CN106441411A - 一种轨道机车及车辆走行部检测方法及检测系统 - Google Patents
一种轨道机车及车辆走行部检测方法及检测系统 Download PDFInfo
- Publication number
- CN106441411A CN106441411A CN201610796227.0A CN201610796227A CN106441411A CN 106441411 A CN106441411 A CN 106441411A CN 201610796227 A CN201610796227 A CN 201610796227A CN 106441411 A CN106441411 A CN 106441411A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- training
- rail locomotive
- image
- trained
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种轨道机车及车辆走行部检测方法及检测系统，其中，所述轨道机车及车辆走行部检测方法通过将所述轨道机车及车辆的过车图像输入到经训练样本预先训练的识别模块中，以实现获得所述轨道机车及车辆的关键部件图像的目的，进一步当根据所述关键部件图像判断出所述轨道机车及车辆的走行部出现异常时，才根据所述车号信息向相应的轨道机车及车辆发出警报，大大降低了所述轨道机车及车辆走行部检测方法的误报警概率，从而达到减少轨道机车及车辆的工作人员的无效劳动的目的。
Description
技术领域
本申请涉及轨道机车及车辆运行安全保障技术领域，更具体地说，涉及一种轨道机车及车辆走行部检测方法及检测系统。
背景技术
轨道机车及车辆的走行部是指轨道机车及车辆下部引导轨道机车及车辆沿轨道运行，并将轨道机车及车辆的全部重量传递给轨道的部分，一般包括轮对、轴箱油润装置、侧架、摇枕和弹簧减震装置、制动装置和电机等。所述走行部是保障轨道机车及车辆安全运行的重要部分，因此所述走行部是否出现异常是工作人员主要关注的问题。
最传统的对所述走行部进行检查的方式是在轨道机车及车辆入库后停在检修地沟作业区域，有工作人员下地沟对走行部各个部件进行检查，这种方式不仅效率低、检测主观性强，而且只能在轨道列车入库之后才能对所述走行部进行检查，无法在轨道列车运行中途及时发现所述走行部的异常情况。
现今主流的对所述走行部进行检测的方案主要依赖于图像处理技术实现，通过获取所述走行部的二维(Two Dimension，2D)图像和三维(Three Dimension，3D)图像，综合利用所述走行部的2D图像和3D图像对所述走行部进行检测，具体过程包括：通过获取所述轨道机车及车辆的车号查找该车历史最近一次过车图像(简称历史过车图像，当所述历史过车图像不存在时，以该车标准走行部图像作为该车历史最近一次过车图像)；获取所述走行部的2D图像和3D图像，利用所述2D图像与所述历史过车图像进行配准后，进行图像间的比对分析，找出当前获取的所述2D图像与所述历史过车图像间的差异，将差异部分作为异常区域，但是由于利用所述2D图像与所述历史过车图像进行比对时可能会由于光线、雨雪、污渍或泥渍的影响造成异常区域的误选取，因此需要对异常区域利用所述3D图像与所述历史过车图像进行再次删选，以剔除由于上述原因造成的异常区域的误选取，当经过所述3D图像与所述历史过车图像进行再次删选后仍然存在异常区域时进行示警，提示驾驶员所述走行部异常。
但是，这种对所述走行部进行检测的方案仍然存在问题，当所述走行部的部分部件老化并进行更换后，势必造成获取的所述走行部的2D图像和3D图像与所述历史过车图像的不同，从而引起误报警。此外，所述走行部的部分零部件(例如钩缓部件、风管、电缆、弹簧和挂钩链环)在所述轨道机车及车辆运行过程中不可避免的会发生移动或晃动而造成位置的相对变化，并且这种位置的变化并不会对所述走行部的正常工作造成影响，但是在利用现有技术中综合利用所述走行部的2D图像和3D图像对所述走行部进行检测的方法对所述走行部进行检测时，这种零部件的位置变化也会引起误报警。这种误报警势必会使所述轨道机车及车辆的工作人员进行不必要的巡视检测，从而增加所述轨道机车及车辆的工作人员的无效劳动。
发明内容
为解决上述技术问题，本发明提供了一种轨道机车及车辆走行部检测方法及检测系统，以实现降低对所述走行部检查过程中的误报警概率，从而减少轨道机车及车辆的工作人员的无效劳动的目的。
为实现上述技术目的，本发明实施例提供了如下技术方案：
一种轨道机车及车辆走行部检测方法，包括：
获取轨道机车及车辆的过车图像；
获取所述轨道机车及车辆的车号信息；
将所述过车图像输入到经训练样本预先训练的识别模块中，获得所述经训练样本预先训练的识别模块输出的所述轨道机车及车辆的关键部件图像；
根据所述关键部件图像判断所述轨道机车及车辆的走行部是否异常，如果是，则根据所述车号信息匹配相应的轨道机车及车辆，并根据所述走行部的异常信息进行报警。
优选的，所述经训练样本预先训练的识别模块的训练过程包括：
获取关键部件的图像数据集；
将所述关键部件的图像数据集输入到待训练识别模块中，获得所述待训练识别模块输出的第一训练结果；
将所述第一训练结果与第一标准结果进行比较，如果误差小于第一阈值，则完成关键部件训练；如果误差大于第一阈值，则调整所述待训练识别模块的各项参数，返回将所述关键部件的图像数据集输入到待训练识别模块中的步骤。
优选的，所述经训练样本预先训练的识别模块的训练过程还包括：
获取整车的图像数据集；
将所述整车的图像数据集输入到完成关键部件训练后的待训练识别模块中，获得所述完成关键部件训练后的待训练识别模块输出的第二训练结果；
将所述第二训练结果与第二标准结果进行比较，如果误差小于第二阈值，则完成整车结构训练，获得所述经训练样本预先训练的识别模块；如果误差大于第二阈值，则调整所述完成关键部件训练后的待训练识别模块的各项参数，返回将所述整车的图像数据集输入到完成关键部件训练后的待训练识别模块中的步骤。
