首页 / 专利库 / 软件 / 框架 / 一种铁路货车钩提杆的故障识别方法

一种路货车钩提杆的故障识别方法

阅读:1510发布:2020-05-31

专利汇可以提供一种路货车钩提杆的故障识别方法专利检索,专利查询,专利分析的服务。并且一种 铁 路货车钩提杆的故障识别方法,解决了现有人工观察图像的方式进行故障检测车钩提杆故障易出现漏检和错检的问题,属于铁路货车故障检测领域。本 发明 包括:获取铁路货车的线阵图像,包括正常图像和故障图像,利用截取 框架 将所述铁路货车的图像截取出包括13型钩提杆的区域图像,在所述区域图像中标记出13型钩提杆,利用标记完的区域图像构建数据集;将数据集输入到U-Net分割网络中进行训练,获得分割模型;利用截取框架将待检测的铁路货车图像截取出区域图像,将该区域图像输入至分割模型中,获取13型钩提杆的分割区域;对分割区域进行故障分析,判断13型钩提杆是否发生折断或脱落。对发生折断、脱落的钩提杆部件进行报警。,下面是一种路货车钩提杆的故障识别方法专利的具体信息内容。

1.一种路货车钩提杆的故障识别方法,其特征在于,所述方法包括:
S1、获取铁路货车的线阵图像;
S2、铁路货车的图像包括正常图像和故障图像,利用截取框架将所述铁路货车的图像截取出包括13型钩提杆的区域图像,在所述区域图像中标记出13型钩提杆,利用标记完的区域图像构建数据集;
S3、将数据集输入到U-Net分割网络中进行训练,获得分割模型;
所述U-Net分割网络基于U-Net网络实现,将U-Net网络中解码过程中的连接方式concat改为求和add,且其中的卷积模采用如下方式:
两个1*3和3*1的卷积核,分别与输入做卷积,卷积之后分别加入两个BN层中,两个BN层输出结果进行求和,作为下一个卷积模块的输入;
S5、利用截取框架将待检测的铁路货车图像截取出区域图像,将该区域图像输入至分割模型中,获取13型钩提杆的分割区域;
S6、对分割区域进行故障分析,判断13型钩提杆是否发生折断或脱落,对发生折断、脱落的钩提杆部件进行报警。
2.根据权利要求1所述的铁路货车钩提杆的故障识别方法,其特征在于,所述S2中的区域图像还包括位置标识部件的图像,并在所述区域图像中标记出位置标识部件,所述位置标识部件为13型钩提杆故障判别所需要的位置关系;
所述S5为:利用截取框架将待检测的铁路货车图像截取出区域图像,将该区域图像输入至分割模型中,获取13型钩提杆及位置标识部件的分割区域;
所述S6为:根据分割区域中13型钩提杆与位置标识部件的位置关系,判断13型钩提杆是否发生折断或脱落,对发生折断、脱落的钩提杆部件进行报警。
3.根据权利要求2所述的铁路货车钩提杆的故障识别方法,其特征在于,将数据集输入到U-Net分割网络中进行训练,训练过程中使用数据增强、镜像、偏移、旋转及缩放来增加权重的鲁棒性。
4.根据权利要求3所述的铁路货车钩提杆的故障识别方法,其特征在于,所述S1采用在固定的探测站点搭建高速成像设备,获取货车各部位的线阵灰度图像,保证图像中存在各种自然干扰下的图像。

说明书全文

一种路货车钩提杆的故障识别方法

技术领域

[0001] 本发明涉及一种铁路货车的故障识别方法,特别涉及一种铁路货车13型钩提杆的故障识别方法。

背景技术

[0002] 货车钩提杆折断、脱落故障是一种危及行车安全的故障,如果未及时发现故障可能产生严重后果。在现有的13型钩提杆故障检测中,采用人工观察图像的方式进行故障检测,工作重复性高、强度高,检车人员在工作过程中极易出现疲劳、遗漏等情况,造成漏检、错检的出现,影响行车安全。

