一种车门滑轮脱出轨道故障检测方法、存储介质及设备与流程

1.本发明属于铁路列车检测技术领域，具体涉及一种车门滑轮脱出轨道故障检测方法、存储介质及设备。


背景技术：

2.在铁路列车的运行维护中，铁路列车的部件检测的准确率至关重要。传统的故障检测一般依赖于人工查图的方式实现，但是传统人工查图的故障检测方法不仅费时费力、人工成本高，且由于检车人员的疲劳、粗心等，会出现漏检、误检现象，很难保证检测的准确率。
3.随着人工智能技术的发展，神经网络在诸多领域发挥着巨大作用。采用深度学习的铁路货车故障检测方法可以有效的降低检测成本，提高检测的效率。但是车门滑轮脱出轨道故障形态较小，识别难度较大，而目前目标检测网络车门滑轮脱出轨道故障检测的准确率有待于提高。更为重要的是，由于车门滑动轨道较长，需要将滑动轨道分块送入识别网络中，造成一辆车需要识别的图像较多，对识别时间也要有一定要求，现有的神经网络虽然可能能够在一定程度上具有相对良好的检测准确率，但是往往这种神经网络在检测效率上会受到一定的影响；同样的，具有良好检测效率的神经网络却有会使得检测能力有所降低。


技术实现要素：

4.本发明为了解决现有的神经网络用于车门滑轮脱出轨道故障检测时存在检测准确率有待于提高的问题，以及存在不能兼顾检测效率和准确率的问题。
5.一种车门滑轮脱出轨道故障检测方法，包括以下步骤：
6.获取车门滑动轨道部分图像后，将图像送入车门滑轮脱出轨道故障检测网络进行检测，车门滑轮脱出轨道故障检测网络为yolov3的改进网络，车门滑轮脱出轨道故障检测网络包括特征提取网络backbone、特征金字塔处理网络neck和检测头网络prediction；特征金字塔处理网络采用bifpn特征金字塔；其特征在于，
7.backbone包括一个cabl单元和五个res单元，res单元分别记为第一res单元至第五res单元；
8.cabl单元包括一个卷积层、一个attention模块、一个bn层和一个激活函数层；
9.第一res单元至第五res单元均包括一个zero padding层、一个cbl模块和一个res单元；其中，res单元包括多个残差块，每个残差块由两个cbl模块构成；
10.cbl模块包括一个卷积层、一个bn层和一个激活函数层；
11.attention模块的处理过程如下：
12.将特征图f∈r
c*h*w
输入attention模块进行通道注意力机制重构，通道注意力机制表示为mc∈r
c*1*1
，将输入特征图与mc相乘得到通道注意力机制重构后特征图f
′
∈r
c*h*w
，然后将f
′
进行空间注意力机制重构，空间注意力机制表示为ms∈r
1*h*w
，将f
′
与ms相乘得到最终的通道与空间注意力机制重构后特征图f
″
∈r
c*h*w
，其中c、h、w分别表示特征图通道数、特
征图高、特征图宽；其中，
13.通道注意力机制重构中，对每个特征图分配不同权重，权重mc(f)由特征图自己本身计算得到：首先对特征图f进行分组的最大值池化，同时计算特征图f的平均值与方差；然后分别经过1*1大小的卷积和leak relu激活函数激活之后进行元素级相加，再通过sigmod激活；
14.空间注意力机制重构中，对每张特征图不同位置分配不同权重，让特征图关注目标位置信息：将空间注意力机制重构的输出结果f
′
通过分组的最大池化、计算平均值与方差得到六个1*h*w的特征图，分组最大值池化操作过程为沿特征图通道方向每隔3个特征图分为一组进行最大值池化，最终得到4个池化后的特征图；
15.然后采用concat级联操作对六个1*h*w的特征图进行拼接，通过5*5卷积变为1通道的特征图，再经过一个sigmoid激活函数得到空间注意力机制的特征图ms，最后将输出结果与f
′
相乘变回c*h*w大小；
16.prediction包括四个检测头，每个检测头均包括一个cabl单元和一个卷积层，prediction分别对4个不同尺度的特征进行融合处理输出4个尺度下的检测结果，最后采用非极大值抑制对4个输出进行处理得到最终的检测结果；
17.基于车门滑轮脱出轨道故障检测网络进行检测结果，若检测网络检测到车门滑轮脱出轨道故障或者检测到的车门滑轮个数小于车门滑轮数阈值，判定为发生车门滑轮脱出轨道故障。