优选的，所述将所述过车图像输入到经训练样本预先训练的识别模块中，获得所述经训练样本预先训练的识别模块输出的所述轨道机车及车辆的关键部件图像包括：
将所述过车图像输入到经训练样本预先训练的识别模块中；
所述经训练样本预先训练的识别模块识别所述过车图像中的每一个可识别特征，并将每一个可识别特征作为一张所述关键部件图像输出。
优选的，所述获取轨道机车及车辆的过车图像包括：
获取所述轨道机车及车辆的二维过车图像，和/或，获取所述轨道机车及车辆的三维过车图像。
优选的，所述根据所述车号信息匹配相应的轨道机车及车辆，并根据所述走行部的异常信息进行报警包括：
根据所述车号信息匹配相应的轨道机车及车辆；
将所述走行部的异常信息与匹配的相应轨道机车及车辆进行绑定，并根据所述走行部的异常信息进行分级报警。
优选的，所述根据所述走行部的异常信息进行分级报警包括：
将所述走行部的异常信息在轨道机车及车辆模型的相应位置处进行显示；
根据所述走行部的异常信息选择预警等级，发出与所述预警等级匹配的报警信息。
一种轨道机车及车辆走行部检测系统，包括：
图像采集模块，用于获取轨道机车及车辆的过车图像；
车号识别模块，用于获取所述轨道机车及车辆的车号信息；
经训练样本预先训练的识别模块，用于根据所述过车图像获取所述轨道机车及车辆的关键部件图像；
故障分析模块，用于根据所述关键部件图像判断所述轨道机车及车辆的走行部是否异常，如果是，则匹配相应的轨道机车及车辆，并根据所述走行部的异常信息进行报警。
优选的，还包括：训练模块；
所述训练模块包括：
第一数据集单元，用于获取关键部件的图像数据集，并将所述关键部件的图像数据集输入到待训练识别模块中，获得所述待训练识别模块输出的第一训练结果；
第一判断单元，用于将所述第一训练结果与第一标准结果进行比较，如果误差小于第一阈值，则完成关键部件训练；如果误差大于第一阈值，则调整所述待训练识别模块的各项参数，返回所述第一数据集单元。
优选的，所述训练模块还包括：
第二数据集单元，用于获取整车的图像数据集，并将所述整车的图像数据集输入到完成关键部件训练后的待训练识别模块中，获得所述完成关键部件训练后的待训练识别模块输出的第二训练结果；
第二判断单元，用于将所述第二训练结果与第二标准结果进行比较，如果误差小于第二阈值，则完成整车结构训练，获得所述经训练样本预先训练的识别模块；如果误差大于第二阈值，则调整所述完成关键部件训练后的待训练识别模块的各项参数，返回所述第二数据集单元。
优选的，所述经训练样本预先训练的识别模块具体用于，识别所述过车图像中的每一个可识别特征，并将每一个可识别特征作为一张所述关键部件图像输出。
优选的，所述图像采集模块包括二维图像获取单元和/或三维图像获取单元，其中，
所述二维图像获取单元，用于获取所述轨道机车及车辆的二维过车图像；
所述三维图像获取单元，用于获取所述轨道机车及车辆的三维过车图像。
优选的，所述故障分析模块包括：
车辆匹配单元，用于根据所述车号信息匹配相应的轨道机车及车辆；
分级报警单元，用于将所述走行部的异常信息与匹配的相应轨道机车及车辆进行绑定，并根据所述走行部的异常信息进行分级报警。
优选的，所述分级报警单元具体用于，将所述走行部的异常信息在轨道机车及车辆模型的相应位置处进行显示，并根据所述走行部的异常信息选择预警等级，发出与所述预警等级匹配的报警信息。
从上述技术方案可以看出，本发明实施例提供了一种轨道机车及车辆走行部检测方法及检测系统，其中，所述轨道机车及车辆走行部检测方法通过将所述轨道机车及车辆的过车图像输入到经训练样本预先训练的识别模块中，以实现获得所述轨道机车及车辆的关键部件图像的目的，进一步当根据所述关键部件图像判断出所述轨道机车及车辆的走行部出现异常时，才根据所述车号信息向相应的轨道机车及车辆发出警报，大大降低了所述轨道机车及车辆走行部检测方法的误报警概率，从而达到减少轨道机车及车辆的工作人员的无效劳动的目的。这是因为所述走行部的关键部件决定着其是否能够正常工作，经训练样本预先训练的识别模块可以很好的识别所述过车图像中的关键部件，从而实现剔除背景，只对关键部件的重点检测，避免了现有技术中由于所述轨道列车的部件更换或某些零部件(例如钩缓部件、风管、电缆、弹簧和挂钩链环)在所述轨道机车及车辆运行过程中不可避免的会发生移动或晃动而造成位置相对变化所引起的误报警，进而实现了降低了所述轨道机车及车辆走行部检测方法的误报警概率，减少所述轨道机车及车辆的工作人员的无效劳动的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请的一个实施例提供的一种轨道机车及车辆走行部检测方法的流程示意图；
图2为本申请的一个实施例提供的一种经训练样本预先训练的识别模块的训练过程的流程示意图；
图3为本申请的一个实施例提供的一种神经网络的结构示意图；
图4为本申请的一个优选实施例提供的一种经训练样本预先训练的识别模块的训练过程的流程示意图；
图5为本申请的一个实施例提供的一种轨道机车及车辆走行部检测系统的结构示意图；
图6为本申请的一个实施例提供的一种训练模块的结构示意图；
图7为本申请的一个优选实施例提供的一种训练模块的结构示意图。
具体实施方式
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做出创造性劳动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。
本申请实施例提供了一种轨道机车及车辆走行部检测方法，如图1所示，包括：
S101：获取轨道机车及车辆的过车图像；
S102：获取所述轨道机车及车辆的车号信息；
S103：将所述过车图像输入到经训练样本预先训练的识别模块中，获得所述经训练样本预先训练的识别模块输出的所述轨道机车及车辆的关键部件图像；