发明内容

[0003] 针对现有人工观察图像的方式进行故障检测车钩提杆故障易出现漏检和错检的问题,本发明提供一种利用图像自动识别的方式代替人工检测的铁路货车钩提杆的故障识别方法。
[0004] 本发明的一种铁路货车钩提杆的故障识别方法,所述方法包括:
[0005] S1、获取铁路货车的线阵图像;
[0006] S2、铁路货车的图像包括正常图像和故障图像,利用截取框架将所述铁路货车的图像截取出包括13型钩提杆的区域图像,在所述区域图像中标记出13型钩提杆,利用标记完的区域图像构建数据集;
[0007] S3、将数据集输入到U-Net分割网络中进行训练,获得分割模型;
[0008] 所述U-Net分割网络基于U-Net网络(U型深度学习网络)实现,将U-Net网络中解码过程中的连接方式concat改为求和add,且其中的卷积模采用如下方式:
[0009] 两个1*3和3*1的卷积核,分别与输入做卷积,卷积之后分别加入两个BN层中,两个BN层输出结果进行求和,作为下一个卷积模块的输入;
[0010] S5、利用截取框架将待检测的铁路货车图像截取出区域图像,将该区域图像输入至分割模型中,获取13型钩提杆的分割区域;
[0011] S6、对分割区域进行故障分析,判断13型钩提杆是否发生折断或脱落。对发生折断、脱落的钩提杆部件进行报警。
[0012] 作为优选,所述S2中的区域图像还包括位置标识部件的图像,并在所述区域图像中标记出位置标识部件,所述位置标识部件为13型钩提杆故障判别所需要的位置关系;
[0013] 所述S5为:利用截取框架将待检测的铁路货车图像截取出区域图像,将该区域图像输入至分割模型中,获取13型钩提杆及位置标识部件的分割区域;
[0014] 所述S6为:根据分割区域中13型钩提杆与位置标识部件的位置关系,判断13型钩提杆是否发生折断或脱落。对发生折断、脱落的钩提杆部件进行报警。
[0015] 作为优选,将数据集输入到U-Net分割网络中进行训练,训练过程中使用数据增强、镜像、偏移、旋转及缩放来增加权重的鲁棒性。
[0016] 作为优选,所述S1采用在固定的探测站点搭建高速成像设备,获取货车各部位的线阵灰度图像,保证图像中存在各种自然干扰下的图像。
[0017] 本发明的有益效果,本发明利用图像自动识别的方式代替人工检测,可以解决人工检测长时间重复看图的疲劳问题,对于同种故障统一标准,提高检测效率、准确率,避免漏检和错检。本发明使用深度学习算法进行故障识别,较现有的图像处理有更强的鲁棒性,以及更好地可移植性,能够更好的适应室外环境多变性,减少后期维护成本。本发明在满足精度的前提下,压缩模型,提升检测速度,满足实时性。附图说明
[0018] 图1为本发明的流程示意图。
[0019] 图2为U-Net分割网络的示意图;
[0020] 图3为图1中卷积模块的示意图;
[0021] 图4为concat与add差异示意图;

