一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别方法技术

本发明专利技术是一种基于Faster R‑CNN的铁路动车头罩前开闭破损故障识别方法。本发明专利技术涉及车头罩图像识别技术领域，本发明专利技术对车头罩进行原始图像采集；对采集到的原始图像进行预处理，减少图像噪声；根据预处理后的图像，进行深度学习，得到训练样本；根据得到的训练样本，进行深度学习模型训练，得到训练好的故障识别模型；根据训练好的故障识别模型，对车头罩进行破损故障识别。本发明专利技术利用深度学习的方法对列车头罩前开闭破损故障进行识别检测，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。

【技术实现步骤摘要】
一种基于FasterR-CNN的铁路动车头罩前开闭破损故障识别方法
本专利技术涉及车头罩图像识别
，是一种基于FasterR-CNN的铁路动车头罩前开闭破损故障识别方法。
技术介绍
开闭机构是安装在动车前端的机械部件，与司机室头罩连接组成车辆的整体前端造型。开闭机构的作用主要是满足车辆前端的外观需求和流线型空气动力学要求，同时保护车辆前端其他部件，有效阻挡飞石、树枝等杂物的进入。列车的头罩前开闭在运行过程中会因为飞石、树枝等杂物的击打造成破损，其破损会对列车行驶安全性造成影响，也会对列车的美观有一定的影响，因此对列车头罩前开闭破损故障进行识别是一项必要的工作。现有对此故障的检测主要依靠人工检测，即用人眼对故障进行查找分辨。人工法是一个耗时耗力的方法，且检测者会产生视觉疲劳，从而造成漏检、错检的情况发生。
技术实现思路
本专利技术为了实现精准对车头罩故障的识别，本专利技术提供了以下技术方案：一种基于FasterR-CNN的铁路动车头罩前开闭破损故障识别方法，具体为：一种车辆头罩前开闭破损故障识别方法，包括以下步骤：步骤1：对车辆头罩前开闭进行原始图像采集；步骤2：根据采集的原始图像，进行故障标记，得到训练样本；步骤3：根据得到的训练样本，进行深度学习模型训练，得到训练好的故障识别模型；步骤4：根据训练好的故障识别模型，对待测车辆的头罩前开闭进行破损故障识别。优选地，在进行故障标记之前，还包括对采集到的原始图像进行预处理，减少图像噪声，具体为：步骤2.1：选择两个滤波器对原始图像进行滤波处理，根据头罩前开闭所在位置，对滤波处理后的原始图像进行切割，获得头罩前开闭子图；步骤2.2：对撞击后造成的裂纹、脱漆和孔洞的形态故障在子图上进行模拟，不同车型的头罩前开闭上模拟不同大小、不同位置、不同形状的故障；步骤2.3：对模拟后的图像进行数据增强，得到预处理后的图像。优选地，数据增强方法包括调整亮度、调整对比度和平移。优选地，通过下式表示两个滤波器F1和F2：优选地，步骤2具体为：根据预处理后的图像，采用LabelImg对预处理后的图像进行故障标记，对预处理后的图像中的单个子图中有头罩前开闭破损故障的区域进行标记，生成与子图相对应的带有图像信息、故障位置坐标和名称信息的XML文件，将所有图像进行故障标记后，构成用于深度学习训练的训练样本。优选地，步骤3具体为：步骤3.1：通过深度学习模型中改进的特征提取网络提取训练样本中的样本图像的特征图，其中，改进的特征提取网络包括2*2大小的卷积，改进的特征提取网络利用2个2*2的卷积替代原始特征提取网络中的一个3*3的卷积；步骤3.2：将特征图输入到区域生成网络RegionProposalNetwork，通过区域生成网络RegionProposalNetwork获得推荐候选区域；步骤3.3：将特征图和推荐候选区域作为FasterR-CNN模型输入，通过RoIAlign将特征图统一成相同大小，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进行学习训练，分类分支网络用于进行分类检测，预测头罩前开闭是否出现破损，回归分支网络预测故障区域边框偏移量以精修边框位置；步骤3.4：利用FasterR-CNN模型训练超参数进行训练，达到预定训练迭代次数时停止训练，将训练好的模型和模型权重进行保存，得到故障识别模型用于进行后续的故障检测。优选地，通过RoIAlign将特征图统一成相同大小，包括：根据输入的图像，将推荐候选区域映射到特征图对应位置；将映射后的区域划分为与输出维度相同大小的区域；使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值，将整个特征聚集过程转化为一个连续的操作，得到相同大小的特征图。优选地，特征提取网络还包括VGG16和ResNet-50。优选地，步骤4具体为：将保存的故障识别模型以及模型权重输入到故障检测网络中，检测网络对采集到的列车车头以及车尾的侧部和底部图像进行识别检测，当识别结果中有头罩前开闭破损情况发生时，则判定该节列车存在头罩前开闭破损故障，将检测识别出的故障图像进行储存，并将故障位置信息写入到TXT文件中储存，以便后续故障解决。优选地，步骤1中原始图像采集具体为：通过架设在铁轨两侧的高清摄像机，对列车车头、车尾的侧部和底部图像进行图像采集，同时收集不同车型、不同天气状况和不同时间段的列车图像，作为原始图像。本专利技术具有以下有益效果：本专利技术利用2*2卷积对特征提取网络中的Inception模块结构进行改进，利用RoIAlign替代RoIPooling，以此对特征图进行统一尺寸。本专利技术利用深度学习的方法对列车头罩前开闭破损故障进行识别检测，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。本专利技术提升了模型的识别精度，减少了训练参数，提高了训练速率，避免资源浪费。附图说明图1是FasterR-CNN的铁路动车头罩前开闭破损故障识别方法流程图；图2是InceptionV1模块原理图；图3是改进后的Inception模块图。具体实施方式以下结合具体实施例，对本专利技术进行了详细说明。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例之间或实施例包括的特征之间可以相互组合。具体实施例一：根据图1至图3所示，本专利技术提供一种基于FasterR-CNN的铁路动车头罩前开闭破损故障识别方法，具体方案如下：一种车辆头罩前开闭破损故障识别方法，包括以下步骤：步骤1：对车辆头罩前开闭进行原始图像采集；步骤2：根据采集的原始图像，进行故障标记，得到训练样本；步骤3：根据得到的训练样本，进行深度学习模型训练，得到训练好的故障识别模型；步骤4：根据训练好的故障识别模型，对待测车辆的头罩前开闭进行破损故障识别。具体实施例二：在进行故障标记之前，还包括对采集到的原始图像进行预处理，减少图像噪声，具体为：步骤2.1：选择两个滤波器对原始图像进行滤波处理，根据头罩前开闭所在位置，对滤波处理后的原始图像进行切割，获得头罩前开闭子图；步骤2.2：对撞击后造成的裂纹、脱漆和孔洞的形态故障在子图上进行模拟，不同车型的头罩前开闭上模拟不同大小、不同位置、不同形状的故障；步骤2.3：对模拟后的图像进行数据增强，得到预处理后的图像。具体实施例三：数据增强方法包括调整亮度、调整对比度和平移。具体实施例四：通过下式表示两个滤波器F1和F2：具体实施例五：步骤2具体为：根据预处理后的图像，采用LabelImg对数据增强后的图像进行故障标记，对单个子图中有头罩前开闭本文档来自技高网...