S104：根据所述关键部件图像判断所述轨道机车及车辆的走行部是否异常，如果是，则匹配相应的轨道机车及车辆，并根据所述走行部的异常信息进行报警。
需要说明的是，所述轨道机车及车辆的关键部件是指能够影响所述走行部运行安全的部件，例如抱轴箱、齿轮箱、电机、制动装置、牵引缓冲连接装置、牵引装置、砂箱、车轮、闸机和闸瓦等。所述关键部件图像是指包含一种所述关键部件的图像，那么对于车轮这一类型的关键部件而言，由于车轮的数量较多且分布线度较长，因此包含车轮这一种关键部件的图像一般会有多张。对识别模块进行训练样本的预先训练的目的是将每一种关键部件作为其的一个可识别特征，这样在获得输入的所述过车图像后，所述经训练样本预先训练的识别模块会识别所述过车图像中的每一个可识别特性，并将每一个可识别特征作为一张所述关键部件图像输出。
与所述关键部件概念相对的则是位置或形态发生变化不会影响所述走行部运行安全的非关键部件，这些非关键部件中的部分部件(例如钩缓部件、风管、电缆、弹簧和挂钩链环等部件)在所述轨道机车及车辆的运行过程中不可避免的会发生位置的移动或形态的变化，如果单纯利用当次获取的所述过车图像与历史过车图像进行简单比对获取差异点的方式对所述走行部进行检测，势必会因为上述部件的位置移动或形态的变化而引起误报警，另外所述走行部的部件更换也会引起误报警。
而本申请实施例提供的所述轨道机车及车辆走行部检测方法通过将所述轨道机车及车辆的过车图像输入到经训练样本预先训练的识别模块中，以实现获得所述轨道机车及车辆的关键部件图像的目的，进一步当根据所述关键部件图像判断出所述轨道机车及车辆的走行部出现异常时，才根据所述车号信息向相应的轨道机车及车辆发出警报，大大降低了所述轨道机车及车辆走行部检测方法的误报警概率，从而达到减少轨道机车及车辆的工作人员的无效劳动的目的。
还需要说明的是，在本实施例中，所述车号信息可以包括车型、车号、编组和端位信息，是轨道机车及车辆的唯一身份信息，可以根据所述车号信息匹配相应的轨道机车及车辆，从而可以将所述过车图像或所述走行部异常信息与相应的轨道机车及车辆进行匹配。在本申请的一个实施例中，所述车号信息可以通过射频识别(Radio FrequencyIdentification，RFID)技术获取。在本申请的其他实施例中，所述车号信息还可以通过图像处理技术获取。本申请对获取所述车号信息的具体方式并不做限定，具体视实际情况而定。
另外，所述过车图像一般包括所述轨道机车及车辆的车底图像和车侧图像。
在上述实施例的基础上，在本申请的一个实施例中，如图2所示，所述经训练样本预先训练的识别模块的训练过程包括：
S201：获取关键部件的图像数据集；
S202：将所述关键部件的图像数据集输入到待训练识别模块中，获得所述待训练识别模块输出的第一训练结果；
S203：将所述第一训练结果与第一标准结果进行比较，如果误差小于第一阈值，则完成关键部件训练；如果误差大于第一阈值，则调整所述待训练识别模块的各项参数，返回S202。
需要说明的是，所述待训练识别模块可以是神经网络、支持向量机、模板匹配模块、自顶向下模块或自底向上模块等，本申请对所述待训练识别模块的具体种类并不做限定，具体视实际情况而定。
以神经网络作为所述待训练识别模块为例，如图3所示，所述神经网络包括输入层、隐含层和输出层，所述过车图像通过所述输入层输入到所述神经网络中，经过所述隐含层的逐层处理直至输出层，若输出层输出与期望输出(教师信号，也即所述第一标准结果)的误差达到设定精度(小于第一阈值)，则学习结束；否则则进入误差反向传播过程，并按照梯度下降法调整每级所述隐含层各神经元的权值和阈值(调整所述待训练识别模块的各项参数)，从而使所述神经网络的预测输出不断逼近期望输出。
其中，隐含层的神经元数目的选择是一个需要考虑的问题：隐含层神经元数目过少，可能会导致所述神经网络训练不理想或者失败，不能识别以前未见过的样本，泛化能力与容错性较差。而如果隐含层节点数过多，不仅增加了训练难度和训练时间，还有可能会出现过拟合的现象。
在本申请的一个优选实施例中，训练过程中为避免出现过拟合现象，确定隐含层神经元数目的基本原则是：在保证足够高的网络性能和泛化能力的前提下，尽可能采用紧凑结构，即隐含层尽可能选取较少的神经元数目。但本申请对选取所述隐含层神经元数目的原则以及所述隐含层神经元的具体数目并不做限定，具体视实际情况而定。
在本实施例中，经过所述关键部件的图像数据集的训练过程后，即可称所述待训练识别模块为所述经训练样本预先训练的识别模块，所述经训练样本预先训练的识别模块可以用于在线检测所述轨道机车及车辆走行部，实现根据所述过车图像输出所述轨道机车及车辆的关键部件图像的功能。
在上述实施例的基础上，在本申请的另一个实施例中，如图4所示，所述经训练样本预先训练的识别模块的训练过程还包括：
S204：获取整车的图像数据集；
S205：将所述整车的图像数据集输入到完成关键部件训练后的待训练识别模块中，获得所述完成关键部件训练后的待训练识别模块输出的第二训练结果；
S206：将所述第二训练结果与第二标准结果进行比较，如果误差小于第二阈值，则完成整车结构训练，获得所述经训练样本预先训练的识别模块；如果误差大于第二阈值，则调整所述完成关键部件训练后的待训练识别模块的各项参数，返回步骤S205。
在本实施例中，利用所述整车的图像数据集对所述完成关键部件训练后的待训练识别模块进行训练的目的是使所述完成关键部件训练后的待训练识别模块对所述关键部件在整车的位置关系进行学习(或者说是对所述轨道机车及车辆的整车结构进行学习)，从而获得所述经训练样本预先训练的识别模块，以提高所述经训练样本预先训练的识别模块对所述关键部件的识别率，进一步降低所述轨道机车及车辆走行部检测方法的误报警率。
在上述实施例的基础上，在本申请的又一个实施例中，所述获取轨道机车及车辆的过车图像包括：
获取所述轨道机车及车辆的二维过车图像，和/或，获取所述轨道机车及车辆的三维过车图像。