具体实施方式

[0022] 下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
[0023] 需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
[0024] 下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
[0025] 本实施方式的一种铁路货车钩提杆的故障识别方法,如图1所示,包括:
[0026] S1、在探测站点搭建高清成像设备,货车通过设备后,获取高清线阵图像。
[0027] S2、铁路货车的图像包括正常图像和故障图像,利用截取框架将所述铁路货车的图像截取出包括13型钩提杆的区域图像,在所述区域图像中标记出13型钩提杆,利用标记完的区域图像构建数据集;
[0028] 本实施方式的截取框架通过先验知识以及硬件信息搭建,可以截取包含13型钩提杆的较小区域。
[0029] S3、将数据集输入到U-Net分割网络中进行训练,获得分割模型;
[0030] 所述U-Net分割网络基于U-Net网络实现,将U-Net网络中解码过程中的连接方式concat改为求和add,如图2所示,且其中的卷积模块采用如下方式:
[0031] 两个1*3和3*1的卷积核,分别与输入做卷积,卷积之后分别加入两个BN层中,两个BN层输出结果进行求和,作为下一个卷积模块的输入,如图3所示;
[0032] S5、当线上有货车经过时,将待检测的铁路货车图像利用截取框架截取,截取后的图像输入至分割模型中,获取13型钩提杆的分割区域,该分割区域为灰度图像;
[0033] S6、使用传统图像处理算法和模式识别方法对分割区域进行故障分析,判断13型钩提杆是否发生折断或脱落,对发生折断、脱落的钩提杆部件进行上传报警,获取下一张待检测的铁路货车图像,转入S5;
[0034] 工作人员根据识别结果进行相应的处理,保证列车安全运行。
[0035] 本实施方式的S1是为了采集原始图像数据,采用在固定的探测站点搭建高速成像设备,获取货车各部位的线阵灰度图像,保证图像中存在各种自然干扰如光照、雨、泥渍等的图像,保证数据的多样性,这样最终模型会有更好的鲁棒性。
[0036] 将获取到的原始图像统一裁剪为固定尺寸,其中包括故障图像与正常图像。在采集到的图像中正常图像的数量远大于故障图像,所以需要人工进行增强,增加故障图像样本数量。本实施方式利用先验知识与硬件数据搭建截取框架,在过车中的图像定位到13型钩提杆待识别区域,裁剪出包括目标的区域图像。区域图像包括目标的最小区域,这样能够加快后续识别的速度。将收集到的区域图像进行标记,生成与原始图像一一对应的灰度图像,作为网络预测输出标签图,
[0037] 优选实施例中,本实施方式的S2中的区域图像还包括位置标识部件的图像,并在所述区域图像中标记出位置标识部件,所述位置标识部件为13型钩提杆故障判别所需要的位置关系;
[0038] 本实施方式的S5为将待检测的铁路货车图像输入至分割模型中,获取13型钩提杆及位置标识部件的分割区域;
[0039] 本实施方式的S6为:根据分割区域中13型钩提杆与位置标识部件的位置关系,判断13型钩提杆是否发生折断或脱落。对发生折断、脱落的钩提杆部件进行报警。
[0040] 本实施方式的S5获取的分割区域为灰度图像,该灰度图像包含13型钩提杆以及故障判别所需要的位置关系的其他类。单独得到目标二值图像在很多时候难以判别故障,所以需要选定与其有固定位置关系的参考物。灰度图中相同灰度值为一类。
[0041] 在进行货车故障自动检测任务时,为了不影响后续车辆检测,对实时性要求较高。由于线上过车时间识别时间有限定,货车较动车组更长,同一部件图像较多,程序需要快速处理大量图像,所以对U-Net(全卷积神经网络)分割网络运行时间有着很强的要求,缩减网络参数加快识别速度是必须任务。
[0042] 本实施方式U-Net分割网络对现有的U-Net网络进行了压缩与改变,在满足精度的要求下,精简模型大小,对其进行提速。
[0043] 针对运行速度:本实施方式采用两个(1*3)和(3*1)的卷积核,分别与输入做卷积,卷积之后加入BN层(Batch Normalization,批量归一化层),将BN层输出结果求和,作为下一个卷积的输入。结构如图3中卷积模块所示。这样做卷积,其效果和(3*3)类似,但是参数要少很多。将连接方式concat改为求和add,concat和add的差异如图4所示,进一步减少参数加快网络识别速度,减少每一层特征图的个数来加快网络运行速度。
[0044] 本实施方式的U-Net分割网络的编码-解码结构,如图2所示包括:
[0045] 第一步:编码
[0046] 编码器,即对图像进行特征提取,获取不同感受野下的特征图。采用两个非对称卷积模块连接一个池化的结构完成一次下采样,减少特征图的维度加快计算速度。输入原始图像大小为512*256*1,经过第一个下采样变为256*128*32,经过第二个下采样变为128*64*64,第三个下采样为64*32*128,第四个下采样变为32*16*256,共采用四次下采样,下采样可以扩大感受野,减少网络参数以及不容易过拟合。接着连接两个卷积层变为32*16*
256,后加上一个dropout层,防止过拟合,特征提取完毕。
[0047] 第二步:解码
[0048] 与编码器四个下采样相对应,解码器采用四个上采样,每个上采样后与编码器对应层相加,改变U-Net原有连接方式concat,相加之后图像数据信息增强,相比连接方式concat,特征图维度不变,计算量要小很多,所以速度增加。每个上采样后接add以及两个卷积模块,与编码器结构相对应。经过一个上采样,后特征图为64*32*128,经过两个上采样为128*64*64,经过三个上采样为256*128*32,经过四个上采样特征图为512*256*32。
[0049] 在进行故障识别时需要其他位置信息,所以标签类别为三,包括背景、13型钩提杆和位置标识部件,对于多分类,选取激活函数为softmax如下公式1所示,损失函数选取为categorical_crossentropy如下公式2所示。
[0050]
[0051] 其中,K代表类别数,i取值0,1,2···K-1,y为输入x属于类别i的概率。
[0052]
[0053] 其中,y表示真实标记的分布,则为预测分布。
[0054] 将标签图放入U-Net分割网络进行训练,训练过程中使用数据增强,增加镜像、偏移,由于相机度固定加入较小旋转角度,较小缩放的比例来增加权重的鲁棒性。
[0055] 经过优化的U-Net分割网络,不需要很高配置的显卡也能实现实时性,在1050TI的显卡上可以实现30+张图像每秒,满足了本故障识别的要求。
[0056] 虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