技术领域
[0001] 本
发明涉及货运列车检测技术领域,具体为一种铁路货车轴端螺栓折断故障检测方法。
背景技术
[0002] 进入21世纪,我国铁路事业发展迅猛,铁路货车技术也得到了全面的提高,货车故障轨边图像检测系统(TFDS)作为全路5T系统的重要组成部分,在防范货车车辆故障方面发挥着重要作用,列检人员通过应用TFDS系统及时的发现和处理了列车的故障,但是在TFDS设备布局日益完善、运用日趋成熟的今天,在实际应用过程中仍然存在着因列检人员故障发现能
力不足,工作不细心懈怠的等问题导致的漏检、误检等问题的发生,严重者会影响到货车行车安全。特别是轴端螺栓部件,是货车
转向架轮轴上的非常关键的部件,车辆在使用的过程中难免会受到货物装卸机具的碰撞、外物的击打,会造成六边形的轴端螺栓出现明显的磕碰、擦伤痕迹,防松装置失效,在列车运行过程中,轴端螺栓由于震动容易出现松动,无法起到紧固作用,螺栓逐渐窜出固定安装
位置,三颗轴端螺栓在一个平面上固定
轴承前盖的作用已失效,同时轴承前盖相对车轴端面发生位移,在后期车辆运行
中轴承前盖因往复摆动对螺栓产生剪切冲击,造成轴端螺栓折断现象的发生。严重者会导致三条螺栓全部丢失、轴承前盖丢失,危及行车安全。
发明内容
[0003] 本发明的目的是:针对
现有技术中人工检测铁路货车轴端螺栓折断故障耗时长的问题,提出一种铁路货车轴端螺栓折断故障检测方法。
[0004] 本发明为了解决上述技术问题采取的技术方案是:
[0005] 一种铁路货车轴端螺栓折断故障检测方法,包括以下步骤:
[0006] 步骤一:获取途经货车图像,构建样本数据集;
[0007] 步骤二:对样本数据集进行数据扩增和标记,得到标记图像集;
[0008] 步骤三:利用标记图像集和原始图像训练
深度学习网络模型;
[0009] 步骤四:利用训练好的深度学习网络模型判断轴端螺栓折断故障,所述判断过程为
[0010] 首先获取图像,粗
定位出轴端螺栓部件区域子图像,轴端螺栓折断目标分割深度学习
框架通过调用子图像,进行实时的轴端螺栓目标分割,将分割出来的轴端螺栓目标图像二值化,采用深度学习和
图像处理算法相结合的方式,通过计算螺栓个数、面积及三个螺栓之间的位置关系,判断螺栓是否折断;
[0011] 所述判断螺栓是否折断的详细步骤为:
[0012] A:读取货车故障轨边图像检测系统
服务器上的过车图像,粗定位出轴端螺栓部件区域子图像;
[0013] B:通过搭建的轴端螺栓折断目标分割U-Net深度学习框架调用子图像,进行实时的轴端螺栓目标分割;
[0014] C:将分割出来的轴端螺栓目标图像二值化,计算螺栓轮廓,依据面积先验知识设定
阈值dis,排除掉非螺栓轮廓的干扰,若剩余轮廓个数小于3个则直接报警故障,若剩余轮廓个数等于3个,则执行步骤四四;
[0015] D:计算出螺栓轮廓中心距,并根据一阶中心距计算得到轮廓的质心center1(x1,y1)、center2(x2,y2)、center3(x3,y3);
[0016] E:根据两点距离公式分别计算出三个质心之间的距离distance12,、distance13,distance23;
[0017] F:将distance12,、distance13,distance23分别与设定阈值dis进行比较,三者的差值均在允许范围内,则认为是两两螺栓互相之间的位置关系正常;若出现差值较大情况,大于一定阈值的则认为是螺栓目标分割失误,报警轴端螺栓折断异常。
[0018] 进一步的,所述数据扩增包括:旋转、翻转、缩放和调整
对比度。
[0019] 进一步的,所述标记采用Labelme工具标记,标记后生成对应样本图像的json文件,通过调用每个json文件转换生成对应的数据文件,最后将样本标记图像转换成8位mask灰度图像。
[0020] 进一步的,所述数据文件包括样本图像、样本标记图像和样本标记类别文件。
