本發(fā)明涉及鐵路檢測(cè)領(lǐng)域，特別涉及一種基于深度學(xué)習(xí)的TFDS非故障圖像檢測(cè)方法。

背景技術(shù)：

我國鐵路發(fā)展迅速，成為人們出行、貨物運(yùn)輸?shù)闹匾煌üぞ?，在給人們帶來便利的同時(shí)，人們對(duì)鐵路安全性能的要求也越來越高，任何細(xì)小的故障即可引發(fā)重大的事故。目前貨車鐵路的故障檢測(cè)基于TFDS系統(tǒng)(貨車運(yùn)行故障圖像動(dòng)態(tài)檢測(cè)系統(tǒng))由監(jiān)控室內(nèi)的列檢人員通過圖像復(fù)示終端軟件觀察所采集圖像，依賴人眼觀察圖像來完成，每天大量運(yùn)行的列車需要大量的室內(nèi)列檢人員來觀察圖像，同時(shí)對(duì)每個(gè)室內(nèi)列檢人員來說是個(gè)巨大的工作量。

盡管目前一些研究人員針對(duì)某些特定的故障研究了一些故障自動(dòng)識(shí)別算法，例如張益等在專利號(hào)為201110166974.3的發(fā)明專利“一種貨車下心盤螺栓丟失故障識(shí)別裝置及其識(shí)別方法”中提出了一種心盤螺栓丟失的故障識(shí)別方法。王敏在碩士論文“貨車底部手把和拉桿的故障識(shí)別算法研究”中提出了基于模板匹配和基于目標(biāo)結(jié)構(gòu)特征的兩種潛在故障區(qū)域的定位算法，定位后再對(duì)截?cái)嗳T手把關(guān)閉和緩解閥拉桿丟失兩類故障進(jìn)行判定。這些方法對(duì)故障出現(xiàn)的場(chǎng)景和故障的形態(tài)有很高的要求，而往往故障的種類多樣化，且某個(gè)區(qū)域可能出現(xiàn)的故障形式也表現(xiàn)為多樣化，因此這些自動(dòng)故障識(shí)別算法效率不高，容易出現(xiàn)漏檢，實(shí)用性不高，在現(xiàn)場(chǎng)依靠這些方法對(duì)列車進(jìn)行故障自動(dòng)識(shí)別會(huì)存在很大的風(fēng)險(xiǎn)。

從上述分析可以看出，目前現(xiàn)場(chǎng)的鐵路貨車故障檢測(cè)還是需要大量的列檢工作人員，然而，在實(shí)際鐵路貨車運(yùn)行中，TFDS采集的圖像中故障圖像所占的比率是非常低的，而非故障圖像占了大多數(shù)，因此，若能夠有效檢出大量非故障圖像，只將少量疑似故障圖像留給列檢人員檢測(cè)，將可以大大提高工作效率。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明的主要目的在于提供一種基于深度學(xué)習(xí)的TFDS非故障圖像檢測(cè)方法，基于深度學(xué)習(xí)圖像識(shí)別和目標(biāo)檢測(cè)技術(shù)，使用一個(gè)統(tǒng)一的網(wǎng)絡(luò)模型同步檢測(cè)多類關(guān)鍵區(qū)域，通過有效的訓(xùn)練使得該模型只檢測(cè)出不包含故障的關(guān)鍵部位區(qū)域，從而濾除這些非故障圖像，只將少數(shù)關(guān)鍵部位未檢測(cè)出的圖像作為疑似故障圖像，由室內(nèi)列檢人員人眼觀察檢測(cè)。

為達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：

一種基于深度學(xué)習(xí)的TFDS非故障圖像檢測(cè)方法，包括以下步驟：

步驟11、收集TFDS圖像，建立非故障圖像訓(xùn)練樣本圖庫和包含故障及非故障圖像的測(cè)試樣本圖庫；

步驟12、采用基于機(jī)器學(xué)習(xí)算法的半自動(dòng)標(biāo)注方法標(biāo)注步驟11的非故障圖像訓(xùn)練樣本圖庫，得到標(biāo)注信息，同時(shí)由非故障圖像訓(xùn)練樣本圖庫和標(biāo)注信息建立關(guān)鍵區(qū)域圖庫；

