CN109165541B - 用于智能识别轨道交通车辆图像中车辆零部件的编码方法 - Google Patents
用于智能识别轨道交通车辆图像中车辆零部件的编码方法 Download PDFInfo
- Publication number
- CN109165541B CN109165541B CN201810650791.0A CN201810650791A CN109165541B CN 109165541 B CN109165541 B CN 109165541B CN 201810650791 A CN201810650791 A CN 201810650791A CN 109165541 B CN109165541 B CN 109165541B
- Authority
- CN
- China
- Prior art keywords
- fault
- encoding
- parts
- small areas
- vehicle
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用于智能识别轨道交通车辆图像中车辆零部件的编码方法,包括如下步骤:S11,将车辆检视部位按照结构及功能进行初步划分并进行初步编码,得到零部件编码标签列表;S12,根据零部件编码标签列表对样本库中的图像进行标签标注,得到训练样本库;S13,将训练样本库进行训练得到故障检测模型;S14,将检视部位的测试样本输入到所述故障检测模型中进行检测,得到疑似故障图像集;S15,判断疑似故障图像集中是否存在故障部件遗漏,如果存在,则转向S16;否则,编码完成;S16,根据遗漏的故障部件对初步划分零部件小区域进行细划分,并对得到的优化零部件小区域进行优化编码,更新零部件编码标签列表,转向S12。该方法经过反复探索、修正、优化制订出有效的用于构建智能识别轨道交通车辆图像深度学习训练模型的零部件编码标签列表。
Description
技术领域
本发明涉及一种用于智能识别轨道交通车辆图像中车辆零部件的编码方法,尤其涉及一种用于智能识别轨道交通车辆图像中车辆零部件深度学习的编码方法;同时涉及实现该方法的编码系统。
背景技术
目前,在轨道交通车辆(包括铁路货车、客车、动车、地铁轻轨)的运管工作中,正在大力推广应用车辆运行故障动态图像检测系统。车辆运行故障动态图像检测系统是将列检人员从自然环境恶劣的室外现场转移到环境舒适的室内列检工作站,通过检视铁路车辆进站时线阵相机拍摄的车辆图像来检出铁路车辆是否有故障。
应用该系统,虽然能减少室外人检作业的列检人员数量,改善绝大部分列检人员的工作环境,在一定程度上提高铁路车辆的故障检出效率,但受限于铁路车辆进出站时间,需在短时间内对系统拍摄的大量过车车辆图像进行人工查看、检出故障,这就造成列检人员数量整体上非但没有减少,反而增加了。
以重载铁路货运实际应用来看,一列重载铁路货车挂载有210辆货车车辆,每辆货车通过车辆运行故障动态图像检测系统产生的需人工查看的车辆图像为50张,这样整列重载货车就会产生10500张车辆图片,这些车辆图片需要列检人员在15分钟内检视完,不仅工作量巨大,而且工作强度大,除对列检人员视力及身体造成伤害外,受人的自身条件限制以及检视时间压力影响,还会经常发生车辆故障漏检甚至连续漏检的现象,这对铁路行车造成了极大的安全隐患。
现有试图通过图像比对的方式,即通过对轨道交通车辆正常状态下某一部位的历史图像与线阵相机当下拍摄的进站车辆同一部位的图像进行对比,综合分析灰度、梯度等图像信息,如果当下拍摄的图像与历史图像相比发生变化且变化范围超过一定阈值,即被认为是异常区域,然后籍由列检人员人工来判断该车辆的这一部位是否有故障。这种方法本身对车辆零部件的识别度极低,且受环境及车况影响大,在实际应用中,该方法所能比对的轨道交通车辆零部件十分有限,相较于列检人员需要检视的几百种车型以及几百个车辆零部件,几乎是九牛一毛,再加上极高的误报率,对列检人员的工作量及工作强度的减少毫无助益,对列检工作毫无意义。