[0021] 进一步的,所述深度学习网络模型为U-Net目标分割模型,所述模型利用Keras高层神经网络API搭建。
[0022] 进一步的,所述深度学习网络模型的搭建步骤如下:
[0023] S1:选择64通道的3×3大小的卷积核和Relu激活函数对输入图像进行卷积,再一次选择64通道的3×3大小的卷积核和Relu激活函数进行卷积,然后选择2×2大小的
池化核进行池化;
[0024] S2:选择128通道的3×3大小的卷积核和Relu激活函数进行卷积,再一次选择128通道的3×3大小的卷积核和Relu激活函数进行卷积,然后选择2×2大小的池化核进行池化;
[0025] S3:选择256通道的3×3大小的卷积核和Relu激活函数进行卷积,再一次选择256通道的3×3大小的卷积核和Relu激活函数进行卷积,然后选择2×2大小的池化核进行池化;
[0026] S4:选择512通道的3×3大小的卷积核和Relu激活函数进行卷积,再一次选择512通道的3×3大小的卷积核和Relu激活函数进行卷积,接入Dropout层后选择2×2大小的池化核进行池化;
[0027] S5:选择1024通道的3×3大小的卷积核和Relu激活函数进行卷积,再一次选择1024通道的3×3大小的卷积核和Relu激活函数进行卷积,接入Dropout层操作;
[0028] S6:上
采样,选择512通道的2×2大小的卷积核及2×2大小的上采样核进行上采样,拼接上游feature后,连接两次512通道的3×3大小的卷积核和Relu激活函数进行卷积;
[0029] S7:上采样,选择256通道的2×2大小的卷积核及2×2大小的上采样核进行上采样,拼接上游feature后,连接两次256通道的3×3大小的卷积核和Relu激活函数进行卷积;
[0030] S8:上采样,选择128通道的2×2大小的卷积核及2×2大小的上采样核进行上采样,拼接上游feature后,连接两次128通道的3×3大小的卷积核和Relu激活函数进行卷积;
[0031] S9:上采样,选择64通道的2×2大小的卷积核及2×2大小的上采样核进行上采样,拼接上游feature后,连接两次64通道的3×3大小的卷积核和Relu激活函数进行卷积;
[0032] S10:选择2通道的3×3大小的卷积核和Relu激活函数进行卷积,连接1×1大小的卷积核和sigmoid激活函数进行卷积后模型搭建完成。
[0033] 本发明的有益效果是:
[0034] 1、采用U-Net深度学习分割模型对轴端螺栓折断故障进行检测,能够提高故障检测效率,降低了列检时间和列检成本,降低了危及行车安全的
风险。
[0035] 2、采用深度学习
图像分割算法分割
滚动轴承轴端螺栓轮廓并检测折断故障,能够适应在复杂环境下拍摄的货车图像,避免了传统图像检测算法的局限性,效率更高、鲁棒性更好。
[0036] 3、通过计算轴端螺栓质心来确定各个螺栓位置关系的优势在于对噪声不敏感,能够降低模
块检测的误报警,提高了报警准确率。
附图说明
[0038] 图2为目标分割U-Net深度学习网络模型结构。
具体实施方式
[0039] 具体实施方式一:参照图1和图2具体说明本实施方式,本实施方式所述的一种铁路货车轴端螺栓折断故障检测方法,包括以下步骤:
[0040] 步骤一:获取途经货车图像,构建样本数据集;
[0041] 步骤二:对样本数据集进行数据扩增和标记,得到标记图像集;
[0042] 步骤三:利用标记图像集和原始图像训练深度学习网络模型;
[0043] 步骤四:利用训练好的深度学习网络模型判断轴端螺栓折断故障,所述判断过程为
[0044] 首先获取图像,粗定位出轴端螺栓部件区域子图像,轴端螺栓折断目标分割深度学习框架通过调用子图像,进行实时的轴端螺栓目标分割,将分割出来的轴端螺栓目标图像二值化,采用深度学习和图像处理算法相结合的方式,通过计算螺栓个数、面积及三个螺栓之间的位置关系,判断螺栓是否折断。