步驟13、根據(jù)步驟11的非故障圖像訓(xùn)練樣本圖庫和步驟12的標(biāo)注信息建立多區(qū)域多類別同步關(guān)鍵區(qū)域檢測(cè)的網(wǎng)絡(luò)模型，所述網(wǎng)絡(luò)模型包括圖像特征提取模塊和目標(biāo)區(qū)域檢測(cè)模塊，圖像特征提取模塊用于獲取圖像特征表達(dá)，目標(biāo)區(qū)域檢測(cè)模塊用于對(duì)關(guān)鍵區(qū)域進(jìn)行定位檢測(cè)；

步驟14、使用步驟12的關(guān)鍵區(qū)域圖庫預(yù)訓(xùn)練步驟13的圖像特征提取模塊，獲得步驟13的網(wǎng)絡(luò)模型中圖像特征提取模塊網(wǎng)絡(luò)層的預(yù)訓(xùn)練參數(shù)；

步驟15、根據(jù)步驟14的預(yù)訓(xùn)練參數(shù)初始化網(wǎng)絡(luò)模型中的參數(shù)，結(jié)合步驟11包含故障及非故障圖像的測(cè)試樣本圖庫采用多次測(cè)試進(jìn)一步微調(diào)的網(wǎng)絡(luò)訓(xùn)練策略訓(xùn)練步驟12的網(wǎng)絡(luò)模型，得到一個(gè)只檢測(cè)非故障圖像的網(wǎng)絡(luò)模型；

步驟16、使用步驟15訓(xùn)練好的網(wǎng)絡(luò)模型檢測(cè)現(xiàn)場(chǎng)TFDS圖像，檢測(cè)時(shí)，先由步驟13的圖像特征提取模塊獲得圖像的特征表達(dá)，再由步驟13的目標(biāo)區(qū)域檢測(cè)模塊定位關(guān)鍵區(qū)域，能夠準(zhǔn)確檢測(cè)出該圖像中關(guān)鍵區(qū)域的圖像判為非故障圖像，反之判為疑似故障圖像，排除非故障圖像，而疑似故障圖像將由室內(nèi)列檢人員人眼去觀察判別。

步驟11所述的非故障圖像訓(xùn)練樣本圖庫是只將包含待檢測(cè)關(guān)鍵區(qū)域的非故障圖像列入訓(xùn)練樣本圖庫中，且保證包含每類關(guān)鍵區(qū)域的樣本數(shù)基本均衡，避免樣本傾斜；所述包含故障及非故障圖像的測(cè)試樣本圖庫則將包含待檢測(cè)關(guān)鍵區(qū)域的故障及非故障圖像均列入測(cè)試樣本圖庫中，其中的故障圖像盡可能包含該關(guān)鍵區(qū)域一些常見表現(xiàn)形式的故障圖像。

步驟12所述的標(biāo)注非故障圖像訓(xùn)練樣本圖庫是對(duì)步驟11中建立的非故障圖像訓(xùn)練樣本圖庫采用半自動(dòng)標(biāo)注的方法，即人工標(biāo)注部分圖像，并用這些帶有人工標(biāo)注的非故障圖像訓(xùn)練樣本圖庫訓(xùn)練一個(gè)基于機(jī)器學(xué)習(xí)算法構(gòu)建的分類器，結(jié)合該分類器的檢測(cè)輔助人工標(biāo)注；建立關(guān)鍵區(qū)域圖庫是根據(jù)標(biāo)注信息將非故障圖像訓(xùn)練樣本圖庫中的關(guān)鍵區(qū)域裁剪并按照關(guān)鍵區(qū)域的類別分類。

步驟13所述的建立多區(qū)域多類別同步關(guān)鍵區(qū)域檢測(cè)的網(wǎng)絡(luò)模型，即建立一個(gè)基于深度學(xué)習(xí)多類別的關(guān)鍵區(qū)域檢測(cè)的網(wǎng)絡(luò)模型，用于檢測(cè)TFDS圖像中的一些關(guān)鍵區(qū)域，檢測(cè)的類別與待檢測(cè)的關(guān)鍵區(qū)域類別數(shù)相一致；關(guān)鍵區(qū)域檢測(cè)的網(wǎng)絡(luò)模型基于卷積神經(jīng)網(wǎng)絡(luò)理論，包括圖像特征提取模塊和目標(biāo)區(qū)域檢測(cè)模塊，具體包括以下步驟：

