提取后的特征对网络进行训练；
步骤五：利用训练好的网络对待测图像进行扫石器故障判断。


2.根据权利要求1所述的一种基于深度学习的动车扫石器丢失故障图像识别方法，其特征在于所述步骤四中将样本数据集与标记信息集进行特征提取通过inception_v2网络进行。


3.根据权利要求2所述的一种基于深度学习的动车扫石器丢失故障图像识别方法，其特征在于所述inception_v2网络包括四个特征提取分支：
第一分支包含大小为1*1的卷积核，后接ReLU激活函数；
第二分支包含池化层，后接大小为1*1的卷积核，后再接ReLU激活函数；
第三分支包含大小为1*1的卷积核，后接ReLU激活函数，然后接大小为3*3的卷积核，后再接ReLU激活函数；
第四分支包含大小为1*1的卷积核，后接ReLU激活函数，然后接大小为3*3的卷积核，之后接ReLU激活函数，再接大小为3*3的卷积核，最后接ReLU激活函数；
最后四个分支提取出的特征通过一个filter进行合并。


4.根据权利要求3所述的一种基于深度学习的动车扫石器丢失故障图像识别方法，其特征在于所述步骤四的具体步骤为：
第1步：利用inception_v2网络将样本数据集与标记信息集进行特征提取，并对RPN网络进行初始化和训练；
第2步：利用训练好的RPN网络收集proposals，并获取proposalRoIs，同时获取positivesoftmaxprobability，然后将获取的信息保存在pythonpickle中；
第3步：利用收集的proposals训练Fast-RCNN网络，然后读取第2步中保存的pythonpickle，获取proposals与positivesoftmaxprobabili...

【专利技术属性】
技术研发人员：于婷，
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