[0045] 本发明提出了采用深度学习方式检测货车轴端螺栓折断故障,通过使用近年来日趋成熟的
人工智能检测技术,逐渐代替人检机制,降低因人检的弊端造成的不安全情况发生,不仅能提高工作效率,也能降低列检时间和成本,提高铁路货车故障检测效率,降低了危及行车安全的风险。
[0046] 1、准备轴端螺栓样本数据集
[0047] 1)样本数据集选择方法
[0048] 选择出好的样本数据集能够训练出最优化的深度学习分割模型,对实时在线分割轴端螺栓的准确性起到关键作用,因此要保证样本数据的多样性,就需要从收集多样化的样本图像开始,选择各种复杂情况下的轴端螺栓样本图像,复杂情况包括:不同车型轴端螺栓图像、白天或黑夜的不同过车时间图像、晴天阴天雨天等不同天气状况下的图像、轴端螺栓上挂异物干扰的图像、不同车速拍摄的轴端螺栓图像等等。样本数据集收集后,继续对样本数据进行扩增,由于轴端螺栓在运行过程中是始终旋转的,三个螺栓的位置不固定,但始终围绕着轮轴中心旋转,所以可以对样本进行旋转、翻转、适当的缩放、调整对比度的方式来扩增样本,使样本更加丰富多样。由于本发明采用的是U-Net深度学习分割模型,所以需要在样本中加入螺栓折断故障图像,通过人工PS方式,尽可能多的模拟出螺栓折断的不同情况故障图像,包括:螺栓折断不同个数的图像、螺栓折断严重程度不同的图像、螺栓丢失图像、前盖丢失图像等多种与轴端螺栓折断相关连的故障图像。样本数据集越丰富,越能够适应各种条件下的轴端螺栓图像,目标分割的效果越好,对进一步判断螺栓轮廓起到关键作用。这样的样本训练出来的模型更具鲁棒性和
稳定性。
[0049] 2)轴端螺栓样本标记
[0050] 本发明采用Labelme工具标记轴端螺栓目标,标注出所有样本数据集中的六边形轴端螺栓部件,样本图像中有几个正常的轴端螺栓就标记出几个,标记后生成对应样本图像的json文件,通过调用每个json文件转换生成对应的数据文件,数据文件中包括样本图像、样本标记图像、样本标记类别等文件,最后将样本标记图像转换成8位mask灰度图像即可。样本图像与其对应mask标记图像将作为轴端螺栓目标分割模型的训练样本数据集。
[0051] 2、目标分割U-Net深度学习网络模型结构搭建
[0052] 本发明选择Keras高层神经网络API搭建U-Net目标分割模型,该模型用于图像分割性能较好,特别是在训练中,满足在较小的数据集情况下能够提取出较为精确的分割结果。U-Net是一种改进的FCN结构,主要分为上采样和
下采样两部分。下采样为特征提取部分,主要利用连续的卷积池化层提取图像中的特征信息,并逐步将特征信息映射至高维,在整个网络的最高维是整个图像中丰富的特征信息,下采样用来逐渐展现环境信息,而上采样的过程是结合下采样各层信息和上采样的输入信息来还原细节信息,并且逐步还原图像
精度。
[0053] U-Net深度学习分割模型搭建步骤如下:
[0054] S1:选择64通道的3×3大小的卷积核和Relu激活函数对输入图像进行卷积,再一次选择64通道的3×3大小的卷积核和Relu激活函数进行卷积,然后选择2×2大小的池化核进行池化;
[0055] S2:选择128通道的3×3大小的卷积核和Relu激活函数进行卷积,再一次选择128通道的3×3大小的卷积核和Relu激活函数进行卷积,然后选择2×2大小的池化核进行池化;
[0056] S3:选择256通道的3×3大小的卷积核和Relu激活函数进行卷积,再一次选择256通道的3×3大小的卷积核和Relu激活函数进行卷积,然后选择2×2大小的池化核进行池化;
[0057] S4:选择512通道的3×3大小的卷积核和Relu激活函数进行卷积,再一次选择512通道的3×3大小的卷积核和Relu激活函数进行卷积,接入Dropout层后选择2×2大小的池化核进行池化;
[0058] S5:选择1024通道的3×3大小的卷积核和Relu激活函数进行卷积,再一次选择1024通道的3×3大小的卷积核和Relu激活函数进行卷积,接入Dropout层操作;