18.进一步地，车门滑轮脱出轨道故障检测网络在训练过程中采用改进的eiou损失函数，具体如下：
19.l
box
＝l
iou
l
dis
l
asp
20.l
iou
＝1-iouγ
[0021][0022][0023][0024]
其中，l
iou
、l
dis
、l
asp
分别代表iou损失、检测框与标签框中心点距离损失和检测框与标签框的形状损失；γ为权重；表示检测框和标签框的中心点的欧氏距离c
′
，b、分别表示检测框和标签框的中心点，w、分别表示检测框和标签框的宽度，h、分别表示检测框和标签框的高度，c、cw、ch分别表示能够覆盖检测框和真实标签位置框的最小外接矩形对角线距离、宽度和高度，cw′
、ch′
分别表示检测框与标签框的中心构成的矩形的宽度和高度。
[0025]
一种计算机存储介质，存储介质中存储有至少一条指令，至少一条指令由处理器加载并执行以实现一种车门滑轮脱出轨道故障检测方法。
[0026]
一种车门滑轮脱出轨道故障检测设备，设备包括处理器和存储器，存储器中存储有至少一条指令，至少一条指令由处理器加载并执行以实现一种车门滑轮脱出轨道故障检
测方法。
[0027]
有益效果：
[0028]
1、本发明在现有的yolov3三个尺度特征融合的基础上增加一个尺度，对4个不同尺度的特征进行融合处理，能够增强网络对小尺度目标的识别能力。同时本发明将现有的yolov3检测网络中fpn特征金字塔替换为bifpn特征金字塔，提高检测网络对特征的利用程度，能够进一步提高网络检测性能。更为重要的是，本发明还在现有的yolov3网络中增加通道与空间注意力机制，这能够极大提高和保证网络模型检测精度。
[0029]
2、本发明在图像处理速率高的yolo基础上进行改进，保证了检测效率。同时本发明在网络中增加通道与空间注意力机制，不进能够提高和保证检测精度，而且还能够减少模型参数，可以提高模型的处理效率。从而使得本发明不仅可以保证检测精度，而且兼顾了检测效率。
附图说明
[0030]
图1为故障识别流程图示意图。
[0031]
图2为车门滑轮脱出轨道故障检测网络示意图。
[0032]
图3(a)为attention模块示意图；图3(b)为通道注意力机制重构示意图；图3(c)为空间注意力机制重构示意图。
[0033]
图4为eiou损失函数说明示意图。
具体实施方式
[0034]
需要特别说明的是，在不冲突的情况下，本技术公开的各个实施方式之间可以相互组合。
[0035]
具体实施方式一：
[0036]
本实施方式为一种车门滑轮脱出轨道故障检测方法，包括以下步骤：
[0037]
获取车门滑动轨道部分图像后，将图像送入车门滑轮脱出轨道故障检测网络进行检测，车门滑轮脱出轨道故障检测网络为yolov3的改进网络，车门滑轮脱出轨道故障检测网络包括特征提取网络backbone、特征金字塔处理网络neck和检测头网络prediction；特征金字塔处理网络采用bifpn特征金字塔；其特征在于，
[0038]
backbone包括一个cabl单元和五个res单元，res单元分别记为第一res单元至第五res单元；
[0039]
cabl单元包括一个卷积层、一个attention模块、一个bn层和一个激活函数层；
[0040]
第一res单元至第五res单元均包括一个zero padding层、一个cbl模块和一个res单元；其中，res单元包括多个残差块，每个残差块由两个cbl模块构成；
[0041]
cbl模块包括一个卷积层、一个bn层和一个激活函数层；
[0042]
attention模块的处理过程如下：
[0043]
将特征图f∈r
c*h*w
输入attention模块进行通道注意力机制重构，通道注意力机制表示为mc∈r
c*1*1
，将输入特征图与mc相乘得到通道注意力机制重构后特征图f
′
∈r
c*h*w
，然后将f
′
进行空间注意力机制重构，空间注意力机制表示为ms∈r
1*h*w
，将f
′
与ms相乘得到最终的通道与空间注意力机制重构后特征图f
″
∈r
c*h*w
，其中c、h、w分别表示特征图通道数、特
征图高、特征图宽；其中，
[0044]