(1)基于原圖像建立多層卷積層提取圖像特征得到最后一層卷積特征圖，該卷積特征圖用于目標(biāo)區(qū)域檢測(cè)模塊中目標(biāo)區(qū)域的特征表達(dá)；(2)根據(jù)原圖像提取候選區(qū)域，這些候選區(qū)域映射至最后一層卷積特征圖得到相應(yīng)的特征表達(dá)，再經(jīng)過全連接層等至網(wǎng)絡(luò)的輸出層，網(wǎng)絡(luò)的輸出包括目標(biāo)區(qū)域框的回歸和目標(biāo)區(qū)域框的分類。

其中由(1)得到圖像特征提取模塊，用于建立原圖像的特征表達(dá)，從而便于獲取(2)中候選區(qū)域的特征表達(dá)，由(2)得到目標(biāo)區(qū)域檢測(cè)模塊，根據(jù)網(wǎng)絡(luò)的輸出即可得到網(wǎng)絡(luò)模型檢測(cè)到的目標(biāo)區(qū)域及該目標(biāo)區(qū)域所屬的類別。

步驟14所述的關(guān)鍵區(qū)域圖庫預(yù)訓(xùn)練網(wǎng)絡(luò)模型，僅預(yù)訓(xùn)練步驟13網(wǎng)絡(luò)模型中的圖像特征提取模塊，即從圖像輸入到最后一層卷積特征圖之間的權(quán)值參數(shù)；通過訓(xùn)練一個(gè)關(guān)鍵區(qū)域圖庫的分類網(wǎng)絡(luò)，得到圖像特征提取模塊中網(wǎng)絡(luò)層的預(yù)訓(xùn)練參數(shù)，該預(yù)訓(xùn)練參數(shù)能夠給步驟13的網(wǎng)絡(luò)模型提供一個(gè)較好的初始化參數(shù)。

步驟15中使用步驟14預(yù)訓(xùn)練得到的權(quán)值參數(shù)初始化步驟13網(wǎng)絡(luò)模型的圖像特征提取模塊中的網(wǎng)絡(luò)層參數(shù)，而其它參數(shù)隨機(jī)初始化。

步驟15中，為了防止關(guān)鍵區(qū)域檢測(cè)的網(wǎng)絡(luò)模型將包含故障的關(guān)鍵區(qū)域檢測(cè)出來，采用多次測(cè)試進(jìn)一步微調(diào)網(wǎng)絡(luò)的策略，即訓(xùn)練好的網(wǎng)絡(luò)模型測(cè)試步驟11的測(cè)試樣本圖庫，將檢測(cè)錯(cuò)的關(guān)鍵區(qū)域作為負(fù)樣本加入訓(xùn)練樣本圖庫中繼續(xù)訓(xùn)練，經(jīng)過多次的測(cè)試與訓(xùn)練，獲得最佳模型參數(shù)，用訓(xùn)練好的具有最佳模型參數(shù)的網(wǎng)絡(luò)模型檢測(cè)現(xiàn)場(chǎng)TFDS圖像，能夠準(zhǔn)確檢測(cè)出關(guān)鍵區(qū)域的圖像判為非故障圖像，反之判為疑似故障圖像。

步驟15中訓(xùn)練得到的網(wǎng)絡(luò)模型用于現(xiàn)場(chǎng)檢測(cè)時(shí)，能夠根據(jù)現(xiàn)場(chǎng)的檢測(cè)結(jié)果不斷優(yōu)化，優(yōu)化方法為：定期檢查檢測(cè)結(jié)果，將現(xiàn)場(chǎng)中檢錯(cuò)的關(guān)鍵區(qū)域作為負(fù)樣本加入至訓(xùn)練樣本圖庫中繼續(xù)訓(xùn)練，得到更優(yōu)的模型參數(shù)。