需要说明的是，在本申请的一个实施例中，所述获取轨道机车及车辆的过车图像包括：获取所述轨道机车及车辆的二维过车图像，或，获取所述轨道机车及车辆的三维过车图像，那么在本实施例中，所述过车图像仅包括二维过车图像和三维过车图像中的一种。在本申请的其他实施例中，所述获取轨道机车及车辆的过车图像包括：获取所述轨道机车及车辆的二维过车图像和三维过车图像，那么在本实施例中，所述过车图像既包括二维过车图像，又包括三维过车图像。本申请对此并不做限定，具体视实际情况而定。
还需要说明的是，所述二维过车图像可以通过线阵技术或面阵技术获取，所述三维过车图像可以通过结构光技术或双目三维重构技术获取。本申请对获取所述二维过车图像和三维过车图像的具体方法并不做限定，具体视实际情况而定。
在上述实施例的基础上，在本申请的一个优选实施例中，所述根据所述车号信息匹配相应的轨道机车及车辆，并根据所述走行部的异常信息进行报警包括：
根据所述车号信息匹配相应的轨道机车及车辆；
将所述走行部的异常信息与匹配的相应轨道机车及车辆进行绑定，并根据所述走行部的异常信息进行分级报警。
具体地，所述根据所述走行部的异常信息进行分级报警包括：
将所述走行部的异常信息在轨道机车及车辆模型的相应位置处进行显示；
根据所述走行部的异常信息选择预警等级，发出与所述预警等级匹配的报警信息。
需要说明的是，将所述走行部的异常信息在轨道机车及车辆模型的相应位置处进行显示的目的是便于轨道机车及车辆管理人员清晰的获取出现故障的走行部的具体位置，并通过与该走行部的异常信息绑定的轨道机车及车辆获取相应的轨道机车及车辆的身份信息。另外，在本申请的一个实施例中，包含所述走行部异常信息的轨道机车及车辆模型及其对应的轨道机车及车辆身份信息还可以保存在本地或服务器中，供其他的轨道机车及车辆管理人员或系统调用。
还需要说明的是，根据所述走行部的异常信息选择预警等级，发出与所述预警等级匹配的报警信息的目的是根据所述走行部出现的故障的严重情况进行分级预警。具体地，当所述走行部出现较为严重的故障时，选择等级较高的预警等级，发出与该预警等级匹配的报警信息，例如蜂鸣音等。当所述走行部出现一般故障时，选择等级较低的预警等级，发出与该预警等级匹配的报警信息，例如将包含有所述走行部异常信息的轨道机车及车辆模型进行闪烁等，例外所述轨道机车及车辆模型的闪烁频率不同，也可以代表不同程度的走行部故障。本申请对此并不做限定，具体视实际情况而定。
相应的，本申请实施例还提供了一种轨道机车及车辆走行部检测系统，如图5所示，包括：
图像采集模块100，用于获取轨道机车及车辆的过车图像；
车号识别模块200，用于获取所述轨道机车及车辆的车号信息；
经训练样本预先训练的识别模块300，用于根据所述过车图像获取所述轨道机车及车辆的关键部件图像；
故障分析模块400，用于根据所述关键部件图像判断所述轨道机车及车辆的走行部是否异常，如果是，则匹配相应的轨道机车及车辆，并根据所述走行部的异常信息进行报警。
需要说明的是，所述轨道机车及车辆的关键部件是指能够影响所述走行部运行安全的部件，例如抱轴箱、齿轮箱、电机、制动装置、牵引缓冲连接装置、牵引装置、砂箱、车轮、闸机和闸瓦等。所述关键部件图像是指包含一种所述关键部件的图像，那么对于车轮这一类型的关键部件而言，由于车轮的数量较多且分布线度较长，因此包含车轮这一种关键部件的图像一般会有多张。对识别模块进行训练样本的预先训练的目的是将每一种关键部件作为其的一个可识别特征，这样在获得输入的所述过车图像后，所述经训练样本预先训练的识别模块300会识别所述过车图像中的每一个可识别特性，并将每一个可识别特征作为一张所述关键部件图像输出。
与所述关键部件概念相对的则是位置或形态发生变化不会影响所述走行部运行安全的非关键部件，这些非关键部件中的部分部件(例如钩缓部件、风管、电缆、弹簧和挂钩链环等部件)在所述轨道机车及车辆的运行过程中不可避免的会发生位置的移动或形态的变化，如果单纯利用当次获取的所述过车图像与历史过车图像进行简单比对获取差异点的方式对所述走行部进行检测，势必会因为上述部件的位置移动或形态的变化而引起误报警，另外所述走行部的部件更换也会引起误报警。
而本申请实施例提供的所述轨道机车及车辆走行部检测系统通过将所述轨道机车及车辆的过车图像输入到经训练样本预先训练的识别模块300中，以实现获得所述轨道机车及车辆的关键部件图像的目的，进一步当根据所述关键部件图像判断出所述轨道机车及车辆的走行部出现异常时，才根据所述车号信息向相应的轨道机车及车辆发出警报，大大降低了所述轨道机车及车辆走行部检测方法的误报警概率，从而达到减少轨道机车及车辆的工作人员的无效劳动的目的。
还需要说明的是，在本实施例中，所述车号信息可以包括车型、车号、编组和端位信息，是轨道机车及车辆的唯一身份信息，可以根据所述车号信息匹配相应的轨道机车及车辆，从而可以将所述过车图像或所述走行部异常信息与相应的轨道机车及车辆进行匹配。
在本申请的一个实施例中，所述车号识别模块200可以是射频识别(RadioFrequency Identification，RFID)系统。在本申请的其他实施例中，所述车号识别模块200还可以是图像处理系统。本申请对所述车号识别模块200的具体实现方式并不做限定，具体视实际情况而定。
另外，所述过车图像一般包括所述轨道机车及车辆的车底图像和车侧图像。
在上述实施例的基础上，在本申请的一个实施例中，如图6所示，所述轨道机车及车辆走行部检测系统还包括：训练模块500；
所述训练模块500包括：
第一数据集单元510，用于获取关键部件的图像数据集，并将所述关键部件的图像数据集输入到待训练识别模块中，获得所述待训练识别模块输出的第一训练结果；
第一判断单元520，用于将所述第一训练结果与第一标准结果进行比较，如果误差小于第一阈值，则完成关键部件训练；如果误差大于第一阈值，则调整所述待训练识别模块的各项参数，返回所述第一数据集单元510。
需要说明的是，所述待训练识别模块可以是神经网络、支持向量机、模板匹配模块、自顶向下模块或自底向上模块等，本申请对所述待训练识别模块的具体种类并不做限定，具体视实际情况而定。