随着卷积神经网络技术日新月异的发展,通过加深网络层和网络结构复杂化来实现轨道交通车辆图像检视真正智能化成为可能。而若要使卷积神经网络技术在轨道交通车辆图像识别领域真正发挥作用,就需要大量的训练样本,尤其是轨道交通车辆涉及到需检视几百个零部件,并且如果以传统的区隔划分法设计卷积核,计算及调参难度大、训练周期长,因此,如果没有一个好的训练模型,实现智能识别轨道交通车辆图像将是一个短时期内不可能完成的任务。
发明内容
针对现有技术的不足,本发明所要解决的首要技术问题在于提供一种用于智能识别轨道交通车辆图像中车辆零部件的编码方法。
本发明所要解决的另一技术问题提供一种用于智能识别轨道交通车辆图像中车辆零部件的编码系统。
为实现上述发明目的,本发明采用下述的技术方案:
根据本发明实施例的第一方面,提供一种用于智能识别轨道交通车辆图像中车辆零部件的编码方法,包括如下步骤:
S11,将车辆检视部位按照结构及功能进行初步划分,对得到的初步划分零部件小区域进行初步编码,得到零部件编码标签列表;
S12,根据零部件编码标签列表对样本库中的图像进行标签标注,得到训练样本库;
S13,将所述训练样本库中的训练样本通过算法训练得到故障检测模型;
S14,将检视部位的测试样本输入到所述故障检测模型中进行检测,得到疑似故障图像集;
S15,判断疑似故障图像集中是否存在故障部件遗漏,如果存在,则转向步骤S16;否则,编码完成;
S16,根据遗漏的故障部件对初步划分零部件小区域进行细划分,并对得到的优化零部件小区域进行优化编码,更新零部件编码标签列表,转向步骤S12。
其中较优地,将车辆检视部位按照结构及功能进行初步划分,对得到的初步划分零部件小区域进行初步编码,得到零部件编码标签列表,包括如下步骤:
将车辆检视部位按照结构进行一级划分,并进行一级编号;
将一级编号对应的检视区域按照车辆检视部位结构及功能进行二级划分,并对所述二级划分得到的小区域进行二级编号,所述二级划分得到的小区域内包括至少一个零部件;
将一级编号和二级编号组合得到零部件编码标签;
汇集所有初步划分零部件小区域的初步编码得到零部件编码标签列表。
其中较优地,将所述训练样本库中的训练样本通过卷积神经网络技术算法训练得到故障检测模型。
其中较优地,根据遗漏的故障部件对初步划分零部件小区域进行细划分,包括如下步骤:
获取遗漏的故障部件所在的小区域;
将遗漏的故障部件所在的小区域中的所有零部件提取出来,按照故障发生概率进行排序;
设置概率阈值,将故障发生概率大于概率阈值的零部件单独划分成优化零部件小区域,故障发生概率小于概率阈值的零部件共同划分成一个优化零部件小区域。
其中较优地,对细划分之后的优化小区域进行优化编码,包括如下步骤:
选取任意一个优化小区域,将优化小区域对应的细划分前的小区域的编码赋值给该选取的优化小区域;
获取细划分前的小区域对应的所有编码,找到最大的编码数值;
将最大的数值依次加1,逐一赋值给细划分未赋值的优化小区域。
其中较优地,所述车辆检视部位是车辆的走行部。
根据本发明实施例的第二方面,提供一种用于智能识别轨道交通车辆图像中车辆零部件的编码系统,包括处理器和存储器;所述存储器上存储有可用在所述处理器上运行的计算机程序,当所述计算机程序被所述处理器执行时实现如下步骤:
S21,将车辆检视部位按照结构及功能进行初步划分,对得到的初步划分零部件小区域进行初步编码,得到零部件编码标签列表;
S22,根据零部件编码标签列表对样本库中的图像进行标签标注,得到训练样本库;
S23,将训练样本库中的训练样本通过算法训练得到故障检测模型;
S24,将检视部位的测试样本输入到故障检测模型中进行检测,得到疑似故障图像集;
S25,判断疑似故障图像集中是否存在故障部件遗漏,如果存在,则转向步骤S26;否则,编码完成;
S26,根据遗漏的故障部件对初步划分零部件小区域进行细划分,并对得到的优化零部件小区域进行优化编码,更新零部件编码标签列表,转向步骤S22。
