(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 202210975476.1 (22)申请日 2022.08.15 (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 张光伟　 (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 10/54(2022.01) G06V 10/74(2022.01) G06V 10/774(2022.01) (54)发明名称 基于深度学习的转向架弹簧 托板检测方法 (57)摘要 基于深度学习的转向架弹簧托板检测方法， 涉及图像处理技术领域， 针对现有技术中弹簧托 板故障检测存在准确率低的问题， 本申请通过深 度学习的方法可以有效地减少检测人员的工作 量， 深度学习方法可以一直以计算机良好的状态 进行高速高效率的检测。 通过使用深度学习的预 测网络的方法相比较常规方法可以显著减少人 力物力的消耗， 同时显著的减少了检测时间， 提 高检测的效率。 通过使用了深度学习的辅助网络 进行了协助预测， 在不产生漏报的情况下进一步 提升准确率， 去除一些预测网络产生的误报情 况， 进一步减少检测人员的工作量。 深度学习的 方法可以为检测工作提供极大便利， 为动车保驾 护航。 权利要求书2页 说明书6页 附图1页 CN 115331085 A 2022.11.11 CN 115331085 A 1.基于深度学习的转向架弹簧 托板检测方法， 其特 征在于包括以下步骤： 步骤一： 获取弹簧 托板区域图像； 步骤二： 对弹簧 托板区域图像中弹簧 托板区域和故障区域进行 标记； 步骤三： 利用弹簧托板区域图像、 弹簧托板区域和故障区域训练预测网络， 得到训练好 的预测网络， 所述预测网络为Faster ‑RCNN； 步骤四： 重新获取弹簧托板区域图像， 并对弹簧托板区域图像进行纹理特征提取， 得到 纹理特征； 步骤五： 对弹簧 托板区域图像中的故障区域和干扰区域进行 标记； 步骤六： 将重新获取的弹簧 托板区域图像、 纹 理特征、 故障区域和干扰区域进行存 储； 步骤七： 获取待识别弹簧托板区域图像， 将待识别弹簧托板区域图像输入预测网络， 若 输出弹簧 托板区域和故障区域， 则执 行步骤八， 否则， 认定为无故障； 步骤八： 判断弹簧托板区域是否包含故障区域， 若不包含， 则认定为无故障， 若包含， 则 执行步骤九； 步骤九： 将待识别弹簧 托板区域图像进行纹 理特征提取， 得到纹 理特征； 步骤十： 调取存储的纹理特征， 将其与步骤九中得到的纹理特征进行相似度比对， 然后 选取相似度最高的纹 理特征对应的弹簧 托板区域图像、 故障区域和干扰区域； 步骤十一： 将步骤十中得到的弹簧托板区域图像根据步骤七中得到的故障区域进行区 域划分； 步骤十二： 将步骤七中得到的故障区域和划分后的区域分别进行纹理特征提取， 得到 纹理特征； 步骤十三： 将步骤七中得到的故障区域的纹理特征和划分后的区域的纹理特征进行相 似度比对， 选取相似度最高的划分后的区域， 并将相似度最高的划分后的区域与步骤十中 得到的故障区域和干扰区域进行重合度比对， 并根据重合度比对结果判定是否存在故障。 2.根据权利要求1所述的基于深度学习的转向架弹簧托板检测方法， 其特征在于所述 纹理特征提取通过VG G19网络进行。 3.根据权利要求2所述的基于深度学习的转向架弹簧托板检测方法， 其特征在于所述 VGG19网络包括Relu1 ‑1、 Relu2‑1和Relu3 ‑1三层。 4.根据权利要求3所述的基于深度学习的转向架弹簧托板检测方法， 其特征在于所述 步骤十中相似度表示 为： 其中， Si,j为检测区域和特征图片划分的第j块的相似度， Idetect为检测出报警的图片， Itexture为特征图片， 表示计算特 征图的结构和纹 理特征， Pi和Pj表示i块和j块的结果。 5.根据权利要求4所述的基于深度学习的转向架弹簧托板检测方法， 其特征在于所述 步骤十三中相似度表示 为： 其中， Sj为特征图片第j块实际与报警区块相似度， Idetect_break_area表示预测网络检测的权　利　要　求　书 1/2 页 2 CN 115331085 A 2待识别弹簧 托班区域的故障区域。 6.根据权利要求5所述的基于深度学习的转向架弹簧托板检测方法， 其特征在于： 获取 弹簧托板区域图像后对获取到的弹簧托板区域图像进行预处理， 所述预处理包括去 噪、 去 模糊、 超分、 亮度调整和直方图均衡化中的一种或多种。 7.根据权利要求6所述的基于深度学习的转向架弹簧托板检测方法， 其特征在于所述 弹簧托板区域图像具备多样性和复杂性， 包括但不限于图像的亮度变化， 雨雪天和晴天的 图像区分以及图像质量的好坏。 8.根据权利要求7所述的基于深度学习的转向架弹簧托板检测方法， 其特征在于所述 重新获取的弹簧托板区域图像、 纹理特征、 故障区域坐标和干扰区域坐标存储在npy文件 中。 9.根据权利要求8所述的基于深度学习的转向架弹簧托板检测方法， 其特征在于所述 步骤十一中区域划分按照步长进行区域划分。权　利　要　求　书 2/2 页 3 CN 115331085 A 3