以神经网络作为所述待训练识别模块为例，如图3所示，所述神经网络包括输入层、隐含层和输出层，所述过车图像通过所述输入层输入到所述神经网络中，经过所述隐含层的逐层处理直至输出层，若输出层输出与期望输出(教师信号，也即所述第一标准结果)的误差达到设定精度(小于第一阈值)，则学习结束；否则则进入误差反向传播过程，并按照梯度下降法调整每级所述隐含层各神经元的权值和阈值(调整所述待训练识别模块的各项参数)，从而使所述神经网络的预测输出不断逼近期望输出。
其中，隐含层的神经元数目的选择是一个需要考虑的问题：隐含层神经元数目过少，可能会导致所述神经网络训练不理想或者失败，不能识别以前未见过的样本，泛化能力与容错性较差。而如果隐含层节点数过多，不仅增加了训练难度和训练时间，还有可能会出现过拟合的现象。
在本申请的一个优选实施例中，训练过程中为避免出现过拟合现象，确定隐含层神经元数目的基本原则是：在保证足够高的网络性能和泛化能力的前提下，尽可能采用紧凑结构，即隐含层尽可能选取较少的神经元数目。但本申请对选取所述隐含层神经元数目的原则以及所述隐含层神经元的具体数目并不做限定，具体视实际情况而定。
在本实施例中，经过所述关键部件的图像数据集的训练过程后，即可称所述待训练识别模块为所述经训练样本预先训练的识别模块300，所述经训练样本预先训练的识别模块300可以用于在线检测所述轨道机车及车辆走行部，实现根据所述过车图像输出所述轨道机车及车辆的关键部件图像的功能。
在上述实施例的基础上，在本申请的另一个实施例中，如图7所示，所述训练模块500还包括：
第二数据集单元530，用于获取整车的图像数据集，并将所述整车的图像数据集输入到完成关键部件训练后的待训练识别模块中，获得所述完成关键部件训练后的待训练识别模块输出的第二训练结果；
第二判断单元540，用于将所述第二训练结果与第二标准结果进行比较，如果误差小于第二阈值，则完成整车结构训练，获得所述经训练样本预先训练的识别模块300；如果误差大于第二阈值，则调整所述完成关键部件训练后的待训练识别模块的各项参数，返回所述第二数据集单元530。
在本实施例中，利用所述整车的图像数据集对所述完成关键部件训练后的待训练识别模块进行训练的目的是使所述完成关键部件训练后的待训练识别模块对所述关键部件在整车的位置关系进行学习(或者说是对所述轨道机车及车辆的整车结构进行学习)，从而获得所述经训练样本预先训练的识别模块300，以提高所述经训练样本预先训练的识别模块300对所述关键部件的识别率，进一步降低所述轨道机车及车辆走行部检测方法的误报警率。
在上述实施例的基础上，在本申请的又一个实施例中，所述图像采集模块100包括二维图像获取单元和/或三维图像获取单元，其中，
所述二维图像获取单元，用于获取所述轨道机车及车辆的二维过车图像；
所述三维图像获取单元，用于获取所述轨道机车及车辆的三维过车图像。
需要说明的是，在本申请的一个实施例中，所述图像采集模块100包括二维图像获取单元或三维图像获取单元，那么在本实施例中，所述过车图像仅包括二维过车图像和三维过车图像中的一种。在本申请的其他实施例中，所述图像采集模块100包括二维图像获取单元和三维图像获取单元，那么在本实施例中，所述过车图像既包括二维过车图像，又包括三维过车图像。本申请对此并不做限定，具体视实际情况而定。
还需要说明的是，所述二维图像获取单元可以是线阵相机或面阵相机，所述三维图像获取单元可以是结构光三维成像系统或双目三维重构系统。本申请对所述二维图像获取单元和三维图像获取单元的具体实现形式并不做限定，具体视实际情况而定。
在上述实施例的基础上，在本申请的一个优选实施例中，所述故障分析模块400包括：
车辆匹配单元，用于根据所述车号信息匹配相应的轨道机车及车辆；
分级报警单元，用于将所述走行部的异常信息与匹配的相应轨道机车及车辆进行绑定，并根据所述走行部的异常信息进行分级报警。
在本申请的一个具体实施例中，所述分级报警单元具体用于，将所述走行部的异常信息在轨道机车及车辆模型的相应位置处进行显示，并根据所述走行部的异常信息选择预警等级，发出与所述预警等级匹配的报警信息。
需要说明的是，将所述走行部的异常信息在轨道机车及车辆模型的相应位置处进行显示的目的是便于轨道机车及车辆管理人员清晰的获取出现故障的走行部的具体位置，并通过与该走行部的异常信息绑定的轨道机车及车辆获取相应的轨道机车及车辆的身份信息。另外，在本申请的一个实施例中，包含所述走行部异常信息的轨道机车及车辆模型及其对应的轨道机车及车辆身份信息还可以保存在本地或服务器中，供其他的轨道机车及车辆管理人员或系统调用。
还需要说明的是，根据所述走行部的异常信息选择预警等级，发出与所述预警等级匹配的报警信息的目的是根据所述走行部出现的故障的严重情况进行分级预警。具体地，当所述走行部出现较为严重的故障时，选择等级较高的预警等级，发出与该预警等级匹配的报警信息，例如蜂鸣音等。当所述走行部出现一般故障时，选择等级较低的预警等级，发出与该预警等级匹配的报警信息，例如将包含有所述走行部异常信息的轨道机车及车辆模型进行闪烁等，例外所述轨道机车及车辆模型的闪烁频率不同，也可以代表不同程度的走行部故障。本申请对此并不做限定，具体视实际情况而定。
综上所述，本申请实施例提供了一种轨道机车及车辆走行部检测方法及检测系统，其中，所述轨道机车及车辆走行部检测方法通过将所述轨道机车及车辆的过车图像输入到经训练样本预先训练的识别模块300中，以实现获得所述轨道机车及车辆的关键部件图像的目的，进一步当根据所述关键部件图像判断出所述轨道机车及车辆的走行部出现异常时，才根据所述车号信息向相应的轨道机车及车辆发出警报，大大降低了所述轨道机车及车辆走行部检测方法的误报警概率，从而达到减少轨道机车及车辆的工作人员的无效劳动的目的。这是因为所述走行部的关键部件决定着其是否能够正常工作，经训练样本预先训练的识别模块300可以很好的识别所述过车图像中的关键部件，从而实现剔除背景，只对关键部件的重点检测，避免了现有技术中由于所述轨道列车的部件更换或某些零部件(例如钩缓部件、风管、电缆、弹簧和挂钩链环)在所述轨道机车及车辆运行过程中不可避免的会发生移动或晃动而造成位置相对变化所引起的误报警，进而实现了降低了所述轨道机车及车辆走行部检测方法的误报警概率，减少所述轨道机车及车辆的工作人员的无效劳动的目的。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (14)