本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于：本發(fā)明提供的一種基于深度學(xué)習(xí)的TFDS非故障圖像檢測(cè)方法，是一種鐵路故障輔助檢測(cè)方法，旨在于通過檢測(cè)圖像中非故障的關(guān)鍵區(qū)域來濾除大量正常圖像，只將少量疑似故障的圖像由室內(nèi)列檢人員人眼觀察來檢測(cè)，這種輔助檢測(cè)方法能夠大大減少室內(nèi)列檢人員的工作量，降低列檢人員的工作強(qiáng)度，在現(xiàn)場(chǎng)有很強(qiáng)的實(shí)用性。不同于現(xiàn)有技術(shù)，該方法只將正常非故障圖像檢測(cè)出來，對(duì)故障表現(xiàn)的不同形態(tài)不予考慮，尤其對(duì)于表現(xiàn)形式多樣化的故障，這種輔助檢測(cè)方法能夠有效避免漏檢。同時(shí)，基于深度學(xué)習(xí)技術(shù)的關(guān)鍵區(qū)域檢測(cè)算法不需要針對(duì)不同類別區(qū)域分別設(shè)計(jì)算法，直接交給網(wǎng)絡(luò)去學(xué)習(xí)，大大減輕了以往人為設(shè)計(jì)特征提取器的復(fù)雜過程，能夠?qū)崿F(xiàn)同時(shí)對(duì)多個(gè)類別的關(guān)鍵區(qū)域進(jìn)行檢測(cè)。

附圖說明

圖1為本發(fā)明基于深度學(xué)習(xí)的TFDS非故障檢測(cè)方法的總體實(shí)現(xiàn)流程圖；

圖2為半自動(dòng)標(biāo)注方法的流程示意圖；

圖3為側(cè)架部位和部分中間部TFDS圖像及關(guān)鍵區(qū)域標(biāo)注。

具體實(shí)施方式

以下結(jié)合附圖及具體實(shí)施例對(duì)本發(fā)明再作進(jìn)一步詳細(xì)的說明。

圖1為本發(fā)明基于深度學(xué)習(xí)的TFDS非故障檢測(cè)方法的總體實(shí)現(xiàn)流程圖，如圖1所示，本發(fā)明的故障輔助檢測(cè)方法包括以下步驟：

步驟11：收集TFDS圖像，建立非故障圖像訓(xùn)練樣本圖庫和包含故障及非故障圖像的測(cè)試樣本圖庫。收集現(xiàn)場(chǎng)采集的不同車次的TFDS圖像，挑選出非故障的圖像建立訓(xùn)練樣本圖庫，訓(xùn)練樣本圖庫中包含需要檢測(cè)的所有關(guān)鍵區(qū)域，且包含不同關(guān)鍵區(qū)域的圖像樣本數(shù)要基本均衡，避免樣本傾斜。

將故障和非故障的圖像建立測(cè)試樣本圖庫，準(zhǔn)備多組測(cè)試樣本圖庫，每組的圖像需要包含關(guān)鍵區(qū)域非故障和故障圖像，其中故障圖像包含關(guān)鍵區(qū)域中常見高發(fā)故障的各種表現(xiàn)形式。

步驟12、采用基于機(jī)器學(xué)習(xí)算法的半自動(dòng)標(biāo)注方法標(biāo)注訓(xùn)練樣本圖庫，得到標(biāo)注信息，同時(shí)由訓(xùn)練樣本圖庫和標(biāo)注信息建立關(guān)鍵區(qū)域圖庫。標(biāo)注是要針對(duì)每幅圖像每個(gè)關(guān)鍵區(qū)域進(jìn)行標(biāo)注的，其中標(biāo)注信息包括關(guān)鍵區(qū)域的左上角、右下角的像素坐標(biāo)、以及關(guān)鍵區(qū)域的類別，建立與訓(xùn)練樣本庫一一對(duì)應(yīng)的標(biāo)注文件。

