基于mask-rcnn的抗蛇形减震器漏油检测方法技术

基于mask‑rcnn的抗蛇形减震器漏油检测方法，涉及铁路货车检测技术领域。本发明专利技术是为了解决现有抗蛇形减震器漏油检测的方法准确度低的问题。本发明专利技术所述的基于mask‑rcnn的抗蛇形减震器漏油检测方法，分别在铁路货车两侧与底部搭设高清成像相机，货车通过设备后，获取图像。采用两次mask‑rcnn网络定位进行候选区域的背景分割、油渍分类与回归定位，提升检测的准确程度。对抗蛇形减震器漏油的图像上传报警，检车人员依据人工先验原则，对报警部位进行相应处理。同时，本发明专利技术还改进了传统FPN特征提取网络的结构，优化了mask‑rcnn网络的检测性能，进一步提升故障检测的准确程度。

【技术实现步骤摘要】
基于mask-rcnn的抗蛇形减震器漏油检测方法
本专利技术属于铁路货车检测

技术介绍
货物运输是铁路运输的重要组成部分，把铁路上用于载运货物的车辆统称为铁路货车。铁路部门需要经常对铁路货车进行安全检查，以保证铁路货车的安全稳定运行。铁路货车在高速运行时，转向架会不可避免地呈现蛇形趋势，车轮运行轨迹与轨道温和的稳定性较差，进而导致铁路货车横向平稳性差的问题。为了解决上述问题，通常采用人工查图的铁路动车故障检测方法，但是该方法存在检车人员疲劳造成的漏检、误检现象。相比于传统的人工方法，基于深度学习的自动化故障检测方法能够显著提升检测的效率，降低成本，同时还能避免由于检车人员疲劳造成的漏检、误检现象。但由于抗蛇形减震器图像位于列车底部和侧部，图像背景较为杂乱，背景阴影区域等对图像检测干扰较大，仅采用深度学习网络进行故障检测的准确程度较低。
技术实现思路
本专利技术是为了解决现有抗蛇形减震器漏油检测的方法准确度低的问题，现提供基于mask-rcnn的抗蛇形减震器漏油检测方法。基于mask-rcnn的抗蛇形减震器漏油检测方法，具体过程为：采集被测车辆抗蛇形减震器所在区域图像作为被测图像，采用训练好的mask-rcnn网络中的主干网络对被测图像进行背景分割，获得背景分离图像，再采用训练好的mask-rcnn网络中的RPN网络对背景分离图像进行油渍区域检测，获得检测结果；mask-rcnn网络的损失函数表达如下：Loss＝Lcls+Lbox+Lmask，其中，Lcls为分类误差，Lbox为边界框回归误差，Lmask为掩码误差。分类误差Lcls的表达式如下：其中，i为背景分离图像中感兴趣区域的类别序号，Ncls为类别总数，pi为第i个感兴趣区域预测为正样本的概率，当第i个感兴趣区域为正样本时，当第i个感兴趣区域为负样本时，所述感兴趣区域为RPN网络输出的油渍区域。边界框回归误差Lbox的表达式如下：其中，i为背景分离图像中感兴趣区域的类别序号，Nbox为感兴趣区域的总数量，所述感兴趣区域为RPN网络输出的油渍区域，pi为第i个感兴趣区域预测为正样本的概率，当第i个感兴趣区域为正样本时，当第i个感兴趣区域为负样本时，ti为正样本感兴趣区域到预测区域的平移缩放参数，所述预测区域为预计mask-rcnn网络能够输出的理想区域，为正样本感兴趣区域到真实标签区域的平移缩放参数，R()为smoothL1函数，其表达式如下：其中，x为函数变量。掩码误差Lmask的表达式如下：Lmask＝[Km2]i其中，i为背景分离图像中感兴趣区域的类别序号，所述感兴趣区域为RPN网络输出的油渍区域，K为分类物的种类数，m2为掩码分支对每个感兴趣区域产生m×m大小的掩码。mask-rcnn网络包括主干网络和RPN网络，主干网络为resnet101+FPN网络结构，该网络结构的检测步骤为：将特征金字塔中高层背景分离图像进行上采样，将高层背景分离图像连接到下一层背景分离图像，使得高层背景分离图像得到加强；同时，所述resnet101+FPN网络结构还将金字塔中底层背景分离图像连接到上一层背景分离图像，使得所有尺寸背景分离图像的信息均能够被利用；RPN网络首先对主干网络输出的背景分离图像生成目标的建议框，然后对生成的所有建议框进行筛选，输出感兴趣区域。mask-rcnn网络的训练过程包括以下步骤：步骤一：建立样本集，采集铁路货车不同状态下抗蛇形减震器所在区域的图像，并将采集到的所有图像作为训练样本集，所述训练样本集中抗蛇形减震器有油渍的图像为正样本、抗蛇形减震器无油渍的图像为负样本，正负样本数量一致；步骤二：分割网络训练，利用mask-rcnn网络中的主干网络提取训练样本集中每个样本的背景分离图像，以训练mask-rcnn网络对背景的分割模型，利用mask-rcnn网络中的RPN网络生成目标的建议框，并对生成的所有建议框进行筛选，获得感兴趣区域，以训练mask-rcnn网络对油渍位置的定位模型。mask-rcnn网络对背景的分割模型用于：将原始图像中被测物区域标注为0类，获得被测物的掩膜信息；将掩膜外的背景区域像素赋值为255并将该区域消除，使得被测物区域与背景区域分割，获得的被测物区域即为背景分离图像。mask-rcnn网络对油渍位置的定位模型用于：将被测物区域中的油渍区域标注为0类，完成油渍区域的定位。进一步的，在步骤一之后，还对训练样本集中的样本进行扩增，对训练样本集中的样本进行扩增的方式包括：旋转、裁剪或加噪中的一种或多种。获得检测结果后，当检测到油渍，则将检测结果作为故障信息上传至检车人员端。本专利技术的基于mask-rcnn的抗蛇形减震器漏油检测方法，分别在铁路货车两侧与底部搭设高清成像相机，货车通过设备后，获取图像。采用两次mask-rcnn网络定位进行候选区域的背景分割、油渍分类与回归定位，提升检测的准确程度。对抗蛇形减震器漏油的图像上传报警，检车人员依据人工先验原则，对报警部位进行相应处理。同时，本专利技术还改进了传统FPN特征提取网络的结构，优化了mask-rcnn网络的检测性能，进一步提升故障检测的准确程度。附图说明图1为传统resnet101+FPN网络的工作流程图；图2为本专利技术改进后的resnet101+FPN网络的工作流程图；图3为网络训练流程图；图4为故障检测流程图；图5为原始图像；图6为背景分割后的背景分离图像；图7为油渍检测结果图。具体实施方式需要特别说明的是，在不冲突的情况下，本申请公开的各个实施方式之间或实施方式包括的特征之间可以相互组合。具体实施方式一：参照图4具体说明本实施方式，本实施方式所述的基于mask-rcnn的抗蛇形减震器漏油检测方法，该方法具体为：采集被测车辆抗蛇形减震器所在区域图像作为被测图像，采用训练好的mask-rcnn网络中的主干网络对被测图像进行背景分割，获得背景分离图像，再采用训练好的mask-rcnn网络中的RPN网络对背景分离图像进行油渍区域检测，获得检测结果。损失函数表达了预测值与真实标签的差距程度，本实施方式通过减小预测值与真实标签之间的损失函数来训练模型。mask-rcnn网络的损失函数表达如下：Loss＝Lcls+Lbox+Lmask，其中，Lcls为分类误差，Lbox为边界框回归误差，Lmask为掩码误差。具体实施方式二：本实施方式是对具体实施方式一所述的基于mask-rcnn的抗蛇形减震器漏油检测方法作进一步说明，本实施方式中，分类误差Lcls的表达式如下：其中，i为背景分离图像中感兴趣区域的类别序号，所述感兴趣区域为RPN网络输出的油渍区域，Ncls为类别总数，pi为第i个感兴趣区域预测为正样本本文档来自技高网...