1.一种轨道机车及车辆走行部检测方法，其特征在于，包括：
获取轨道机车及车辆的过车图像；
获取所述轨道机车及车辆的车号信息；
将所述过车图像输入到经训练样本预先训练的识别模块中，获得所述经训练样本预先训练的识别模块输出的所述轨道机车及车辆的关键部件图像；
根据所述关键部件图像判断所述轨道机车及车辆的走行部是否异常，如果是，则根据所述车号信息匹配相应的轨道机车及车辆，并根据所述走行部的异常信息进行报警。
2.根据权利要求1所述的轨道机车及车辆走行部检测方法，其特征在于，所述经训练样本预先训练的识别模块的训练过程包括：
获取关键部件的图像数据集；
将所述关键部件的图像数据集输入到待训练识别模块中，获得所述待训练识别模块输出的第一训练结果；
将所述第一训练结果与第一标准结果进行比较，如果误差小于第一阈值，则完成关键部件训练；如果误差大于第一阈值，则调整所述待训练识别模块的各项参数，返回将所述关键部件的图像数据集输入到待训练识别模块中的步骤。
3.根据权利要求2所述的轨道机车及车辆走行部检测方法，其特征在于，所述经训练样本预先训练的识别模块的训练过程还包括：
获取整车的图像数据集；
将所述整车的图像数据集输入到完成关键部件训练后的待训练识别模块中，获得所述完成关键部件训练后的待训练识别模块输出的第二训练结果；
将所述第二训练结果与第二标准结果进行比较，如果误差小于第二阈值，则完成整车结构训练，获得所述经训练样本预先训练的识别模块；如果误差大于第二阈值，则调整所述完成关键部件训练后的待训练识别模块的各项参数，返回将所述整车的图像数据集输入到完成关键部件训练后的待训练识别模块中的步骤。
4.根据权利要求1所述的轨道机车及车辆走行部检测方法，其特征在于，所述将所述过车图像输入到经训练样本预先训练的识别模块中，获得所述经训练样本预先训练的识别模块输出的所述轨道机车及车辆的关键部件图像包括：
将所述过车图像输入到经训练样本预先训练的识别模块中；
所述经训练样本预先训练的识别模块识别所述过车图像中的每一个可识别特征，并将每一个可识别特征作为一张所述关键部件图像输出。
5.根据权利要求1所述的轨道机车及车辆走行部检测方法，其特征在于，所述获取轨道机车及车辆的过车图像包括：
获取所述轨道机车及车辆的二维过车图像，和/或，获取所述轨道机车及车辆的三维过车图像。
6.根据权利要求1所述的轨道机车及车辆走行部检测方法，其特征在于，所述根据所述车号信息匹配相应的轨道机车及车辆，并根据所述走行部的异常信息进行报警包括：
根据所述车号信息匹配相应的轨道机车及车辆；
将所述走行部的异常信息与匹配的相应轨道机车及车辆进行绑定，并根据所述走行部的异常信息进行分级报警。
7.根据权利要求6所述的轨道机车及车辆走行部检测方法，其特征在于，所述根据所述走行部的异常信息进行分级报警包括：
将所述走行部的异常信息在轨道机车及车辆模型的相应位置处进行显示；
根据所述走行部的异常信息选择预警等级，发出与所述预警等级匹配的报警信息。
8.一种轨道机车及车辆走行部检测系统，其特征在于，包括：
图像采集模块，用于获取轨道机车及车辆的过车图像；
车号识别模块，用于获取所述轨道机车及车辆的车号信息；
经训练样本预先训练的识别模块，用于根据所述过车图像获取所述轨道机车及车辆的关键部件图像；
故障分析模块，用于根据所述关键部件图像判断所述轨道机车及车辆的走行部是否异常，如果是，则匹配相应的轨道机车及车辆，并根据所述走行部的异常信息进行报警。
9.根据权利要求8所述的轨道机车及车辆走行部检测系统，其特征在于，还包括：训练模块；
所述训练模块包括：
第一数据集单元，用于获取关键部件的图像数据集，并将所述关键部件的图像数据集输入到待训练识别模块中，获得所述待训练识别模块输出的第一训练结果；
第一判断单元，用于将所述第一训练结果与第一标准结果进行比较，如果误差小于第一阈值，则完成关键部件训练；如果误差大于第一阈值，则调整所述待训练识别模块的各项参数，返回所述第一数据集单元。
10.根据权利要求9所述的轨道机车及车辆走行部检测系统，其特征在于，所述训练模块还包括：
第二数据集单元，用于获取整车的图像数据集，并将所述整车的图像数据集输入到完成关键部件训练后的待训练识别模块中，获得所述完成关键部件训练后的待训练识别模块输出的第二训练结果；
第二判断单元，用于将所述第二训练结果与第二标准结果进行比较，如果误差小于第二阈值，则完成整车结构训练，获得所述经训练样本预先训练的识别模块；如果误差大于第二阈值，则调整所述完成关键部件训练后的待训练识别模块的各项参数，返回所述第二数据集单元。
11.根据权利要求8所述的轨道机车及车辆走行部检测系统，其特征在于，所述经训练样本预先训练的识别模块具体用于，识别所述过车图像中的每一个可识别特征，并将每一个可识别特征作为一张所述关键部件图像输出。
12.根据权利要求8所述的轨道机车及车辆走行部检测系统，其特征在于，所述图像采集模块包括二维图像获取单元和/或三维图像获取单元，其中，
所述二维图像获取单元，用于获取所述轨道机车及车辆的二维过车图像；
所述三维图像获取单元，用于获取所述轨道机车及车辆的三维过车图像。
13.根据权利要求8所述的轨道机车及车辆走行部检测系统，其特征在于，所述故障分析模块包括：
车辆匹配单元，用于根据所述车号信息匹配相应的轨道机车及车辆；
分级报警单元，用于将所述走行部的异常信息与匹配的相应轨道机车及车辆进行绑定，并根据所述走行部的异常信息进行分级报警。