通道注意力机制重构中，对每个特征图分配不同权重，权重mc(f)由特征图自己本身计算得到：首先对特征图f进行分组的最大值池化，同时计算特征图f的平均值与方差；然后分别经过1*1大小的卷积和leak relu激活函数激活之后进行元素级相加，再通过sigmod激活；
[0045]
空间注意力机制重构中，对每张特征图不同位置分配不同权重，让特征图关注目标位置信息：将空间注意力机制重构的输出结果f
′
通过分组的最大池化、计算平均值与方差得到六个1*h*w的特征图，分组最大值池化操作过程为沿特征图通道方向每隔3个特征图分为一组进行最大值池化，最终得到4个池化后的特征图；
[0046]
然后采用concat级联操作对六个1*h*w的特征图进行拼接，通过5*5卷积变为1通道的特征图，再经过一个sigmoid激活函数得到空间注意力机制的特征图ms，最后将输出结果与f
′
相乘变回c*h*w大小；
[0047]
prediction包括四个检测头，每个检测头均包括一个cabl单元和一个卷积层，prediction分别对4个不同尺度的特征进行融合处理输出4个尺度下的检测结果，最后采用非极大值抑制对4个输出进行处理得到最终的检测结果；
[0048]
基于车门滑轮脱出轨道故障检测网络进行检测结果，若检测网络检测到车门滑轮脱出轨道故障或者检测到的车门滑轮个数小于车门滑轮数阈值，判定为发生车门滑轮脱出轨道故障。
[0049]
具体实施方式二：
[0050]
本实施方式为一种车门滑轮脱出轨道故障检测方法，通道注意力机制重构过程中对特征图f进行分组的最大值池化的过程包括以下步骤：
[0051]
沿特征图宽和高方向每隔一个像素取一个值分到一组里面，最终将一个特征图分为四组，每组分别进行最大值池化。
[0052]
其他网络结构和步骤与具体实施方式一相同。
[0053]
具体实施方式三：
[0054]
本实施方式为一种车门滑轮脱出轨道故障检测方法，在对特征图f进行分组的最大值池化时，如果分组的最大值池化操作过程中，不能每隔一个像素取一个值分到一组里面，则在最大池化之前，通过padding操作进行补齐，然后在分组最大池化。
[0055]
其他网络结构和步骤与具体实施方式一或二相同。
[0056]
具体实施方式四：
[0057]
本实施方式为一种车门滑轮脱出轨道故障检测方法，在backbone网路中，第一res单元包括1个残差块，第二res单元包括2个残差块，第三res单元包括8个残差块，第四res单元包括8个残差块，第五res单元包括4个残差块。
[0058]
其他网络结构和步骤与具体实施方式一至三之一相同。
[0059]
具体实施方式五：
[0060]
本实施方式为一种车门滑轮脱出轨道故障检测方法，cabl单元中的激活函数层的激活函数选用leak relu。
[0061]
其他网络结构和步骤与具体实施方式一至四之一相同。
[0062]
具体实施方式六：
[0063]
本实施方式为一种车门滑轮脱出轨道故障检测方法，cbl模块中的激活函数层的激活函数选用leak relu。
[0064]
其他网络结构和步骤与具体实施方式一至五之一相同。
[0065]
具体实施方式七：
[0066]
本实施方式为一种车门滑轮脱出轨道故障检测方法，neck如下：
[0067]
针对第二res单元输出的特征图，首先经过第一一cbl组合单元，然后与第三res单元对应处理路径中的第一cbl上采样单元的输入进行第一一concat模块处理，concat表示特征图级联操作，再通过第一二cbl组合单元，第一二cbl组合单元的输出分别作为一个检测头的输入和第三res单元处理路径中的第二二concat模块的一个输入；
[0068]
cbl组合单元包括5个cbl模块；
[0069]
针对第三res单元输出的特征图，分别输出给第二一cbl组合单元和第二一concat模块；第二一cbl组合单元的输出作为第二二concat模块的一个输入；第二一concat模块同时将第四res单元处理路径中的第二cbl上采样单元的输出作为输入，第二一concat模块输出经过第二二cbl组合单元；第二二cbl组合单元的输出分别作为第二二concat模块和第一cbl上采样单元的输入；第二二concat模块的输出再经过第二三cbl组合单元；第二三cbl组合单元的输出分别作为一个检测头的输入和第四res单元处理路径中的第三二concat模块的一个输入；
