一种铁路动车裙板格栅变形故障识别方法技术

一种铁路动车裙板格栅变形故障识别方法，解决了现有铁路动车裙板格栅变形故障识别方法检测效率低的问题，属于铁路动车故障识别技术领域。本发明专利技术包括：构建铁路动车的裙板格栅变形样本集；利用裙板格栅变形样本集对深度学习目标检测网络Faster R

【技术实现步骤摘要】
一种铁路动车裙板格栅变形故障识别方法


[0001]本专利技术涉及一种基于改进Faster R-CNN的铁路动车裙板格栅变形故障识别方法，属于铁路动车故障识别


技术介绍

[0002]高速铁路动车组的大部分关键设备吊装在车下，动车组在线路上高速运行时会产生很强的空气压力波，因此石头、冰块或其他物体与车下设备发生高速打击的意外情况时常发生，严重危及铁路动车的运行安全。为减少空气阻力，保护和检修车下设备，确保高速铁路动车组的安全运行，时速200km及以上速度登记的高速铁路动车组的安全运行，安装具有导流、防护、检修功能的全封闭车下设备舱，动车组运行时，设备舱内设备会产生大量的热量。为了将热量散出，保证列车的安全运行，动车组设备舱裙板设有通风口，通风口安装格栅，以便设备产生的热量及时散出。裙板格栅变形故障会影响通风效果，使设备舱内热量堆积，影响设备的正常运行或使设备产生故障，从而引发安全问题，所以需要对裙板格栅变形故障进行检测。
[0003]针对铁路动车裙板格栅变形故障识别，现有技术为人工检测，人工检测会出现因疲劳和个人评判差异造成识别误差。人工识别检测，检测效率低，且准确率不稳定。

