1.一种基于深度学习的动车组车底板螺栓故障检测方法，其特征在于，包括以下步骤：S10、制作动车组车厢底板螺栓图片数据库，包括动车组车厢底板含螺栓图数据库以及螺栓丢失图数据库；

S20、将含螺栓的图片输入yolov3目标检测网络模型中，对螺栓进行区域定位，其中所述yolov3目标检测网络模型采用基于遗传算法改进的k‑means算法得到动车组车厢底板的各类螺栓的先验框anchor，所述基于遗传算法改进的k‑means算法包括以下步骤：s1)读取标签文件，将数据集中的样本划分为k个不相交的子集，执行M次k‑means算法，每次执行k‑means算法都会生成符合要求的一组k个anchor，重复这个步骤，直到满足种群的个数M，每一个anchor就是一对宽和高的组合，将一组所有的anchor按照面积的大小进行排序，作为一条染色体；

s2)以一定的概率从种群中挑选出若干对染色体进行交叉运算；

s3)以一定的概率从种群中挑选出若干对染色体进行变异运算；

s4)对当前种群所有染色体计算适应度函数，根据适应度函数的值对种群的个体进行排序，运用轮盘赌的方法，对当前种群进行选择操作，保证新种群的个数仍为M个，其中适应度函数如下：

boxes为k‑means算法读取的标签文件中所有的目标框个数，anchori代表了当前anchor的长和宽，boxj代表了当前第j个目标框的长和宽；

S30、将螺栓定位区域图像输入深度卷积神经网络中，训练螺栓丢失状态检测模型；

S40、将待检测的图片输入目标检测网络，得到定位图片后输入深度卷积神经网络，得到螺栓丢失检测结果。

2.根据权利要求1所述的基于深度学习的动车组车底板螺栓故障检测方法，其特征在于，所述标签文件的获取包括：

采用人工标注的方法对图片进行标注，生成符合VOC2007数据格式的xml标签文件，标注信息包括图像编号、各类螺栓的种类名称、标注边界框的坐标区域中每种螺栓的种类、位置以及边框大小；

将xml文件转化为txt标签文件，txt标签文件中包括螺栓种类的编号、边界框中心点的坐标占原图的比例以及边界框的宽和高占原图的比例。

3.根据权利要求1所述的基于深度学习的动车组车底板螺栓故障检测方法，其特征在于，所述yolov3目标检测网络模型采用darknet53网络结构，一共包含3个yolo层，分别完成了8倍降采样、16倍降采样以及32倍降采样，使用步长为2的卷积来进行降采样，并利用预训练的权重文件darknet53.conv.74进行迁移学习。

4.根据权利要求3所述的基于深度学习的动车组车底板螺栓故障检测方法，其特征在于，所述步骤S20中利用yolov3目标检测网络模型进行螺栓区域定位的过程如下：将含螺栓的图片输入yolov3的darknet53层进行训练，分别经过多次卷积层和上采样层，保存训练得到的权重文件；在每个降采样得到的特征图上进行多尺度预测，根据采样倍数将特征图分为若干个网格，每个网格根据先验框anchor得到预测边界框，每个预测边界框包含以下信息：预测框的中心坐标，预测框的高度和宽度，框中是否含有物体的置信度得分以及属于某个类别的概率，通过判断是否满足置信度分数阈值和非极大值抑制，得到最后的预测结果。

5.根据权利要求4所述的基于深度学习的动车组车底板螺栓故障检测方法，其特征在于，所述yolov3目标检测网络模型的损失函数为：loss函数中，coordLoss表示坐标误差，IOULoss表示IOU误差，clsLoss表示预测类别误差，L2是L2范数，用于权重衰减避免过拟合；

其中，S，B,(xi，yi)，wi，hi，Ci，pi(c)分别代表了当前训练尺度下图片边长，每个网格预测的边界框个数，当前模型输出的边界框中心坐标值，宽度，高度，置信度以及当前识别物体为c的概率；而 代表了人工标注的实际位置坐标，实际宽度，实际高度，预测边界框和真实目标框的IoU； 和 用于判断螺栓的中心是否落在网格i的第j个边界框；λnoobj为修正因子，用于修正不含物体时的IOULoss； 采用L2范数实现正则化，wmn表示从神经元m与神经元n之间的权重，λ是控制正则化强度的超参数。

6.根据权利要求1所述的基于深度学习的动车组车底板螺栓故障检测方法，其特征在于，所述步骤S30包括：针对步骤S20定位识别出来的螺栓图进行人工标记，依据螺栓状态分为正常和丢失两类，将标注好的图像一定比例缩放后输入到基于深度卷积神经网络的螺栓丢失检测模型，通过大量数据的训练和参数微调生成最终权重模型。

7.根据权利要求6所述的基于深度学习的动车组车底板螺栓故障检测方法，其特征在于，所述深度卷积神经网络为一个基于AlexNet的卷积神经网络，网络配置包括5个卷积层，

3个全连接层，激活函数ReLU，局部正则化的LRN以及应对过拟合Dropout层。