[0070]
cbl上采样单元包括一个cbl模块和一个上采样模块；针对第四res单元输出的特征图，分别输出给第三一cbl组合单元和第三一concat模块；第三一cbl组合单元的输出作为第三二concat模块的一个输入；第三一concat模块同时将第五res单元处理路径中的第三cbl上采样单元的输出作为输入，第三一concat模块输出经过第三二cbl组合单元；第三二cbl组合单元的输出分别作为第三二concat模块和第二cbl上采样单元的输入；第三二concat模块的输出再经过第三三cbl组合单元；第三三cbl组合单元的输出分别作为一个检测头的输入和第五res单元处理路径中的第四一concat模块的一个输入；
[0071]
针对第五res单元输出的特征图，先经过第四一cbl组合单元，第四一cbl组合单元的输出分别作为第三cbl上采样单元和第四一concat模块的输入；第四一concat模块的输出再经过第四二cbl组合单元；第四二cbl组合单元的输出作为一个检测头的输入。
[0072]
其他网络结构和步骤与具体实施方式一至六之一相同。
[0073]
具体实施方式八：
[0074]
本实施方式为一种车门滑轮脱出轨道故障检测方法，车门滑轮脱出轨道故障检测网络在训练过程中采用改进的eiou损失函数，具体如下：
[0075]
l
box
＝l
iou
l
dis
l
asp
[0076]
l
iou
＝1-iouγ
[0077][0078][0079]
[0080]
其中，l
iou
、l
dis
、l
asp
分别代表iou损失、检测框与标签框中心点距离损失和检测框与标签框的形状损失；γ为权重；表示检测框和标签框的中心点的欧氏距离c
′
，b、分别表示检测框和标签框的中心点，w、分别表示检测框和标签框的宽度，h、分别表示检测框和标签框的高度，c、cw、ch分别表示能够覆盖检测框和真实标签位置框的最小外接矩形对角线距离、宽度和高度，cw′
、ch′
分别表示检测框与标签框的中心构成的矩形的宽度和高度。
[0081]
其他网络结构和步骤与具体实施方式一至七之一相同。
[0082]
具体实施方式九：
[0083]
本实施方式为一种计算机存储介质，存储介质中存储有至少一条指令，至少一条指令由处理器加载并执行以实现一种车门滑轮脱出轨道故障检测方法。
[0084]
应当理解，包括本发明描述的任何方法对应的可以被提供为计算机程序产品、软件或计算机化方法，其可以包括其上存储有指令的非暂时性机器可读介质，指令可以用于编程计算机系统，或其他电子装置。存储介质可以包括但不限于磁存储介质，光存储介质；磁光存储介质包括：只读存储器rom、随机存取存储器ram、可擦除可编程存储器(例如，eprom和eeprom)以及闪存层；或者适合于存储电子指令的其他类型的介质。
[0085]
具体实施方式十：
[0086]
本实施方式为一种车门滑轮脱出轨道故障检测设备，设备包括处理器和存储器，应当理解，包括本发明描述的任何包括处理器和存储器的设备，设备还可以包括其他通过信号或指令进行显示、交互、处理、控制等以及其他功能的单元、模块；
[0087]
存储器中存储有至少一条指令，至少一条指令由处理器加载并执行以实现一种车门滑轮脱出轨道故障检测方法。
[0088]
实施例
[0089]
结合图1说明本实施例，本实施例中的一种车门滑轮脱出轨道故障检测方法，包括以下步骤：
[0090]
1、收集图像，建立数据集：
[0091]
在铁路四周架设高清成像设备，获取铁路货车通过后的过车图像。收集车门滑轮正常的图像与车门滑轮脱出轨道的图像，截取图像中的车门滑动轨道部分图像，截取时将车门滑动轨道上面车门滑轮一并截取，将截图作为检测数据集图像，由于车门滑轮脱出轨道的图像数量较少，需在正常的图像上ps出车门滑轮脱出轨道故障，作为车门滑轮脱出轨道数据集的补充。
[0092]
对数据集进行标记，将脱出轨道的滑轮标记为故障类，将正常的滑轮标记为正常类，生成标记文件，完成数据集的收集制作。标记过程采用labelimg标记软件实现，生成图像对应的标记文件，标记文件中记录了图像的名字、大小、路径、目标的位置、目标的类别等信息。
[0093]
然后对数据集图像进行旋转、裁剪、对比度变换、仿射变换、噪声添加、雨雪模拟等数据扩增操作。数据扩增操作可以有效降低故障检测网络过拟合的概率，提升故障检测网络的泛化性能