14.根据权利要求13所述的轨道机车及车辆走行部检测系统，其特征在于，所述分级报警单元具体用于，将所述走行部的异常信息在轨道机车及车辆模型的相应位置处进行显示，并根据所述走行部的异常信息选择预警等级，发出与所述预警等级匹配的报警信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610796227.0A CN106441411A (zh) | 2016-08-31 | 2016-08-31 | 一种轨道机车及车辆走行部检测方法及检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610796227.0A CN106441411A (zh) | 2016-08-31 | 2016-08-31 | 一种轨道机车及车辆走行部检测方法及检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106441411A true CN106441411A (zh) | 2017-02-22 |
Family
ID=58164478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610796227.0A Pending CN106441411A (zh) | 2016-08-31 | 2016-08-31 | 一种轨道机车及车辆走行部检测方法及检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106441411A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392197A (zh) * | 2017-07-27 | 2017-11-24 | 武汉汉云亚信科技有限公司 | 一种机车车号识别及机车部件故障检测方法及系统 |
| CN110570400A (zh) * | 2019-08-19 | 2019-12-13 | 河北极目楚天微电子科技有限公司 | 一种芯片3d封装检测的信息处理方法和装置 |
| CN111222521A (zh) * | 2018-11-23 | 2020-06-02 | 汕尾比亚迪汽车有限公司 | 汽车及用于其的车轮受困判断方法及装置 |
| CN111256737A (zh) * | 2020-05-06 | 2020-06-09 | 天津美腾科技股份有限公司 | 车厢异常检测系统及方法 |
| CN111655562A (zh) * | 2017-11-30 | 2020-09-11 | 斯佩里铁路控股有限公司 | 使用机器学习检查轨道的系统和方法 |
| CN112150453A (zh) * | 2020-09-30 | 2020-12-29 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车摇枕弹簧折断故障自动检测方法 |
| CN112801110A (zh) * | 2021-02-01 | 2021-05-14 | 中车青岛四方车辆研究所有限公司 | 轨道列车线阵相机图像畸变校正的目标检测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6788818B1 (en) * | 2000-04-15 | 2004-09-07 | Microsoft Corporation | System and process for optimizing false alarm probability for histogram matching |
| US7562063B1 (en) * | 2005-04-11 | 2009-07-14 | Anil Chaturvedi | Decision support systems and methods |
| CN103295027A (zh) * | 2013-05-17 | 2013-09-11 | 北京康拓红外技术股份有限公司 | 一种基于支持向量机的铁路货车挡键丢失故障识别方法 |
| CN103512762A (zh) * | 2012-06-29 | 2014-01-15 | 北京华兴致远科技发展有限公司 | 图像处理方法、装置及列车故障检测系统 |
| CN104408477A (zh) * | 2014-12-18 | 2015-03-11 | 成都铁安科技有限责任公司 | 一种关键部位的故障检测方法及装置 |
-
2016
- 2016-08-31 CN CN201610796227.0A patent/CN106441411A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6788818B1 (en) * | 2000-04-15 | 2004-09-07 | Microsoft Corporation | System and process for optimizing false alarm probability for histogram matching |
| US7562063B1 (en) * | 2005-04-11 | 2009-07-14 | Anil Chaturvedi | Decision support systems and methods |
| CN103512762A (zh) * | 2012-06-29 | 2014-01-15 | 北京华兴致远科技发展有限公司 | 图像处理方法、装置及列车故障检测系统 |
| CN103295027A (zh) * | 2013-05-17 | 2013-09-11 | 北京康拓红外技术股份有限公司 | 一种基于支持向量机的铁路货车挡键丢失故障识别方法 |