在基于深度學(xué)習(xí)有監(jiān)督的網(wǎng)絡(luò)模型中，帶標(biāo)注的樣本是訓(xùn)練一個(gè)好模型的關(guān)鍵所在，且訓(xùn)練的樣本數(shù)越多得到的模型越好，然而訓(xùn)練樣本標(biāo)注需要耗費(fèi)大量的時(shí)間，傳統(tǒng)的機(jī)器學(xué)習(xí)算法雖然效果遠(yuǎn)不如深度學(xué)習(xí)算法，但傳統(tǒng)機(jī)器學(xué)習(xí)算法的訓(xùn)練需要的訓(xùn)練樣本要少很多，因此借助傳統(tǒng)機(jī)器學(xué)習(xí)算法采用半自動(dòng)標(biāo)注的方法，即人工標(biāo)注部分圖像(約占非故障圖像訓(xùn)練樣本圖庫的20％-30％)，并將該帶標(biāo)注樣本訓(xùn)練一個(gè)基于機(jī)器學(xué)習(xí)算法構(gòu)建的分類器，結(jié)合分類器的檢測(cè)輔助人工標(biāo)注。

如圖2所示，半自動(dòng)標(biāo)注方法主要包括以下步驟：

a、人工標(biāo)注部分圖像樣本，并將該帶標(biāo)注樣本訓(xùn)練一個(gè)基于機(jī)器學(xué)習(xí)算法構(gòu)建的分類器(例如Adaboost目標(biāo)檢測(cè)分類器)。

b、將未標(biāo)注的樣本進(jìn)行分組，每組圖像數(shù)與訓(xùn)練樣本數(shù)相等。

c、將一組未標(biāo)注樣本輸入a中訓(xùn)練好的分類器中，挑出分類器輸出結(jié)果符合要求的樣本，直接使用分類器輸出數(shù)據(jù)制作該樣本的標(biāo)注，同時(shí)將這些制作好標(biāo)注的樣本加入原人工標(biāo)注樣本中作為新的更大的訓(xùn)練樣本集，再一次訓(xùn)練該分類器。

d、取一組未標(biāo)注樣本輸入新訓(xùn)練好的分類器中，同樣挑出分類器輸出結(jié)果符合要求的樣本，使用分類器輸出數(shù)據(jù)制作該樣本的標(biāo)注，再將這些帶標(biāo)注的樣本加入上一次訓(xùn)練樣本中重新訓(xùn)練。隨著訓(xùn)練樣本的增加，三次的訓(xùn)練能夠大大提高分類器的性能，當(dāng)然更多次的訓(xùn)練會(huì)讓分類器更加強(qiáng)大，使網(wǎng)絡(luò)的輸出結(jié)果準(zhǔn)確率進(jìn)一步提高。

e、將剩余未標(biāo)注樣本以及前兩次標(biāo)注不符合要求的樣本輸入經(jīng)過三次訓(xùn)練好的分類器中，對(duì)于分類器輸出結(jié)果符合要求的樣本，直接使用輸出數(shù)據(jù)制作該樣本的標(biāo)注；對(duì)于分類器輸出結(jié)果錯(cuò)誤的樣本，采用人工標(biāo)注修正。這種機(jī)器標(biāo)注和人工標(biāo)注結(jié)合的標(biāo)注模式，將大大減少人工標(biāo)注工作量，降低純?nèi)斯?biāo)注錯(cuò)誤率。

建立關(guān)鍵區(qū)域圖庫是將標(biāo)注好的訓(xùn)練樣本圖庫中的關(guān)鍵區(qū)域裁剪并按照區(qū)域的類別分類。

步驟13、建立多區(qū)域多類別同步關(guān)鍵區(qū)域檢測(cè)的網(wǎng)絡(luò)模型，模型包括圖像特征提取模塊和目標(biāo)區(qū)域檢測(cè)模塊。關(guān)鍵區(qū)域檢測(cè)包括兩大步：圖像特征提取和目標(biāo)區(qū)域檢測(cè)，圖像特征提取采用一個(gè)多層的卷積神經(jīng)網(wǎng)絡(luò)模型提取圖像特征，輸入原圖像，經(jīng)過多層卷積池化等層的作用得到最后一層卷積特征圖，該卷積特征圖為目標(biāo)區(qū)域檢測(cè)過程提供特征表達(dá)。目標(biāo)區(qū)域檢測(cè)可以基于區(qū)域預(yù)測(cè)的檢測(cè)方法，在文章“Faster R-CNN:Towards real-time object detection with region proposal networks[C],Advances in neural information processing systems.2015,Montreal,Canada”中有相關(guān)描述，也可以基于回歸的檢測(cè)方法，在文章“You Only Look Once:Unified,Real-Time Object Detection[J].Computer Science,2016”中有相關(guān)描述。