[0094]
2、搭建车门滑轮脱出轨道故障检测网络：
[0095]
由于车门滑轮脱出轨道故障形态较小，识别难度较大，且车门滑动轨道较长，需要将滑动轨道分块送入识别网络中，造成一辆车需要识别的图像较多，对识别时间也要有一定要求，但阶段目标检测网络如yolo比精度更高的双阶段目标检测网络的图像处理速率高，因此本发明采用yolov3作为基准网络对yolov3进行改进形成车门滑轮脱出轨道故障检测网络，在尽量保证识别时间短的基础上提高yolov3网络对小尺寸目标的识别能力，提高网路收敛速率，提升网络识别精度。本发明在网络中增加了改进的cbam通道与空间注意力机制模块，对不同特征图分配不同的关注度，提升网络性能；采用改进的eiou损失函数作为网络边框回归损失函数，提高网络对小目标的检测性能；在原本yolov3的3个尺度的特征融合的基础上增加一个尺度对4个不同尺度特征进行融合，并采用bifpn特征金字塔代替原来的fpn特征金字塔，提高网络对小尺寸目标的识别能力，提高网络对特征的利用程度，提升网络检测性能。
[0096]
如图2所示，车门滑轮脱出轨道故障检测网络包括特征提取网络backbone、特征金字塔处理网络neck和检测头网络prediction；
[0097]
(一)、backbone采用添加通道与空间注意力机制的dacknet53，其包括一个cabl单元和五个res单元，res单元分别记为第一res单元至第五res单元；
[0098]
cabl单元包括一个卷积层、一个attention模块、一个bn层和一个激活函数层，本实施方式中，激活函数层选用leak relu；
[0099]
第一res单元至第五res单元均包括一个zero padding层、一个cbl模块和一个res单元；其中，res单元包括多个残差块，每个残差块由两个cbl模块构成；
[0100]
cbl模块包括一个卷积层、一个bn层和一个激活函数层，本实施方式中，激活函数层选用leak relu；
[0101]
leak relu激活函数如下：
[0102][0103]
优选地，第一res单元包括1个残差块，第二res单元包括2个残差块，第三res单元包括8个残差块，第四res单元包括8个残差块，第五res单元包括4个残差块；
[0104]
图2中conv代表卷积层，bn代表批归一化，leak relu代表leak relu激活函数，rsen为包括残差块的res单元，attention表示改进的cbam通道与空间注意力机制模块。
[0105]
attention模块如下：
[0106]
卷积神经网络中每一个特征图可以理解为一种特征，随着网络层数的加深从顶层到底层，特征越来越具体，最终得到分类与定位特征。人眼观察图像时会将注意力集中在特定的位置，不是对整幅图像分配相同的注意力，因此对卷积神经网络中的特征图进行加权，即在网络中增加注意力机制，让网络将注意力集中在重要的特征，丢弃不重要的特征，可以有效的提高网络的检测能力。本发明不仅在特征提取网络backbone中，在检测头prediction中也增加了改进的cbam通道与空间注意力机制模块，即attention模块，相比于原本cbam注意力机制模块，本发明的注意力机制模块对特征图的加权效果更好，计算成本相对较低。
[0107]
如图3(a)所示，将特征图f∈r
c*h*w
输入attention模块进行通道注意力机制重构，通道注意力机制可以表示为mc∈r
c*1*1
，将输入特征图与mc相乘得到通道注意力机制重构后特征图f
′
∈r
c*h*w
，然后将f
′
进行空间注意力机制重构，空间注意力机制可以表示为ms∈r
1*h*w
，将f
′
与ms相乘得到最终的通道与空间注意力机制重构后特征图f
″
∈r
c*h*w
，其中c、h、w分别表示特征图通道数(即个数)、特征图高、特征图宽；
[0108]
重构过程可以表示为
[0109][0110][0111]
图3(a)中，表示元素级相乘。其中通道注意力机制重构与空间注意力机制重构的过程如图3(b)和图3(c)所示。
[0112]
通道注意力机制重构中，对每个特征图分配不同权重，权重mc(f)由特征图自己本身计算得到：