| CN104408477A (zh) * | 2014-12-18 | 2015-03-11 | 成都铁安科技有限责任公司 | 一种关键部位的故障检测方法及装置 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392197A (zh) * | 2017-07-27 | 2017-11-24 | 武汉汉云亚信科技有限公司 | 一种机车车号识别及机车部件故障检测方法及系统 |
| CN111655562A (zh) * | 2017-11-30 | 2020-09-11 | 斯佩里铁路控股有限公司 | 使用机器学习检查轨道的系统和方法 |
| CN111655562B (zh) * | 2017-11-30 | 2023-07-28 | 斯佩里铁路控股有限公司 | 使用机器学习检查轨道的系统和方法 |
| CN111222521A (zh) * | 2018-11-23 | 2020-06-02 | 汕尾比亚迪汽车有限公司 | 汽车及用于其的车轮受困判断方法及装置 |
| CN111222521B (zh) * | 2018-11-23 | 2023-12-22 | 汕尾比亚迪汽车有限公司 | 汽车及用于其的车轮受困判断方法及装置 |
| CN110570400A (zh) * | 2019-08-19 | 2019-12-13 | 河北极目楚天微电子科技有限公司 | 一种芯片3d封装检测的信息处理方法和装置 |
| CN110570400B (zh) * | 2019-08-19 | 2022-11-11 | 河北极目楚天微电子科技有限公司 | 一种芯片3d封装检测的信息处理方法和装置 |
| CN111256737A (zh) * | 2020-05-06 | 2020-06-09 | 天津美腾科技股份有限公司 | 车厢异常检测系统及方法 |
| CN112150453A (zh) * | 2020-09-30 | 2020-12-29 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车摇枕弹簧折断故障自动检测方法 |
| CN112801110A (zh) * | 2021-02-01 | 2021-05-14 | 中车青岛四方车辆研究所有限公司 | 轨道列车线阵相机图像畸变校正的目标检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106441411A (zh) | 一种轨道机车及车辆走行部检测方法及检测系统 | |
| CN107843440A (zh) | 一种自动驾驶车辆性能测试系统及方法 | |
| CN101002239B (zh) | 监控驾驶的系统和方法 | |
| CN107782564A (zh) | 一种自动驾驶车辆测评系统及方法 | |
| CN103838772B (zh) | 一种多源交通数据融合方法 | |
| CN104599249A (zh) | 缆索承重桥梁桥面车辆载荷分布实时检测方法 | |
| US20160241839A1 (en) | System for traffic behaviour surveillance | |
| CN102346844B (zh) | 一种货车下心盘螺栓丢失故障识别装置及其识别方法 | |
| CN105719510B (zh) | 车联网环境下道路交通事故链阻断系统的效率评价方法 | |
| DE102015218964A1 (de) | Verfahren und System zum Ermitteln von Verkehrsteilnehmern mit Interaktionspotential | |
| CN106448267A (zh) | 基于车联网的道路交通事故链阻断系统 | |
| CN106441529A (zh) | 一种基于视频图像技术的车型识别与作弊诊断系统 | |
| CN116110012B (zh) | 用于智慧工地的危险违规动作识别方法及系统 | |
| Bojarczak et al. | UAVs in rail damage image diagnostics supported by deep-learning networks | |
| CN108932255A (zh) | 一种车辆综合能力分析方法及装置 | |
| Chen et al. | A crash risk assessment model for road curves | |
| CN112967497A (zh) | 共享汽车监管系统及监管方法 | |
| CN105279968A (zh) | 高速公路机动车非法占用应急车道行为的判别系统及方法 | |
| CN114298669A (zh) | 用于列车运行图的调整方法、装置和列车 | |
| CN109887303A (zh) | 随意变更车道行为预警系统及方法 | |
| CN106124521A (zh) | 一种列车轮对检测装置及方法 | |
| Wu et al. | Analysis of drivers’ stop-or-run behavior at signalized intersections with high-resolution traffic and signal event data | |
| DE102020118589A1 (de) | Verbesserter fahrzeugbetrieb | |
| DE102022211064A1 (de) | Fahrzeugfahrsteuerungsverarbeitungssystem | |
| Chai et al. | Trajectory-based conflict investigations involving two-wheelers and cars at non-signalized intersections with computer vision |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |