基于深度学习的铁路动车撒砂管松脱故障检测方法技术

基于深度学习的铁路动车撒砂管松脱故障检测方法，属于图像检测技术领域。为了解决人工检查图像的方式存在检测准确率低、检测效率低的问题，以及现有的深度学习网络检测准确率有待于提高的问题。本发明专利技术首先获取待检测的撒砂管图像，利用CASCADERCNN网络模型进行检测；CASCADERCNN网络包括一个深度残差网络、一个RPN网络和一个预测网络；待检测的撒砂管图像先经过深度残差网络，再经过RPN网络，最后经过预测网络，输出故障类别和对应的位置。主要用于铁路动车撒砂管松脱故障的检测。于铁路动车撒砂管松脱故障的检测。于铁路动车撒砂管松脱故障的检测。

【技术实现步骤摘要】
基于深度学习的铁路动车撒砂管松脱故障检测方法


[0001]本专利技术属于图像检测
，具体涉及撒砂管松脱故障检测方法。

技术介绍

[0002]动车撒砂管松脱故障是一种危及铁路动车行车安全的故障，在撒砂管松脱的故障检测中，现有技术基本都是采用人工检查图像的方式进行故障检测。人工检查图像的故障检测方法效率低，且需要花费大量的人力，同时由于检车人员在工作过程中极易出现疲劳、遗漏等人为因素可能造成漏检、错检的出现，影响行车安全。
[0003]所以需要一种自动化的检测方式来替代人工检查图像的故障检测方法，根据图像信息进行故障的自动识别的方式可提高故障检测准确率及稳定性。近几年，随着深度学习与人工智能不断发展，在技术上不断成熟，深度学习网络在图像识别中已经取得了不多的效果。但是利用现有的深度学习网络对撒砂管松脱故障进行识别还存在的诸多问题。例如，虽然fasterrcnn检测网络被广泛用于目标检测中，但在检测过程中会出现检测框不准和多类别时类别错检的问题。

