一种基于卷积神经网络的铁路货车车辆钩舌裂纹识别方法与流程

1.本发明涉及一种裂纹识别方法，具体涉及一种基于卷积神经网络的铁路货车车辆钩舌裂纹识别方法。


背景技术：

2.钩舌是用来实现机车和铁路货车车辆或铁路货车车辆和铁路货车车辆之间的连挂，传递牵引力及冲击力，并使车辆之间保持一定距离的车辆部件。钩舌虽小但是其所起的作用却不容忽视，定期对钩舌进行检查是非常必要的。正常情况下，钩舌出现的问题以钩舌裂纹为主，钩舌裂纹一般位于零件的结构受力处,其特点是多点散发，无特定规律性，裂纹会对钩舌的强度和行车安全构成影响，严重的情况下会发生安全事故。
3.当前车辆检修人员识别钩舌裂纹的方法以人工肉眼检查为主，辅助以传统的识别算法；传统的识别算法对于这种零散和无特定规律的裂纹识别效果很不理想，误检率高，因此安全隐患较大；而人工检查的方式效率低下，主观性大，受经验影响较大，经验欠丰富的检修人员容易出错。


技术实现要素：

4.针对上述现有技术存在的问题，本发明提供一种基于卷积神经网络的铁路货车车辆钩舌裂纹识别方法，检测精度和检测效率两方面均得到很大的提升。
5.为实现上述目的，本发明提供如下技术方案：一种基于卷积神经网络的铁路货车车辆钩舌裂纹识别方法，包括摄像机和工控机，摄像机和工控机电连接；还包括边缘计算机，边缘计算机与工控机电连接；钩舌裂纹识别方法包括以下步骤：
6.步骤一，网络模型的构建；
7.步骤二，图片样本的收集；
8.步骤三，模型参数的训练；
9.步骤四，钩舌裂纹识别。
10.进一步的，所述步骤一中网络模型是针对裂纹的特点而构建的，经过conv1、conv2、conv3三层不同大小尺度的卷积层，提取到不同大小的中间特征，然后经过转置卷积层得到和输入相同大小的，通道数据为分类数目的输出张量，最后对输出沿分类方向作softmax得到某个点的分类结果。
11.进一步的，所述步骤二中收集的图片样本，在每张图片样本上进行标注，利用多边形将图片样本中的真实裂纹进行框选，并保存成符合模型输入的格式。
12.进一步的，所述步骤三中模型参数的训练为求解最优参数的过程，用极大似然估计可表示为如下表达式：θ
t
＝argmax∑ilogp
θ
(xi)；其中，p
θ
(x)为模型，θ为参数，θ
t
为最优参数，xi为输入值；给定输入值xi，得到一组目标值yi，利用上式计算得到概率分布值，并由此计算损失函数，调整参数θ，使损失函数慢慢变小。
13.进一步的，所述步骤四中钩舌裂纹识别的图片由摄像机拍摄而来，摄像机将拍摄
的钩舌图片经工控机传输至边缘计算机中并由模型对钩舌图片进行裂纹识别。
14.进一步的，所述工控机将模型进行转换，先转换为通用格式onnx神经网络模型，然后再转换为边缘计算机可运行的模型。
15.进一步的，还包括声光报警系统，声光报警系统与工控机电连接。
16.与现有技术相比，本发明将人工智能和神经网络的前沿技术应用于钩舌裂纹的识别上，基于卷积神经网络的深度学习算法，构建特征提取和图像分割模型，通过对已知的图片进行人工标注，并将图片和标注信息输入网络模型进行特征训练，从而得到满足检测准确率要求的网络参数；检测精度和检测效率两方面均得到很大的提升，从而提高经济效益。
附图说明
17.图1为本发明结构框图；
18.图2为本发明图片样本图；
19.图3为本发明实测结果图。
具体实施方式
20.下面结合附图对本发明作进一步说明。
21.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
22.如图1所示，本发明提供一种技术方案，基于卷积神经网络的铁路货车车辆钩舌裂纹识别方法，包括摄像机，工控机和边缘计算机，摄像机和工控机电连接，边缘计算机与工控机电连接；钩舌裂纹识别方法基于卷积神经网络(cnn)的深度学习算法,构建特征提取和图像分割模型，通过对已知的图片进行人工标注,并将图片和标注信息输入网络模型进行特征训练,从而得到满足检测准确率要求的网络参数，包括以下步骤。
23.网络模型的构建：针对裂纹的特点构建网络模型，图像的卷积是利用一定大小的卷积核对图像进行滤波，从而获得图像的局部特征的一个过程，卷积核尺寸的大小决定了所提取到的特征的大小；本发明经过conv1、conv2、conv3三层不同大小尺度的卷积层，提取到不同大小的中间特征，然后经过转置卷积层得到和输入相同大小的，通道数据为分类数目的输出张量，最后对输出沿分类方向作softmax得到某个点的分类结果。
24.图片样本的收集：如图2所示，为了能使模型的准确度达到比较高的水平，尽可能多的收集图片样本，在每张图片样本上进行标注，利用多边形将图片样本中的真实裂纹进行框选，并保存成符合模型输入的格式。由于样本数据集的数量有限，一般需要对样本数据集进行增强处理，所谓增强，实际就是对样本进行放大或缩小，又或者进行角度的旋转，以生成更多不同尺度和方位的样本数据集,以增强模型的泛化性能。
25.模型参数的训练：模型是一个概率分布函数p
θ
(x)，θ表示n个参数θ1，θ2，
…
，θn，训练的过程就是求解最优参数θ
t
使得p
θ
(x)最大的过程，用极大似然估计可表示为如下表达式：θ
t
＝argmax∑ilogp
θ
(xi)；其中，p
θ
(x)为模型，θ为参数，θ
t
为最优参数，xi为输入值；给定输入值xi，得到一组目标值yi，利用上述的极大似然估计表达式得到概率分布值，并由此计
算损失函数。一般用l2模损失函数来进行损失计算，调整参数，使损失函数慢慢变小。
26.钩舌裂纹识别：经过训练后的模型，可用于钩舌图片裂纹识别，深度学习的模型由于运算量非常巨大，直接进行运算的话其计算的速度会非常慢，不利于实际场合的使用，因此增设边缘计算机，钩舌裂纹识别的图片由摄像机拍摄而来，摄像机将拍摄的钩舌图片经工控机传输至边缘计算机中，本发明模型的编码和训练都在工控机上进行,使用pytorch深度学习框架进行编程,使用的是python编程语言，训练最终生成的模型是pytorch格式的模型，然而在边缘计算机上运行的模型必须是符合边缘计算机自定义格式的模型,这就要求将pytorch格式的模型先转换为通用格式onnx神经网络模型，然后再转换为特定的格式。钩舌裂纹识别的图片由摄像机拍摄而来，摄像机将拍摄的钩舌图片经工控机传输至边缘计算机中并由转换好的模型对钩舌图片进行裂纹识别，经识别后的图片再由边缘计算机中传输给工控机，由工控机显示识别后的图片，识别后的图片如图3所示。在识别的基础上，对模型进行进一步的修改和训练，以进一步的优化识别效果。增设声光报警系统，声光报警系统与工控机电连接，当钩舌图片有裂纹被识别出来，工控机控制声光报警系统启动，提示工作人员及时查看裂纹情况。
27.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
28.以上所述，仅为本发明的较佳实施例，并不用以限制本发明，凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同替换和改进，均应包含在本发明技术方案的保护范围之内。