建立的多區(qū)域多類別同步關(guān)鍵區(qū)域檢測(cè)的網(wǎng)絡(luò)模型，用于檢測(cè)TFDS圖像中的一些關(guān)鍵區(qū)域，其中檢測(cè)的類別與關(guān)鍵區(qū)域類別數(shù)相一致。

步驟14、使用關(guān)鍵區(qū)域圖庫預(yù)訓(xùn)練網(wǎng)絡(luò)模型，獲得網(wǎng)絡(luò)模型中圖像特征提取網(wǎng)絡(luò)層的預(yù)訓(xùn)練參數(shù)。使用步驟12建立的關(guān)鍵區(qū)域圖庫對(duì)網(wǎng)絡(luò)模型預(yù)訓(xùn)練，僅預(yù)訓(xùn)練網(wǎng)絡(luò)模型中圖像特征提取層的參數(shù)，即從圖像輸入到最后一層卷積特征圖之間的權(quán)值參數(shù)。通過訓(xùn)練一個(gè)關(guān)鍵區(qū)域圖庫的分類網(wǎng)絡(luò)，得到預(yù)訓(xùn)練的權(quán)值參數(shù)。

步驟15、初始化網(wǎng)絡(luò)模型中的參數(shù)，采用多次測(cè)試進(jìn)一步微調(diào)的網(wǎng)絡(luò)訓(xùn)練策略，得到一個(gè)只檢測(cè)非故障圖像的網(wǎng)絡(luò)模型。使用步驟14預(yù)訓(xùn)練得到的權(quán)值參數(shù)初始化步驟13網(wǎng)絡(luò)模型的圖像特征提取網(wǎng)絡(luò)層參數(shù)，其它參數(shù)隨機(jī)初始化。用訓(xùn)練樣本圖庫訓(xùn)練網(wǎng)絡(luò)模型，調(diào)整網(wǎng)絡(luò)超參數(shù)，其中包括：基礎(chǔ)學(xué)習(xí)速率、沖量、衰減量、學(xué)習(xí)速衰減策略、最大迭代次數(shù)、各層參數(shù)學(xué)習(xí)速率倍率等。

為了防止該關(guān)鍵區(qū)域檢測(cè)的網(wǎng)絡(luò)模型也將包含故障區(qū)域的圖像檢測(cè)出來，采用多次測(cè)試進(jìn)一步微調(diào)網(wǎng)絡(luò)的策略。即將訓(xùn)練好的網(wǎng)絡(luò)模型測(cè)試步驟11的測(cè)試樣本圖庫，每次選取一組測(cè)試樣本圖庫，將錯(cuò)檢的關(guān)鍵區(qū)域圖像作為負(fù)樣本加入訓(xùn)練樣本圖庫中重新訓(xùn)練，重復(fù)多組的微調(diào)訓(xùn)練直到該網(wǎng)絡(luò)模型能夠有效的檢測(cè)出非故障的關(guān)鍵區(qū)域，且不把有故障的關(guān)鍵區(qū)域檢測(cè)出來。

步驟16、檢測(cè)現(xiàn)場(chǎng)TFDS圖像，通過訓(xùn)練好的網(wǎng)絡(luò)模型排除大量非故障圖像，少量疑似故障圖像由室內(nèi)列檢人員人眼去觀察判別。通過步驟15中訓(xùn)練好的網(wǎng)絡(luò)模型排除大量非故障圖像，訓(xùn)練好的網(wǎng)絡(luò)模型首先對(duì)現(xiàn)場(chǎng)TFDS圖像進(jìn)行檢測(cè)，能夠準(zhǔn)確檢測(cè)出該圖像中關(guān)鍵區(qū)域的圖像判為非故障圖像，反之判為疑似故障圖像，疑似故障圖像再由室內(nèi)列檢人員人眼觀察檢測(cè)。