[0113]
首先对特征图f进行分组的最大值池化，同时计算特征图f的平均值与方差，代替原本cbam的全局最大值池化与平均值池化；然后分别经过1*1大小的卷积和leak relu激活函数激活之后进行元素级相加，再通过sigmod激活。
[0114]
分组的最大值池化操作过程为沿特征图宽和高方向每隔一个像素取一个值分到一组里面，如果分组的最大值池化操作过程中，不能每隔一个像素取一个值分到一组里面(即不能完整分组)，则在最大池化之前，通过padding操作进行补齐，然后在分组最大池化；最终将一个特征图分为四组，每组分别进行最大值池化，相比于全局的最大值池化，分组最大值池化能够最大程度的保留特征图空间结构信息。平均值与方差可以有效的表示一个特征图的能量，能够使最终得到的特征图权重更能够代表特征图本身，对特征图的加权效果更加理想。
[0115]
本发明实际上是采用1*1大小的卷积与leak relu激活函数代替cbam中的共享mlp层，这样可以节省计算成本，加快运行速度。
[0116]
例如：输入一系列特征图f的大小为10*10*256，256为通道数，分组最大值池化得到的特征图为4个1*1*256特征图。平局值为计算一个特征图f即一个10*10的平均值，得到1*1*256特征图；计算方差与平均值类似，得到1*1*256；然后分别将1*1*256特征进行1*1卷积，并通过leak relu激活；然后将6个1*1*256元素级相加，sigmod激活下，得到是是1*1*256个权重mc，和原来的10*10*256特征图相乘得到通道注意力机制重构特征图。
[0117]
sigmod激活函数，如下：
[0118][0119]
空间注意力机制重构中，对每张特征图不同位置分配不同权重，让特征图关注目标位置信息：
[0120]
将空间注意力机制重构的输出结果f
′
通过分组的最大池化、计算平均值与方差得到六个1*h*w的特征图，分组最大值池化操作过程为沿特征图通道方向每隔3个特征图分为一组进行最大值池化，最终得到4个池化后的特征图，相比于暴力的全局最大值池化能够保留更多的特征信息。
[0121]
沿特征图通道方向每隔3个特征图分为一组进行最大值池化，例如：假如输入是10*10*256，256个通道分成4组，分别进行池化沿通道方向形成4个10*10*1，而不是256个特征图全局池化形成1个10*10*1，这样可以尽量保留多一些的特征；
[0122]
然后采用concat级联操作对六个1*h*w的特征图进行拼接，通过5*5卷积变为1通道的特征图，再经过一个sigmoid激活函数得到空间注意力机制的特征图ms，最后将输出结果与f
′
相乘变回c*h*w大小。
[0123]
(二)特征金字塔部分，采用bifpn特征金字塔：
[0124]
如图2所示，neck部分采用bifpn特征金字塔，本发明在yolov3的3个尺度特征融合的基础上增加了一个尺度，在neck部分中也将第二res单元(res2)的特征图也送入特征金字塔进行特征融合，网络开始时特征图尺度较大，包含有更多小目标的特征，网络后面特征图尺度较小，包含有更多大目标的特征，因此增加一个网络前方的特征融合能够有效提高网络对小目标的识别性能，提高网络检测精度
[0125]
更具体地，
[0126]
针对第二res单元输出的特征图，首先经过第一一cbl组合单元，然后与第三res单元对应处理路径中的第一cbl上采样单元的输入进行第一一concat模块处理，concat表示特征图级联操作，再通过第一二cbl组合单元，第一二cbl组合单元的输出分别作为一个检测头的输入和第三res单元处理路径中的第二二concat模块的一个输入；
[0127]
cbl组合单元包括5个cbl模块；
[0128]
针对第三res单元输出的特征图，分别输出给第二一cbl组合单元和第二一concat模块；第二一cbl组合单元的输出作为第二二concat模块的一个输入；第二一concat模块同时将第四res单元处理路径中的第二cbl上采样单元的输出作为输入，第二一concat模块输出经过第二二cbl组合单元；第二二cbl组合单元的输出分别作为第二二concat模块和第一cbl上采样单元的输入；第二二concat模块的输出再经过第二三cbl组合单元；第二三cbl组合单元的输出分别作为一个检测头的输入和第四res单元处理路径中的第三二concat模块的一个输入；