技术实现思路

[0004]针对现有铁路动车裙板格栅变形故障识别方法检测效率低的问题，本专利技术提供一种基于改进Faster R-CNN的铁路动车裙板格栅变形故障识别方法。
[0005]本专利技术的一种铁路动车裙板格栅变形故障识别方法，方法包括：
[0006]S1、构建铁路动车的裙板格栅变形样本集；<br/>[0007]S2、利用裙板格栅变形样本集对深度学习目标检测网络Faster R-CNN进行训练，得到Faster R-CNN检测模型及权重；
[0008]S3、利用Faster R-CNN检测模型及权重识别铁路动车待检测的侧部图像，确定侧部图像中的裙板格栅是否出现变形及变形位置。
[0009]作为优选，深度学习目标检测网络Faster R-CNN中的特征提取网络包括：将Resnet-50网络中Bottleneck块中的3x3的卷积核用一个3x1的卷积核串联一个1x3的卷积核替代。
[0010]作为优选，用Swish激活函数替代特征提取网络中的ReLU激活函数。
[0011]作为优选，S1包括：
[0012]S11、获取铁路动车的整节侧部图像，对获取的侧部图像进行滤波；
[0013]S12、对滤波处理后的图像进行切割，获得带有格栅的裙板子图；
[0014]S13、在带有格栅的裙板子图上对裙板格栅变形故障进行模拟；
[0015]S14、对子图中裙板格栅变形故障进行标记，完成裙板格栅变形样本集的构建。
[0016]作为优选，S11包括，获取不同车型、不同天气状况、不同时间段的铁路动车的整节
侧部图像，依次采用滤波器F1和F2对获取的侧部图像进行滤波处理，其中：
[0017][0018][0019]作为优选，S13中，在带有格栅的裙板子图上模拟不同大小、不同位置、不同形状的裙板格栅变形故障。
[0020]作为优选，S13中，还包括：
[0021]对模拟裙板格栅变形故障的子图进行数据增强，数据增强包括调整亮度、调整对比度和/或平移。
[0022]作为优选，S2包括；
[0023]S21、利用特征提取网络提取裙板格栅变形样本集中图像的特征图；
[0024]S22、将特征图输入到区域生成网络RPN中，获得推荐候选区域；
[0025]S23、对特征图和推荐候选区域进行感兴趣池化操作：
[0026]将推荐候选区域映射到特征图中的对应位置，将映射后的区域划分为与回归分支网络输出维度相同大小的区域；对划分后的每个区域进行最大池化操作，得到相同大小的特征图；
[0027]S24、将相同大小的特征图同时输入到分类分支网络和回归分支网络中，分类分支网络和回归分支网络进行学习，分类分支网络用于进行分类检测，确定裙板格栅是否出现变形，回归分支网络利用位置框在特征图中标记出裙板格栅变形位置并输出带有位置框的特征图，回归分支网络还用于利用特征图中裙板格栅的变形位置调整位置框的位置和大小；Faster R-CNN检测模型包括特征提取网络、感兴趣池化操作、分类分支网络和回归分支网络；
[0028]S25、重复S21至S24，达到设定迭代次数后，分类分支网络和回归分支网络完成学习，得到Faster R-CNN检测模型的权重。
[0029]作为优选，S22中，区域生成网络RPN根据特征图上的每个特征点预测多个推荐候选区域，具体过程为：将特征点映射回裙板格栅变形样本集中图像获得基准点，围绕基准点生成多个不同大小、不同形状、不同长宽比的锚框，将所生成的锚框框选出的区域确定为推荐候选区域。
[0030]作为优选，S22中，区域生成网络RPN利用一个3*3的卷积核将输入的特征图的通道数减半。
[0031]本专利技术的有益效果：本专利技术利用深度学习的方法对列车裙板格栅变形故障进行识别检测，有效的避免了人工检测时因为疲劳和个人评判差异造成的识别误差。相比于人工检测，深度学习方法可以提高检测效率，且可以在列车运行时对其进行拍摄检测，具有实时性。本专利技术改进的Faster R-CNN网络在不影响检测结果的情况下，减少了训练参数，提高了
训练速率，避免资源浪费。
附图说明
[0032]图1为本专利技术的流程图；
[0033]图2为Resnet-50网络的结构；
[0034]图3为Resnet-50网络中Bottleneck块的结构；
[0035]图4为Resnet-66网络的结构；
[0036]图5为Resnet-66网络中Bottleneck块的结构。
具体实施方式
[0037]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作出创造性劳动的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。
[0038]需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0039]下面结合附图和具体实施例对本专利技术作进一步说明，但不作为本专利技术的限定。
[0040]如图1所示，本实施方式的一种铁路动车裙板格栅变形故障识别方法，方法包括：
[0041]步骤一、构建铁路动车的裙板格栅变形样本集；
[0042]步骤二、利用裙板格栅变形样本集对深度学习目标检测网络Faster R-CNN进行训练，得到Faster R-CNN检测模型及权重；
[0043]步骤三、利用Faster R-CNN检测模型及权重识别铁路动车待检测的侧部图像，确定侧部图像中的裙板格栅是否出现变形及变形位置。
[0044]本实施方式利用深度学习的方法对列车裙板格栅变形故障进行识别检测，有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种铁路动车裙板格栅变形故障识别方法，其特征在于，所述方法包括：S1、构建铁路动车的裙板格栅变形样本集；S2、利用裙板格栅变形样本集对深度学习目标检测网络Faster R-CNN进行训练，得到Faster R-CNN检测模型及权重；S3、利用Faster R-CNN检测模型及权重识别铁路动车待检测的侧部图像，确定侧部图像中的裙板格栅是否出现变形及变形位置。2.根据权利要求1所述的铁路动车裙板格栅变形故障识别方法，其特征在于，所述深度学习目标检测网络Faster R-CNN中的特征提取网络包括：将Resnet-50网络中Bottleneck块中的3x3的卷积核用一个3x1的卷积核串联一个1x3的卷积核替代。3.根据权利要求2所述的铁路动车裙板格栅变形故障识别方法，其特征在于，用Swish激活函数替代所述特征提取网络中的ReLU激活函数。4.根据权利要求3所述的铁路动车裙板格栅变形故障识别方法，其特征在于，所述S1包括：S11、获取铁路动车的整节侧部图像，对获取的侧部图像进行滤波；S12、对滤波处理后的图像进行切割，获得带有格栅的裙板子图；S13、在带有格栅的裙板子图上对裙板格栅变形故障进行模拟；S14、对子图中裙板格栅变形故障进行标记，完成裙板格栅变形样本集的构建。5.根据权利要求4所述的铁路动车裙板格栅变形故障识别方法，其特征在于，所述S11包括，获取不同车型、不同天气状况、不同时间段的铁路动车的整节侧部图像，依次采用滤波器F1和F2对获取的侧部图像进行滤波处理，其中：对获取的侧部图像进行滤波处理，其中：6.根据权利要求4所述的铁路动车裙板格栅变形故障识别方法，其特征在于，所述S13中，在带有格栅的裙板子图上模拟不同大小、不同位置、不同形状的裙板格栅变形故障。7.根据权利要求6所述的铁路动车裙板格栅变形故障识别方法，其特征在于，所述S13中...

【专利技术属性】
技术研发人员：闫学慧，
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：