【技术保护点】
1.基于mask-rcnn的抗蛇形减震器漏油检测方法，其特征在于，/n采集被测车辆抗蛇形减震器所在区域图像作为被测图像，/n采用训练好的mask-rcnn网络中的主干网络对被测图像进行背景分割，获得背景分离图像，/n再采用训练好的mask-rcnn网络中的RPN网络对背景分离图像进行油渍区域检测，获得检测结果；/n所述mask-rcnn网络的损失函数表达如下：/nLoss＝L

【技术特征摘要】
1.基于mask-rcnn的抗蛇形减震器漏油检测方法，其特征在于，
采集被测车辆抗蛇形减震器所在区域图像作为被测图像，
采用训练好的mask-rcnn网络中的主干网络对被测图像进行背景分割，获得背景分离图像，
再采用训练好的mask-rcnn网络中的RPN网络对背景分离图像进行油渍区域检测，获得检测结果；
所述mask-rcnn网络的损失函数表达如下：
Loss＝Lcls+Lbox+Lmask，
其中，Lcls为分类误差，Lbox为边界框回归误差，Lmask为掩码误差。


2.根据权利要求1所述的基于mask-rcnn的抗蛇形减震器漏油检测方法，其特征在于，所述分类误差Lcls的表达式如下：



其中，i为背景分离图像中感兴趣区域的类别序号，感兴趣区域为RPN网络输出的油渍区域，Ncls为类别总数，pi为第i个感兴趣区域预测为正样本的概率，当第i个感兴趣区域为正样本时，当第i个感兴趣区域为负样本时，


3.根据权利要求1所述的基于mask-rcnn的抗蛇形减震器漏油检测方法，其特征在于，所述边界框回归误差Lbox的表达式如下：



其中，i为背景分离图像中感兴趣区域的类别序号，Nbox为感兴趣区域的总数量，所述感兴趣区域为RPN网络输出的油渍区域，pi为第i个感兴趣区域预测为正样本的概率，当第i个感兴趣区域为正样本时，当第i个感兴趣区域为负样本时，ti为正样本感兴趣区域到预测区域的平移缩放参数，所述预测区域为预计mask-rcnn网络能够输出的理想区域，为正样本感兴趣区域到真实标签区域的平移缩放参数，R()为smoothL1函数，其表达式如下：



其中，x为函数变量。


4.根据权利要求1所述的基于mask-rcnn的抗蛇形减震器漏油检测方法，其特征在于，所述掩码误差Lmask的表达式如下：
Lmask＝[Km2]i
其中，i为背景分离图像中感兴趣区域的类别序号，所述感兴趣区域为RPN网络输出的油渍区域，K为分类物的种类数，m2为掩码分支对每个感兴趣区域产生m×m大小的掩码。


5.根据权利要求1所述的基于mask-rcnn的抗蛇形减震器漏油检测方法，其特征在于，mask-rcnn网络包括主干网络和RPN网络，
主干网络为resnet101+FPN网络结构，该网络结构的检测步...

【专利技术属性】
技术研发人员：张轶鑫，
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