本发明所提供的用于智能识别轨道交通车辆图像中车辆零部件的编码方法,基于车辆检视部位构造及功能区划,结合列检工作实际以及检视流程、内容及要求,并以优化卷积神经网络技术算法及训练工作量为目标,将列检工作所涉及的车辆检视部位的全部需检视零部件进行大区域划分,以此为基础进行编码,建立一套适于卷积神经网络技术深度学习训练的编码方法。该方法经过反复探索、修正、优化、验得并制订出的行之有效的用于构建智能识别轨道交通车辆图像深度学习训练模型的零部件编码标签列表,不仅适用于铁路货运车辆C80型系列货车,而且适用于包括铁路货车、客车、动车以及地铁、城铁等在内的全部轨道交通车辆。
附图说明
图1为本发明所提供的用于智能识别轨道交通车辆图像中车辆零部件的编码方法的流程图;
图2为本发明所提供的一个实施例中,将侧架进行划分区域编码得到的编码标签列表的示例图;
图3为本发明所提供的一个实施例中,对样本库中的图像进行标签标注后的照片示例;
图4为本发明所提供的用于智能识别轨道交通车辆图像中车辆零部件的编码系统的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
鉴于现有方法存在的问题,本发明提出了用于智能识别轨道交通车辆图像中车辆零部件的编码方法。该方法以识别轨道交通车辆所涉零部件为目标,通过对不同型号的轨道交通车辆以及车辆的不同部位建立一套有序、有效的利于卷积神经网络技术深度学习训练的编码方法,使智能识别轨道交通车辆图像所需的深度学习训练样本以目标为导向,能够快速、高效、便捷地搭建训练模型,并能优化不同车型的训练样本量,减少训练工作量及训练周期。
在本发明所提供的一个实施例中,对通过线阵相机拍摄的运行中的轨道交通车辆图像进行列检故障排查的智能化过程中,以铁路货运车辆C80型系列货车为样本。在制作用于卷积神经网络监督学习的训练样本label(标签)前,对C80型系列货车车辆检视部位(以走行部为例)的排照图像按车辆结构及功能划分为:侧架(包括前台与后台)、制动梁及摇枕(包括前台与后台)、中间部、车钩缓冲部及互钩差四大检视部位,对每一部位所涉及到的零部件所在小区域进行统一编码,每一个编码中包括一个甚至多个零部件,以该编码为基础,搭建出高效的智能识别图像所需的深度学习训练样本模型。该编码方法是经反复探索、修正、优化、验得并制订出的行之有效的用于构建智能识别轨道交通车辆图像深度学习训练模型的编码方法,不仅适用于铁路货运车辆C80型系列货车,而且适用于包括铁路货车、客车、动车以及地铁、城铁等在内的全部轨道交通车辆。
如图1所示,本发明所提供的用于智能识别轨道交通车辆图像中车辆零部件的编码方法,包括如下步骤:首先,将车辆检视部位按照结构及功能进行初步划分,对得到的初步划分零部件小区域进行初步编码,得到零部件编码标签列表;其次,根据零部件编码标签列表对样本库中的图像进行标签标注,得到训练样本库;将训练样本库中的训练样本通过算法训练得到故障检测模型;然后,将检视部位的测试样本输入到故障检测模型中进行检测,得到疑似故障图像集;判断疑似故障图像集中是否存在故障部件遗漏,如果存在故障部件遗漏,则根据遗漏的故障部件对初步划分零部件小区域进行细划分,并对得到的优化零部件小区域进行优化编码,更新零部件编码标签列表;再根据更新的零部件编码标签列表对样本库中的图像进行标签标注,得到训练样本库,将训练样本库中的训练样本通过算法训练得到故障检测模型,并将检视部位的测试样本输入到故障检测模型中进行检测,选出疑似故障图像集;将人工筛选出的故障图像与机器筛选出的疑似故障图像集进行对比判断是否存在故障部件遗漏。否则编码完成检视部位。下面对这一过程做详细具体的说明。
S11,将车辆检视部位按照结构及功能进行初步划分,对得到的初步划分零部件小区域进行初步编码,得到零部件编码标签列表检视部位。
将车辆检视部位按照结构及功能进行初步划分,对得到的初步划分零部件小区域进行初步编码,得到零部件编码标签列表,具体包括如下步骤:
S111,检视部位将车辆检视部位按照结构进行一级划分,并进行一级编号。
