基于深度神经网络的列车制动软管挂钩脱出故障检测方法技术

基于深度神经网络的列车制动软管挂钩脱出故障检测方法，属于铁路列车制动软管故障检测技术领域。本发明专利技术针对现有目标检测网络关注大中型目标，用于小尺寸的列车制动软管挂钩脱出故障检测时特征提取能力差的问题。包括建立列车制动软管挂钩的样本数据集，并对样本数据中的挂钩进行类别标注，同时对样本数据配置列车制动软管挂钩标签；采用样本数据对改进Faster

【技术实现步骤摘要】
基于深度神经网络的列车制动软管挂钩脱出故障检测方法


[0001]本专利技术涉及基于深度神经网络的列车制动软管挂钩脱出故障检测方法，属于铁路列车制动软管故障检测


技术介绍

[0002]随着深度神经网络技术的发展和日益增长的工业需求，目标检测越来越受到人们的重视，并取得了显著的成绩。目标检测的主要目标是精确的识别出感兴趣物体的类别，以及定位出其在图像中具体位置。由于Faster
‑
RCNN提取到的特征图是单层的，分辨率也比较小，所以在一些多尺度、小目标的问题上，检测效果表现不佳。
[0003]列车制动软管挂钩属于较小的部件，在列车安全检测中，列车制动软管挂钩脱出故障检测是一个研究难点。现有的目标检测网络主要关注大中型目标，若采用同样的检测网络对制动软管挂钩脱出故障进行检测，由于列车制动软管挂钩的尺寸相对较小，经过神经网络的下采样处理后，像素数目越来越少，导致提取的目标特征不明显，检测器的检测效果差。