[0129]
cbl上采样单元包括一个cbl模块和一个上采样模块；针对第四res单元输出的特征图，分别输出给第三一cbl组合单元和第三一concat模块；第三一cbl组合单元的输出作为第三二concat模块的一个输入；第三一concat模块同时将第五res单元处理路径中的第三cbl上采样单元的输出作为输入，第三一concat模块输出经过第三二cbl组合单元；第三二cbl组合单元的输出分别作为第三二concat模块和第二cbl上采样单元的输入；第三二concat模块的输出再经过第三三cbl组合单元；第三三cbl组合单元的输出分别作为一个检测头的输入和第五res单元处理路径中的第四一concat模块的一个输入；
[0130]
针对第五res单元输出的特征图，先经过第四一cbl组合单元，第四一cbl组合单元的输出分别作为第三cbl上采样单元和第四一concat模块的输入；第四一concat模块的输出再经过第四二cbl组合单元；第四二cbl组合单元的输出作为一个检测头的输入；
[0131]
(三)检测头网络：
[0132]
prediction的检测头，实现检测框位置回归与类别分类，prediction包括四个检测头，每个检测头均包括一个cabl单元和一个卷积层，prediction分别对4个不同尺度的特征进行融合处理输出4个尺度下的检测结果，最后采用非极大值抑制对4个输出进行处理得
到最终的检测结果。
[0133]
3、基于改进eiou损失函数训练车门滑轮脱出轨道故障检测网络：
[0134]
传统的eiou损失函数的公式如下：
[0135]
l
eiou
＝l
iou
l
dis
l
asp
[0136]
l
iou
＝1-iou
[0137][0138][0139][0140]
eiou损失函数说明示意图如图4所示，图4中黑色框(左上角)代表标签框，红色框(右下角)代表检测框，b、分别表示检测框和标签框的中心点，w、分别表示检测框和标签框的宽度，h、分别表示检测框和标签框的高度，c、cw、ch分别表示能够覆盖检测框和真实标签位置框的最小外接矩形对角线距离、宽度和高度，c
′
、cw′
、ch′
分别表示检测框与标签框的中心构成的矩形对角线距离、宽度和高度。公式(2)中表示检测框和标签框的中心点的欧氏距离c
′
，
[0141]
本发明提出了改进的eiou损失函数如下
[0142]
l
box
＝l
iou
l
dis
l
asp
[0143]
l
iou
＝1-iouγ
[0144][0145][0146][0147]
其中，l
iou
、l
dis
、l
asp
同样代表iou损失、检测框与标签框中心点距离损失和检测框与标签框的形状损失，本发明中采用指数函数形式的损失函数，网络迭代初期当检测框与标签距离较远，形状相差较大时较小，损失函数相比eiou具有更大占比，能使网络快速收敛。本发明检测出门滑轮脱出轨道故障大多为小尺寸故障，因此本发明增加权重γ，当目标尺寸较小，即较小，或者检测框与标签相交面积较小时γ较大，增加小尺寸目标在损失函数中的占比，提高网络对小尺寸目标的检测能力，即本发明在eiou的基础上提高了小样本在损失中的占比，提高小样本的检测性能。
[0148]
采用adam优化方式进行训练网络：将数据集分为训练集、验证集与测试集，比例为7：2：1，采用训练集图像训练检测网络，在验证集上进行测试，然后将验证集中识别错误的图像加入到训练集中重新进行检测网络的训练，最后在测试集上测试网络的性能。
[0149]
4、利用车门滑轮脱出轨道故障检测网络进行检测：
[0150]
获取铁路货车通过高清成像设备后的过车图像，截取车门滑动轨道部分图像，将图像送入训练好的车门滑动轨道折断故障检测网络中，若检测网络检测到车门滑轮脱出轨道故障(故障类)或者检测到的车门滑轮(正常类)个数小于4个，认为发生车门滑轮脱出轨道故障，上传故障报文，继续检测下一张图像。检车人员根据上传的故障报文，依据人工先验原则，对故障部位进行进一步处理。
[0151]
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。