【技术保护点】
1.一种车辆头罩前开闭破损故障识别方法，其特征是：包括以下步骤：/n步骤1：对车辆头罩前开闭进行原始图像采集；/n步骤2：根据采集的原始图像，进行故障标记，得到训练样本；/n步骤3：根据得到的训练样本，进行深度学习模型训练，得到训练好的故障识别模型；/n步骤4：根据训练好的故障识别模型，对待测车辆的头罩前开闭进行破损故障识别。/n

【技术特征摘要】
1.一种车辆头罩前开闭破损故障识别方法，其特征是：包括以下步骤：
步骤1：对车辆头罩前开闭进行原始图像采集；
步骤2：根据采集的原始图像，进行故障标记，得到训练样本；
步骤3：根据得到的训练样本，进行深度学习模型训练，得到训练好的故障识别模型；
步骤4：根据训练好的故障识别模型，对待测车辆的头罩前开闭进行破损故障识别。


2.根据权利要求1所述的一种车辆头罩前开闭破损故障识别方法，其特征是：在进行故障标记之前，还包括对采集到的原始图像进行预处理，减少图像噪声，具体为：
步骤2.1：选择两个滤波器对原始图像进行滤波处理，根据头罩前开闭所在位置，对滤波处理后的原始图像进行切割，获得头罩前开闭子图；
步骤2.2：对撞击后造成的裂纹、脱漆和孔洞的形态故障在所述子图上进行模拟，不同车型的头罩前开闭上模拟不同大小、不同位置、不同形状的故障；
步骤2.3：对模拟后的图像进行数据增强，得到预处理后的图像。


3.根据权利要求2的所述一种车辆头罩前开闭破损故障识别方法，其特征是：数据增强方法包括调整亮度、调整对比度和平移。


4.根据权利要求2的所述一种车辆头罩前开闭破损故障识别方法，其特征是：
通过下式表示两个滤波器F1和F2：








5.根据权利要求2-4中任一项所述的一种车辆头罩前开闭破损故障识别方法，其特征是：
所述步骤2具体为：根据预处理后的图像，采用LabelImg对预处理后的图像进行故障标记，对预处理后的图像中的单个子图中有头罩前开闭破损故障的区域进行标记，生成与子图相对应的带有图像信息、故障位置坐标和名称信息的XML文件，将所有图像进行故障标记后，构成用于深度学习训练的训练样本。


6.根据权利要求1所述的一种车辆头罩前开闭破损故障识别方法，其特征是：
步骤3具体为：
步骤3.1：通过深度学习模型中改进的特征提取网络提取训练样本中的样本图像的特征图，其中，改进的特征提取网络包括2*2大小的卷积，改进的特征提取网络利用2个2*2的卷积替代原始...

【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：黑龙江;23