技术实现思路

[0004]本专利技术是为了解决人工检查图像的方式存在检测准确率低、检测效率低的问题，以及现有的深度学习网络检测准确率有待于提高的问题。
[0005]基于深度学习的铁路动车撒砂管松脱故障检测方法，包括以下步骤：
[0006]获取待检测的撒砂管图像，利用CASCADERCNN网络模型进行检测，输出故障类别及对应的位置；
[0007]CASCADERCNN网络在训练过程中的损失函数如下：
[0008][0009]其中，N
cls
为分类样本总数，p
i
是不同类别的分类概率；N
reg
为回归框个数，t
i
＝{t
x
,t
y
,t
w
,t
h
}是一个向量，t
x
,t
y
,t
w
,t
h
分别表示候选框x坐标、y坐标、宽度以及高度的偏移量；参数λ用来权衡分类损失与回归损失的比例，正样本时为1，负样本时为0；是与t
i
维度相同的向量，表示候选框对标记框的偏移量；L
cls
(p
i
)为目标预测的分类损失函数，为回归预测的位置损失函数；
[0010]目标预测的分类损失函数：
[0011][0012]其中，γ为正数，α
i
用于调节正负样本的比例，h表示预测当前类别概率值，t表示真实标签类别值。
[0013]有益效果：
[0014]1、本专利技术可以实现铁路动车撒砂管松脱故障检测，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。
[0015]2、本专利技术将深度学习算法应用到撒砂管松脱故障自动识别中，提高整体算法的鲁棒性及精度。
[0016]3、本专利技术将残差模块进行改进引入加权策略，并将改进的模块引入CASCADERCNN模型中，将多尺度信息乘各自的权重后再融合在一起，通过引入权值来学习不同输入特征的重要性，增加了网络对尺度的适应并使输出融合特征更接近真实特征，采用CASCADERCNN网络利用不断提高的阈值，在保证样本数不减少的情况下训练出高质量的检测器，通过级联检测网络来达到由于预测结果的目的。提高了目标框的准确性，提高检测的准确率。
[0017]4、对于检测中的小目标，本专利技术改进了focalloss损失函数，提高了检测准确率。
附图说明
[0018]图1为故障识别流程图；
[0019]图2为训练过程中权重系数确定流程图；
[0020]图3为CASCADERCNN训练过程对应处理流程示意图；
[0021]图4为深度残差模块图；
[0022]图5为深度残差网络图；
[0023]图6为实施例的流程图。
具体实施方式
[0024]具体实施方式一：
[0025]本实施方式为基于深度学习的铁路动车撒砂管松脱故障检测方法，如图1所示，包括以下步骤：
[0026]获取待检测的撒砂管图像，利用CASCADERCNN网络模型进行检测，输出故障类别及对应的位置；
[0027]CASCADERCNN网络在训练过程中的损失函数如下：
[0028][0029]其中，N
cls
为分类样本总数，p
i
是不同类别的分类概率；N
reg
为回归框个数，t
i
＝{t
x
,t
y
,t
w
,t
h
}是一个向量，t
x
,t
y
,t
w
,t
h
分别表示候选框x坐标、y坐标、宽度以及高度的偏移量；参数λ用来权衡分类损失与回归损失的比例，正样本时为1，负样本时为0；是与t
i
维度相同的向量，表示候选框对标记框的偏移量；L
cls
(p
i
)为目标预测的分类损失函数，为回归预测的位置损失函数；
[0030]目标预测的分类损失函数：
[0031][0032]其中，γ为正数，α
i
用于调节正负样本的比例，h表示预测当前类别概率值，t表示真实标签类别值。
[0033]具体实施方式二：
[0034]本实施方式为基于深度学习的铁路动车撒砂管松脱故障检测方法，包括以下步骤：
[0035]获取待检测的撒砂管图像，利用CASCADERCNN网络模型进行检测，输出故障类别及对应的位置；
[0036]CASCADERCNN网络在训练过程中的损失函数如下：
[0037][0038]其中，N
cls
为分类样本总数，p
i
是不同类别的分类概率；N
reg
为回归框个数，t
i
＝{t
x
,t
y
,t
w
,t
h
}是一个向量，t
x
,t
y
,t
w
,t
h
分别表示候选框x坐标、y坐标、宽度以及高度的偏移量；参数λ用来权衡分类损失与回归损失的比例，正样本时为1，负样本时为0；是与t
i
维度相同的向量，表示候选框对标记框的偏移量；L
cls
(p
i
)为目标预测的分类损失函数，为回归预测的位置损失函数；
[0039]目标预测的分类损失函数：
[0040][0041]其中，γ为正数，α
i
为正负样本的比例参数，h来表示预测值，t表示真实标签值。
[0042]回归预测的位置损失函数如下：
[0043][0044]其中，
[0045]具体实施方式三：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的铁路动车撒砂管松脱故障检测方法，其特征在于，包括以下步骤：获取待检测的撒砂管图像，利用CASCADERCNN网络模型进行检测，输出故障类别及对应的位置；CASCADERCNN网络在训练过程中的损失函数如下：其中，N
cls
为分类样本总数，p
i
是不同类别的分类概率；N
reg
为回归框个数，t
i
＝{t
x
,t
y
,t
w
,t
h
}是一个向量，t
x
,t
y
,t
w
,t
h
分别表示候选框x坐标、y坐标、宽度以及高度的偏移量；参数λ用来权衡分类损失与回归损失的比例，正样本时为1，负样本时为0；是与t
i
维度相同的向量，表示候选框对标记框的偏移量；L
cls
(p
i
)为目标预测的分类损失函数，为回归预测的位置损失函数；目标预测的分类损失函数：其中，γ为正数，α
i
用于调节正负样本的比例，h表示预测当前类别概率值，t表示真实标签类别值。2.根据权利要求1所述基于深度学习的铁路动车撒砂管松脱故障检测方法，其特征在于，所述回归预测的位置损失函数如下：其中，3.根据权利要求2所述基于深度学习的铁路动车撒砂管松脱故障检测方法，其特征在于，所述的CASCADERCNN网络包括一个深度残差网络、一个RPN网络和一个预测网络，具体的结构如下：深度残差网络、RPN网络和预测网络依次连接，深度残差网络的输出输入到RPN网络，RPN网络出入前景候选框输入预测网络。4.根据权利要求3所述基于深度学习的铁路动车撒砂管松脱故障检测方法，其特征在于，所述的深度残差网络结构为conv层+第一pool层+若干个残差模块+第二pool层+FC层。5.根据权利要求4所述基于深度学习的铁路动车撒砂管松脱故障检测方法，其...

【专利技术属性】
技术研发人员：付德敏，
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：