基于深度学习的速度传感器螺栓丢失故障识别方法技术

一种基于深度学习的速度传感器螺栓丢失故障识别方法，属于货车故障识别技术领域。本发明专利技术为解决现有货车速度传感器的检测方法效率低并且识别精度差的问题。包括：获得货车的速度传感器图像；采用一级Faster RCNN网络和二级Faster RCNN网络作为速度传感器图像的检测网络；将两级Faster RCNN网络中现有区域建议网络FPN替换为改进后区域建议网络FPN，Faster RCNN网络中现有目标检测网络Fast RCNN替换为改进后目标检测网络Fast RCNN；采用一级Faster RCNN网络获得速度传感器的位置信息；采用二级FasterRCNN网络获得螺栓故障的识别结果。本发明专利技术用于速度传感器螺栓丢失故障的检测。的检测。的检测。

【技术实现步骤摘要】
基于深度学习的速度传感器螺栓丢失故障识别方法


[0001]本专利技术涉及基于深度学习的速度传感器螺栓丢失故障识别方法，属于货车故障识别


技术介绍

[0002]目前对目标物体故障识别的方法包括：采用传统图像处理的方法检测零部件异常以及采用深度学习方法基于目标检测和物体识别来检测零部件异常。
[0003]目前的目标检测方法存在以下问题：
[0004]1)采用传统图像处理方法检测零部件异常需要人工设计激励特征，工作量大且鲁棒性较低；同时基于滑动窗口的区域选择策略没有针对性，时间复杂度高。
[0005]2)基于深度学习的目标检测方法虽然具有一定的泛化能力，但要求大量的数据，并受环境噪声的影响，泛化能力也随之降低。而且，在网络训练过程中，如果不同类别的样本数量相差较大时，识别效果会受到影响。

技术实现思路

[0006]针对现有货车速度传感器的检测方法效率低并且识别精度差的问题，本专利技术提供一种基于深度学习的速度传感器螺栓丢失故障识别方法。
[0007]本专利技术的一种基于深度学习的速度传感器螺栓本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的速度传感器螺栓丢失故障识别方法，其特征在于包括，获得货车的速度传感器图像；采用一级Faster RCNN网络和二级Faster RCNN网络作为速度传感器图像的检测网络；一级Faster RCNN网络和二级Faster RCNN网络的结构相同；将两级Faster RCNN网络中现有区域建议网络FPN替换为改进后区域建议网络FPN，Faster RCNN网络中现有目标检测网络Fast RCNN替换为改进后目标检测网络Fast RCNN；根据速度传感器图像的采集时间确定每个速度传感器对应的图像组；再以图像组为单位，采用一级Faster RCNN网络对每张速度传感器图像中的速度传感器进行定位，获得速度传感器的位置信息；根据位置信息获得图像组中每个速度传感器图像的传感器子图，采用二级Faster RCNN网络对传感器子图进行螺栓检测，将传感器子图分为螺栓正常类与螺栓丢失类，同时对应螺栓正常类的传感器子图，输出螺栓子图的位置信息；对螺栓正常类与螺栓丢失类图像组分别进行判定，获得螺栓故障的判定结果；改进后区域建议网络FPN的网络结构包括：在现有区域建议网络FPN的输出端增加特征融合及细化模块；所述特征融合及细化模块对现有区域建议网络FPN输出的不同层次的特征利用插值与最大池化进行重采样，获得分辨率相同的最终不同层次特征；并根据最终不同层次特征获得融合特征，使融合特征具备所有最终不同层次特征的语义层次；改进后目标检测网络Fast RCNN的网络结构包括：在现有目标检测网络Fast RCNN的分类单元中，将原有的交叉熵损失替换为焦点损失函数。2.根据权利要求1所述的基于深度学习的速度传感器螺栓丢失故障识别方法，其特征在于，所述速度传感器图像的获得过程包括：通过货车轨道两侧设置的摄像头获取基础图像；根据货车车型和先验知识由基础图像中提取获得速度传感器初始图像；对速度传感器初始图像采用高斯滤波进行处理，得到滤波后传感器图像；再对滤波后传感器图像进行扩增，得到速度传感器图像。3.根据权利要求2所述的...

【专利技术属性】
技术研发人员：张宇墨，
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：