将车辆检视部位按照结构进行一级划分,在本发明所提供的实施例中,以铁路货运车辆C80型系列货车为例进行说明。将车辆检视部位按照结构进行一级划分,可划分为侧架(包括前台与后台)、制动梁及摇枕(包括前台与后台)、中间部、车钩缓冲部及互钩差四大检视部位区域,并进行一级编号。在本发明所提供的实施例中,根据实际使用需求,一级编号采用两位数字表示。分别用数字01、02、03、04代表,即01----侧架,02----制动梁及摇枕,03----中间部,04----车钩缓冲部及互钩差。
S112,将一级编号对应的检视区域按照车辆检视部位结构及功能进行二级划分,并对二级划分得到的小区域进行二级编号,该二级划分得到的小区域内包括至少一个零部件。
分别将四大检视部位区域所含的零部件所在小区域进行项下二级注码,在本发明所提供的实施例中,二级编号也采用两位数字表示,二级编号连接到一级编号之后,组成编码信息。即共同组成一个四位数字的标签编码(编码信息),前两位数字代表大检视部位区域:01----侧架、02----制动梁及摇枕、03----中间部、04----车钩缓冲部及互钩差,后两位数字代表大检视部位区域内的零部件所在小区域,每个二级划分得到的小区域内包括一个甚至多个零部件,小区域所赋的编码以列检检视规程及习惯为顺序。
S113,将一级编号和二级编号组合得到零部件编码标签。
S114,汇集所有初步划分零部件小区域的初步编码得到零部件编码标签列表。
如图2所示,给出了货车的侧架进行划分区域编码得到的编码标签列表示例。即0101----承载鞍、0102----轴承前盖、0103----挡键、0104----摇枕弹簧、0105----锁紧板、0106----横跨梁、0107----车轮、0109----闸瓦。
S12,根据零部件编码标签列表对样本库中的图像进行标签标注,得到训练样本库。
在本发明所提供的实施例中,样本库中的图像是铁路货车故障图像动态检测系统(即TFDS)采集的历史图像,用于得到训练样本库的样本库中的图像和作为测试样本的图像均从中随机选取,作为测试样本的图像和用于得到训练样本库的图像,两者所包含的图像无交叉。
根据零部件编码标签列表对样本库中的图像进行处理,得到训练样本库,具体包括如下步骤:
S121,将样本库中的大量轨道交通车辆局部的原始图像进行拼图处理。
S122,对拼接后的图像按照车型、部位进行归类。相同车型的相同部位归为一类。例如:C80BF型车辆的四个车轮归为一类;C80H型车辆的横跨梁归为一类。
S123,对归类的图像进行标签编号标注处理,获得带有标签编号的图像以及相对应的XML文件,即为训练样本库。其中XML文件包含:图像名称、图像包含的目标类别,以及每个目标类别在图像中的位置信息。其中,位置信息包括四个元素:目标框的左上角像素坐标和右下角点像素坐标。训练样本用于故障检测模型的构建。
在本发明所提供的实施例中,以铁路货车车辆的侧架拼接图像为例,对样本库中的图像进行标签标注后,铁路货车车辆的侧架拼接图像包含8类划分小区域,对应编码信息为0101、0102……0108。将侧架拼接图像按照划分小区域进行标签编号标注,分别将编码信息为0101、0102……0108对应的划分小区域标注出来,并在标注框内填写划分小区域对应的编号信息,如图3所示。S13,将训练样本库中的训练样本通过算法训练得到故障检测模型。将训练样本库中的训练样本输入卷积神经网络模型进行训练,得到故障检测模型。其中,将训练样本输入卷积神经网络模型进行训练,得到故障检测模型,可以采用申请号为201611110940.1的一种基于深度学习的TFDS非故障图像检测方法进行实现;也可以采用申请号为201610561060.X的一种TFDS故障自动识别方法进行实现,在此便不在赘述了。
S14,将检视部位的测试样本输入到故障检测模型中进行检测,得到疑似故障图像集。
S15,判断疑似故障图像集中是否存在故障部件遗漏,如果存在,则转向步骤S16;否则,编码完成。