為了說明本發(fā)明的TFDS非故障圖像檢測(cè)方法，以一具體檢測(cè)實(shí)例進(jìn)行說明：

圖3所示為側(cè)架部位和部分中間部的TFDS圖像，其中包括的關(guān)鍵區(qū)域如圖3標(biāo)記所示，其中關(guān)鍵區(qū)域1容易發(fā)生軸端螺栓丟失、脫落，軸承前蓋丟失、裂損，擋鍵丟失等的故障；區(qū)域2容易發(fā)生交叉桿端部緊固螺栓丟失，鎖緊板移位、丟失等故障；區(qū)域3容易發(fā)生搖枕彈簧竄出、丟失、折斷等故障；區(qū)域4容易發(fā)生截?cái)嗳T把手關(guān)閉的故障；區(qū)域5、6容易發(fā)生人力制動(dòng)機(jī)拉桿鏈折斷、人力制動(dòng)機(jī)拉桿圓銷丟失等故障。這些關(guān)鍵區(qū)域的故障在鐵路貨車中均屬于高發(fā)故障。

按圖1所述步驟對(duì)上述的6類區(qū)域進(jìn)行檢測(cè)，過程為：

收集TFDS側(cè)架部位(包括前臺(tái)側(cè)架和后臺(tái)側(cè)架)、中間部的圖像，隨機(jī)選取非故障圖像建立包含4500幅圖像的訓(xùn)練樣本圖庫，再選出600幅圖像建立測(cè)試樣本圖庫，該測(cè)試樣本圖庫隨機(jī)分成3組，每組200幅圖像，該測(cè)試樣本圖庫中包括各關(guān)鍵區(qū)域非故障和故障圖像，其中故障表現(xiàn)形式包括這6類區(qū)域下易發(fā)生的故障類型，如前面所述。

將訓(xùn)練樣本圖庫隨機(jī)分組，采用步驟12所述的半自動(dòng)標(biāo)注的方法標(biāo)注訓(xùn)練樣本圖庫。同時(shí)，標(biāo)注后將所有標(biāo)注的區(qū)域裁剪并按照區(qū)域類別歸類，建立關(guān)鍵區(qū)域圖庫。

根據(jù)論文“Faster R-CNN:Towards real-time object detection with region proposal networks[C],Advances in neural information processing systems.2015,Montreal,Canada”建立一個(gè)基于Faster RCNN的關(guān)鍵區(qū)域檢測(cè)模型，檢測(cè)圖3所標(biāo)記了6類關(guān)鍵區(qū)域。

使用關(guān)鍵區(qū)域圖庫對(duì)網(wǎng)絡(luò)模型預(yù)訓(xùn)練，預(yù)訓(xùn)練網(wǎng)絡(luò)模型中卷積層的參數(shù)，即從圖像輸入到最后一層卷積特征圖之間的權(quán)值參數(shù)。通過訓(xùn)練基于Faster RCNN的圖像分類網(wǎng)絡(luò)，即訓(xùn)練分類關(guān)鍵區(qū)域圖庫的網(wǎng)絡(luò)，得到預(yù)訓(xùn)練的權(quán)值參數(shù)。

用預(yù)訓(xùn)練的參數(shù)初始化網(wǎng)絡(luò)模型，其余參數(shù)隨機(jī)初始化，設(shè)定網(wǎng)絡(luò)超參數(shù)，訓(xùn)練網(wǎng)絡(luò)直至收斂。用一組測(cè)試圖像測(cè)試該網(wǎng)絡(luò)，將錯(cuò)檢的圖像，即包含故障的關(guān)鍵區(qū)域也被檢測(cè)出來的圖像，該錯(cuò)檢的關(guān)鍵區(qū)域作為負(fù)樣本，加入訓(xùn)練樣本圖庫中繼續(xù)訓(xùn)練。訓(xùn)練好的模型測(cè)試第二組測(cè)試圖像，同樣將錯(cuò)檢的關(guān)鍵區(qū)域作為負(fù)樣本，加入訓(xùn)練樣本圖庫中繼續(xù)訓(xùn)練。最后得到的模型再測(cè)試第三組測(cè)試圖像。

該方法能夠?qū)?0％以上的非故障關(guān)鍵區(qū)域檢測(cè)出來，對(duì)于有故障的圖像均不檢測(cè)，因此，該方法能夠過濾大量非故障圖像，這樣在現(xiàn)場(chǎng)時(shí)可以只將少量疑似故障圖像由室內(nèi)列檢人員人眼觀察檢測(cè)，大大減輕了室內(nèi)列檢人員的工作量，提高了效率。

以上所述，僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。