[0059] S6:上采样,选择512通道的2×2大小的卷积核及2×2大小的上采样核进行上采样,拼接上游feature后,连接两次512通道的3×3大小的卷积核和Relu激活函数进行卷积;
[0060] S7:上采样,选择256通道的2×2大小的卷积核及2×2大小的上采样核进行上采样,拼接上游feature后,连接两次256通道的3×3大小的卷积核和Relu激活函数进行卷积;
[0061] S8:上采样,选择128通道的2×2大小的卷积核及2×2大小的上采样核进行上采样,拼接上游feature后,连接两次128通道的3×3大小的卷积核和Relu激活函数进行卷积;
[0062] S9:上采样,选择64通道的2×2大小的卷积核及2×2大小的上采样核进行上采样,拼接上游feature后,连接两次64通道的3×3大小的卷积核和Relu激活函数进行卷积;
[0063] S10:选择2通道的3×3大小的卷积核和Relu激活函数进行卷积,连接1×1大小的卷积核和sigmoid激活函数进行卷积后模型搭建完成。
[0064] 3、网络模型的训练
[0065] 训练样本数据集与U-Net网络目标分割模型搭建完毕,依据轴端螺栓部件的先验知识以及轴端螺栓模块目标分割特点选择网络模型训练参数,一切准备就绪后开始训练网络模型。训练过程中保存不同
迭代次数的模型训练文件,训练结束后选择最优训练模型,作为滚动轴承轴端螺栓折断故障分割模型。选择测试图像,对训练模型进行测试,检验分割模型的分割准确率,不断调整优化去训练处最优的分割模型。
[0066] 4、滚动轴承轴端螺栓折断故障判别方式
[0067] 本发明在检测轴端螺栓折断故障时,提出了深度学习和图像处理算法相结合的方式,由于拍摄的图像原因,一般分割出来的螺栓也不太一定是理想的正六边形,基于此改进了判定六边形螺栓的方法,提出了通过计算螺栓个数、面积及三个螺栓之间的位置关系,判断螺栓是否折断。由于图像拍摄不清晰等外界噪声干扰,会发生深度学习模型分割出的六边形螺栓边缘不精确的情况,为了降低误判,提出了六边形螺栓位置关系判定方法,使系统更稳定,准确率提高。
[0068] 上述过程的详细步骤为:
[0069] 步骤一:读取TFDS-货车故障轨边图像检测系统服务器上的过车图像,粗定位出轴端螺栓部件区域子图像;
[0070] 步骤二:通过搭建的轴端螺栓折断目标分割U-Net深度学习框架调用子图像,进行实时的轴端螺栓目标分割;
[0071] 步骤三:将分割出来的轴端螺栓目标图像二值化,计算螺栓轮廓,依据面积等先验知识设定阈值dis,排除掉非螺栓轮廓的干扰,剩余轮廓个数小于3个则直接报警故障;
[0072] 步骤四:若剩余轮廓个数等于3个,则计算出螺栓轮廓中心距,并根据一阶中心距计算得到轮廓的质心center1(x1,y1)、center2(x2,y2)、center3(x3,y3),使用质心的优势在于对噪声不敏感,当有外部噪声干扰时,计算出的质心不会偏离太大;
[0073] 步骤五:根据两点距离公式分别计算出三个质心之间的距离distance12,、distance13,distance23;
[0074] 步骤六:将distance12,、distance13,distance23分别与设定阈值dis进行比较,三者的差值均在允许范围内,则认为是两两螺栓互相之间的位置关系正常;出现差值较大情况,表明两个螺栓之间距离较大,大于一定阈值的则认为是螺栓目标分割失误,报警轴端螺栓折断异常。
[0075] 故障判定完毕,将故障信息上传到TFDS故障检测平台上,待人工进一步核实确认轴端螺栓折断情况。
[0076] 需要注意的是,具体实施方式仅仅是对本发明技术方案的解释和说明,不能以此限定权利保护范围。凡根据本发明
权利要求书和
说明书所做的仅仅是局部改变的,仍应落入本发明的保护范围内。