技术实现思路

[0004]针对现有目标检测网络关注大中型目标，用于小尺寸的列车制动软管挂钩脱出故障检测时特征提取能力差的问题，本专利技术提供一种基于深度神经网络的列车制动软管挂钩脱出故障检测方法。
[0005]本专利技术的一种基于深度神经网络的列车制动软管挂钩脱出故障检测方法，包括，
[0006]步骤一：建立列车制动软管挂钩的样本数据集，并对样本数据中的挂钩进行类别标注，同时对样本数据配置列车制动软管挂钩标签；
[0007]步骤二：采用样本数据对改进Faster
‑
RCNN网络进行训练，获得列车制动软管挂钩检测网络；
[0008]步骤三：采集列车制动软管图像并进行预处理，获得待检测图像；将待检测图像输入制动软管挂钩检测网络进行检测，获得目标的定位和分类检测结果；若目标的分类检测结果为列车制动软管挂钩，则确定发生列车制动软管挂钩脱出故障；
[0009]步骤二中所述改进Faster
‑
RCNN网络包括特征融合模块、自动融合模块、区域侯选网络头和自动头模块；所述特征融合模块中将现有Faster
‑
RCNN网络的ROI Pooling池化方法替换为ROI Align池化方法；
[0010]样本数据通过所述特征融合模块提取一级特征图；自动融合模块通过神经网络架构搜索的方式确定网络连接方式，并基于一级特征图进行分层融合获得融合了不同分辨率与不同语义强度的二级特征图；二级特征图通过区域侯选网络头获得二级特征图的目标侯选框；自动头模块通过神经网络架构搜索的方式对头网络进行搜索得到分类和回归网络，分类和回归网络对目标侯选框进行分类和修正，得到最终的目标定位和分类结果；
[0011]根据本专利技术的基于深度神经网络的列车制动软管挂钩脱出故障检测方法，所述特
征融合模块包括13个卷积层、13个激活层和4个池化层，池化层采用ROI Align池化方法。
[0012]根据本专利技术的基于深度神经网络的列车制动软管挂钩脱出故障检测方法，自动融合模块的搜索空间覆盖所有的连接方式，将不同大小的空洞卷积加入到搜索空间中；自动融合模块中设置跨层连接；自动融合模块通过通道掩码和分辨率子采样策略提升搜索性能。
[0013]根据本专利技术的基于深度神经网络的列车制动软管挂钩脱出故障检测方法，在自动融合模块中，每个分辨率的特征图与相邻层其它分辨率特征图的缩放两倍的特征图分别做张量相加的操作。
[0014]根据本专利技术的基于深度神经网络的列车制动软管挂钩脱出故障检测方法，自动头模块的神经网络架构搜索的方式具备针对输入数据集找到最优神经架构的功能。
[0015]根据本专利技术的基于深度神经网络的列车制动软管挂钩脱出故障检测方法，自动头模块包括M个神经元，M为卷积层输出特征图的通道数；每个神经元包括7个节点，每个神经元的两个输入为相邻前两个神经元的输出。
[0016]根据本专利技术的基于深度神经网络的列车制动软管挂钩脱出故障检测方法，自动融合模块和自动头模块的神经网络架构搜索方式为可微分的搜索方式。
[0017]根据本专利技术的基于深度神经网络的列车制动软管挂钩脱出故障检测方法，所述样本数据的获得方法为：
[0018]采用铁路动车轨道周围搭设的高清成像设备收集列车图像，由列车图像截取设定尺寸的列车制动软管图像，对列车制动软管图像进行图像扩增，得到列车制动软管挂钩的样本数据。
[0019]根据本专利技术的基于深度神经网络的列车制动软管挂钩脱出故障检测方法，所述图像扩增包括对列车制动软管图像进行旋转、裁剪以及加噪操作。
[0020]根据本专利技术的基于深度神经网络的列车制动软管挂钩脱出故障检测方法，所述样本数据采用labelImg标注软件进行类别标注。
[0021]本专利技术的有益效果：
[0022]1、本专利技术方法为提高Faster
‑
RCNN对制动软管挂钩的检测能力，对Faster
‑
RCNN目标检测算法进行改进，设计了针对骨干特征的自动融合操作(Auto
‑
fusion)；通过自动融合模块使得不同尺度的特征图能做融合，提高了Faster
‑
RCNN的底层语义表达能力，增强了Faster
‑
RCNN的特征提取能力，进而提高了对制动软管挂钩的检测能力。
[0023]2、本专利技术方法设计了自动头模块(Auto
‑
head)结构，它通过搜索得到一个CNN结构，用于检测网络的分类和回归；提高了改进Faster
‑
RCNN对制动软管挂钩的检测能力。
[0024]3、使用RoI Align池化方法提高Faster
‑
RCNN的精度。
[0025]本专利技术方法提高了对列车制动软管挂钩的检测能力，这将有助于目标检测技术在列车安全检测领域中的应用，进一步提高目标检测技术的实际应用价值。
附图说明
[0026]图1是本专利技术所述基于深度神经网络的列车制动软管挂钩脱出故障检测方法的网络架构图；
[0027]图2是现有Faster
‑
RCNN网络的架构图；图中Reshape为重构模块，Softmax为分类
模块，Proposal为预选框生成模块，ROIPooling为ROI池化层；Bbox_pred为检测框模块；im_info表示预知的图像缩放比例；
[0028]图3是采用现有Faster
‑
RCNN网络进行列车制动软管挂钩检测的挂钩漏检结果示意图；图3为电脑截图，图中英文字符不影响图片的表达，可忽略；
[0029]图4是自动融合模块的示意图；
[0030]图5是自动融合模块中某一层的自动融合示意图；
[0031]图6是自动头模块的示意图；
[0032]图7是采用本专利技术方法进行列车制动软管挂钩检测的结果示意图；图7为电脑截图，图中数字或英文字符不影响图片的表达，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的列车制动软管挂钩脱出故障检测方法，其特征在于包括，步骤一：建立列车制动软管挂钩的样本数据集，并对样本数据中的挂钩进行类别标注，同时对样本数据配置列车制动软管挂钩标签；步骤二：采用样本数据对改进Faster
‑
RCNN网络进行训练，获得列车制动软管挂钩检测网络；步骤三：采集列车制动软管图像并进行预处理，获得待检测图像；将待检测图像输入制动软管挂钩检测网络进行检测，获得目标的定位和分类检测结果；若目标的分类检测结果为列车制动软管挂钩，则确定发生列车制动软管挂钩脱出故障；步骤二中所述改进Faster
‑
RCNN网络包括特征融合模块、自动融合模块、区域侯选网络头和自动头模块；所述特征融合模块中将现有Faster
‑
RCNN网络的ROI Pooling池化方法替换为ROIAlign池化方法；样本数据通过所述特征融合模块提取一级特征图；自动融合模块通过神经网络架构搜索的方式确定网络连接方式，并基于一级特征图进行分层融合获得融合了不同分辨率与不同语义强度的二级特征图；二级特征图通过区域侯选网络头获得二级特征图的目标侯选框；自动头模块通过神经网络架构搜索的方式对头网络进行搜索得到分类和回归网络，分类和回归网络对目标侯选框进行分类和修正，得到最终的目标定位和分类结果。2.根据权利要求1所述的基于深度神经网络的列车制动软管挂钩脱出故障检测方法，其特征在于，所述特征融合模块包括13个卷积层、13个激活层和4个池化层，池化层采用ROIAlign池化方法。3.根据权利要求1所述的基于深度神经网络的列车制动软管挂钩脱出故障检测方法，其特征在于，自动融合模块的搜索...

【专利技术属性】
技术研发人员：马金涛，
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：