基于深度学习的注水口盖板丢失检测方法技术

本发明专利技术公开了一种基于深度学习的注水口盖板丢失检测方法，解决现有人工检测效率低下，且容易造成故障的遗漏、误检等状况。本发明专利技术包括以下步骤：建立注水口盖板的图像训练集；获取目标卷积神经网络模型，其中，目标卷积神经网络模型包括改进的修正线性单元激活函数；通过图像训练集训练目标卷积神经网络模型得到训练好的目标卷积神经网络模型，其中，训练好的目标卷积神经网络模型包括最优参数权重；利用训练好的目标卷积神经网络模型检测待检测图像的注水口盖板是否丢失，若丢失，则发出报警信号。该方法实现故障自动报警替代了人工检测，提高了检测效率、准确率，不受人员的生理和心理影响，作业质量大幅度提高。

【技术实现步骤摘要】
基于深度学习的注水口盖板丢失检测方法
本专利技术涉及列车故障检测
，特别涉及一种基于深度学习的注水口盖板丢失检测方法。
技术介绍
由于当前列车的故障检测方式还是以人工查看图像或者实地检查为主，这种方式效率低下，容易造成故障的遗漏，误检等状况，影响车辆行驶安全。因此，故障自动识别技术在列车检测上意义重大，亟待一种能实现故障的自动报警，提高列车作业效率的故障检测方式。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的目的在于提出一种基于深度学习的注水口盖板丢失检测方法，该方法实现故障自动报警，提高动车作业效率。为达到上述目的，本专利技术实施例提出了基于深度学习的注水口盖板丢失检测方法，包括以下步骤：步骤S1，建立注水口盖板的图像训练集和图像测试集；步骤S2，获取目标卷积神经网络模型，其中，目标卷积神经网络模型包括改进的修正线性单元激活函数；步骤S3，通过图像训练集训练目标卷积神经网络模型得到训练好的目标卷积神经网络模型，其中，训练好的目标卷积神经网络模型包本文档来自技高网...

【技术保护点】
1.一种基于深度学习的注水口盖板丢失检测方法，其特征在于，包括以下步骤：/n步骤S1，建立注水口盖板的图像训练集；/n步骤S2，获取目标卷积神经网络模型，其中，所述目标卷积神经网络模型包括改进的修正线性单元激活函数；/n步骤S3，通过所述图像训练集训练所述目标卷积神经网络模型得到训练好的目标卷积神经网络模型，其中，所述训练好的目标卷积神经网络模型包括最优参数权重；/n步骤S4，利用所述训练好的目标卷积神经网络模型检测待检测图像的注水口盖板是否丢失，若丢失，则发出报警信号。/n

【技术特征摘要】
1.一种基于深度学习的注水口盖板丢失检测方法，其特征在于，包括以下步骤：
步骤S1，建立注水口盖板的图像训练集；
步骤S2，获取目标卷积神经网络模型，其中，所述目标卷积神经网络模型包括改进的修正线性单元激活函数；
步骤S3，通过所述图像训练集训练所述目标卷积神经网络模型得到训练好的目标卷积神经网络模型，其中，所述训练好的目标卷积神经网络模型包括最优参数权重；
步骤S4，利用所述训练好的目标卷积神经网络模型检测待检测图像的注水口盖板是否丢失，若丢失，则发出报警信号。


2.根据权利要求1所述的基于深度学习的注水口盖板丢失检测方法，其特征在于，所述步骤S1进一步包括：
获取列车侧部线阵图像，从所述动车侧部线阵图像中定位注水口盖板区域，获得多张注水口盖板原图图像；
利用图像处理算法对所述多张注水口盖板原图图像进行扩增，并标记出正常类和丢失类，利用标记后的注水口盖板原图图像建立训练集。


3.根据权利要求2所述的基于深度学习的注水口盖板丢失检测方法，其特征在于，所述图像处理算法包括旋转算法、平移算法和亮度处理算法。


4.根据权利要求3所述的基于深度学习的注水口盖板丢失检测方法，其特征在于，所述图像处理算法包括：









其中，f(x,y)为输入的注水口盖板图像，x和y分别为输入图像像素的行列坐标，frotate(x,y)为输入图像经旋转后的图像，flight(x,y)为输入图像经亮度变化后的图像，ftranslate(x,y)为输入图像经平移后的图像，G...

【专利技术属性】
技术研发人员：张庆宇，
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