(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211013664.2 (22)申请日 2022.08.23 (71)申请人 哈尔滨市科佳通用机电股份有限公 司 地址 150060 黑龙江省哈尔滨市经开区哈 平路集中区潍 坊路2号 (72)发明人 于婷　 (74)专利代理 机构 哈尔滨市松花江专利商标事 务所 23109 专利代理师 刘强 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/40(2022.01) G06V 10/22(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种铁路货车牵引杆折断的故障图像识别 方法 (57)摘要 一种铁路货车牵引杆折断的故障图像识别 方法， 涉及图像识别技术领域， 针对现有技术中 牵引杆折断故障检测准确率低的问题， 本申请采 用深度学习算法对图像进行识别， 可以对牵引杆 折断进行故障检测， 在检测效率及准确率上大大 提高， 并且节省很多人力物力， 为铁路运行的安 全增加了一份保障。 本申请改进了yolo ‑v5基准 网络中的残差计算单元， 设计了一个新的尺度维 度， 对特征信息进行分组计算后， 再组合拼接， 会 得到更多的表达能力强的特 征尺度。 权利要求书2页 说明书6页 附图1页 CN 115375988 A 2022.11.22 CN 115375988 A 1.一种铁路货车牵引杆折断的故障图像识别方法， 其特 征在于包括以下步骤： 获取待识别图像， 并利用神经网络对待识别图像进行牵引杆折断故障识别； 所述神经网络为改进的yolo ‑v5网络， 改进的yolo ‑v5网络对yolo ‑v5网络中CSP1_3网 络进行改进， CSP1_3网络具体执 行如下步骤： CSP1_3网络以CSP1_3网络之前的CBL网络提取的特征作为输入， 输入特征在CSP1_3中 的CBL网络中进行卷积和Leaky  relu激活操作， 得到输出的特征图， 然后将输出的特征图输 入到N组残差计算单元中对特征图进行残差计算， 之后将CSP1_3输入的特征和残差计算后 的结果进行卷积， 并将卷积结果输入到concat网络中进行融合， 融合后的结果依次经过BN 网络层、 Leaky  relu激活层和CBL网络层进行进一 步特征图提取。 2.根据权利要求1所述的一种铁路货车牵引杆折断的故障图像识别方法， 其特征在于 所述残差计算单 元具体执行如下步骤： 首先， 将输入的特征图分为三组， 即X1、 X2、 X3， 其中X1直接通过卷积提取特征得到Y1， X2通过一层3*3的卷积网络得到Y2， Y2和X3的特征进行特征张量的拼接后输入一层3*3的卷 积网络得到 Y3， 最后将Y1,Y2,Y 3一起输入到1*1的卷积层进行 特征融合。 3.根据权利要求1所述的一种铁路货车牵引杆折断的故障图像识别方法， 其特征在于 所述神经网络为训练好的神经网络， 训练步骤具体为： 步骤一： 获取铁路货车线阵 图像； 步骤二： 对铁路货车线阵 图像进行粗定位， 并将粗定位结果作为样本数据集； 步骤三： 对样本数据集中牵引杆折断 断痕所在区域进行 标记， 得到标记后的图像； 步骤四： 利用标记后的图像和原 始图像训练神经网络， 进 而训练好的神经网络 。 4.根据权利要求1所述的一种铁路货车牵引杆折断的故障图像识别方法， 其特征在于 所述yolo‑v5网络具体执 行如下步骤： 输入图像经基准网络进行特征提取， 提取到的特征输入Neck网络进行特征增强后输入 Head输出端， Head输出端包含一个分类分支和一个回归分支， Head输出端通过对神经网络 提取的特 征进行分类以及对目标框的回归完成目标检测。 5.根据权利要求4所述的一种铁路货车牵引杆折断的故障图像识别方法， 其特征在于 所述基准网络进行 特征提取的具体步骤为： 输入图像依 次经过Focus网络、 CBL网络、 CSP1_1网络、 CBL网络、 CSP1_3网络、 CBL网络、 CSP1_3网络、 CBL网络、 S PP网络进行 特征提取。 6.根据权利要求5所述的一种铁路货车牵引杆折断的故障图像识别方法， 其特征在于 所述提取到的特 征输入Neck网络进行 特征增强后输入Head输出端的具体步骤为： 所述Neck中， 第一个CSP2_1网络经第一个CBL网络后， 一路进行上采样后与第二CSP1_3 网络的输出在第一个concat网络中进行融合， 融合结果输入第二个CSP2_1网络， 第二个 CSP2_1网络的输出输入第二个CBL网络； 第二个CBL网络 的输出， 一路经上采样后与第一CSP1_3网络的输出在第二个concat网 络中进行融合， 融合结果输入第三个CSP2_1网络， 第三个CSP2 _1网络的输出输入第三个CBL 网络， 第三个CBL网络的输出与第二个CBL网络输出的另一路在第三个concat网络中进行融 合， 融合结果输入第四个CS P2_1网络；权　利　要　求　书 1/2 页 2 CN 115375988 A 2第四个CSP2_1网络的输出输入第四个CBL网络， 第四个CBL网络的输出与第一个CBL网 络输出的另一路在第四个co ncat网络中进行融合后输入第五个CS P2_1网络； 基准网络中， 第一个CSP1_3 网络的输出与 Neck网络中第二次上采样的特征图进行融合 后输入到Neck网络中第三个CS P2_1网络中进行 特征增强； 第二个CSP1_3网络的输出与Neck网络中第一次上采样的特征图进行融合后输入到 Neck网络中第二个CS P2_1网络中进行 特征增强； SPP网络的输出与Neck网络中第四个CSP2_1网络的输出进行融合后输入到Neck网络中 最后一个CS P2_1网络中进行 特征图的增强； Neck网络中的第三、 四、 五个CS P2_1网络的输出分别经 过卷积后输入到 Head网络中。 7.根据权利要求1所述的一种铁路货车牵引杆折断的故障图像识别方法， 其特征在于 所述步骤三中对样本数据集中牵引杆折断断痕所在区域进 行标记之前， 还包括对样本数据 集进行数据扩增的步骤。 8.根据权利要求7所述的一种铁路货车牵引杆折断的故障图像识别方法， 其特征在于 所述数据扩增包括图像的旋转、 平 移、 缩放、 镜像和亮度调整。 9.根据权利要求1所述的一种铁路货车牵引杆折断的故障图像识别方法， 其特征在于 所述步骤二中对待识别图像进行粗定位之前还包括根据车型信息对待识别图像进行过滤 的步骤。 10.根据权利要求9所述的一种铁路货车牵引杆折断的故障图像识别方法， 其特征在于 所述车型信息根据先导模块的先验知识获得。权　利　要　求　书 2/2 页 3 CN 115375988 A 3