在本发明所提供的实施例中,将人工筛选出的故障图像集与机器筛选出的疑似故障图像集进行图像对比,判断机器筛选出的疑似故障图像集是否存在故障部件遗漏,即将人工筛选出的故障图像集与机器筛选出的疑似故障图像集进行图像对比,如果人工筛选出的故障图像集全部包含于机器筛选出的疑似故障图像集中,则机器筛选出的疑似故障图像集不存在故障部件遗漏,否则,判定机器筛选出的疑似故障图像集存在故障部件遗漏。
S16,根据遗漏的故障部件对初步划分零部件小区域进行细划分,并对得到的优化零部件小区域进行优化编码,更新零部件编码标签列表,转向步骤S12。
其中,根据遗漏的故障部件对初步划分零部件小区域进行细划分具体包括如下步骤:
S161,获取遗漏的故障部件所在的小区域。
S162,将遗漏的故障部件所在的小区域中的所有零部件均提取出来,按照故障发生概率进行排序。
S163,设置概率阈值,将故障发生概率大于概率阈值的零部件单独划分成优化小区域,故障发生概率小于概率阈值的零部件共同划分成一个优化小区域。
在本发明所提供的实施例中,根据遗漏的故障部件对初步划分零部件小区域进行细划分时,也可以根据需要以及技术人员的工作经验将多个虽然故障发生概率高,但是便于共同观察的零件划分到一个优化小区域中。对于故障发生概率小的多个零部件也可以根据位置关系划分成多个优化小区域。将临近的多个零部件划分为一个优化小区域。
其中,对细划分之后的优化小区域进行优化编码,具体包括如下步骤:
选取任意一个优化小区域,将优化小区域对应的细划分前的小区域的编码赋值给该选取的优化小区域;
获取细划分前的小区域对应的所有编码,找到最大的编码数值;
将最大的数值依次加1,逐一赋值给细划分未赋值的优化小区域。
下面以一个具体的实施例进行说明。例如:对小区域0101进行细划分。细划分成四个小区域,则对细划分之后的任意一个优化小区域的编码赋值为0101。然后获取细划分前的小区域对应的所有编码,如果找到编码信息中最大的数值为0132;则将0133、0134、0135分别赋值给细划分之后的剩余三个优化小区域。
综上所述,本发明所提供的用于智能识别轨道交通车辆图像中车辆零部件的编码方法,将车辆检视部位按照结构及功能进行初步划分,对得到的初步划分零部件小区域进行初步编码,得到零部件编码标签列表;根据零部件编码标签列表对样本库中的图像进行标签标注,得到训练样本库;将训练样本库中的训练样本通过算法训练得到故障检测模型;然后,将检视部位的测试样本输入到故障检测模型中进行检测,得到疑似故障图像集;判断疑似故障图像集中是否存在故障部件遗漏,如果存在故障部件遗漏,则根据遗漏的故障部件对初步划分零部件小区域进行细划分,并对得到的优化零部件小区域进行优化编码,更新零部件编码标签列表;重复上述步骤,经过反复探索、修正、优化、验得并制订出的行之有效的用于构建智能识别轨道交通车辆图像深度学习训练模型的零部件编码标签列表,不仅适用于铁路货运车辆C80型系列货车,而且适用于包括铁路货车、客车、动车以及地铁、城铁等在内的全部轨道交通车辆。
本发明还提供了一种用于智能识别轨道交通车辆图像中车辆零部件的编码系统。如图4所示,该系统包括处理器22以及存储有处理器22可执行指令的存储器21;
其中,处理器22可以是通用处理器,例如中央处理器(CPU),还可以是数字信号处理器(DSP)、专用集成电路(ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路。
其中,存储器21,用于存储程序代码,并将该程序代码传输给CPU。存储器21可以包括易失性存储器,例如随机存取存储器(RAM);存储器21也可以包括非易失性存储器,例如只读存储器、快闪存储器、硬盘或固态硬盘;存储器21还可以包括上述种类的存储器的组合。
具体地,本发明实施例所提供的一种免标定的定位系统,包括处理器22和存储器21;存储器21上存储有可用在处理器22上运行的计算机程序,当计算机程序被处理器22执行时实现如下步骤:
S21,将车辆检视部位按照结构及功能进行初步划分,对得到的初步划分零部件小区域进行初步编码,得到零部件编码标签列表;
S22,根据零部件编码标签列表对样本库中的图像进行标签标注,得到训练样本库;
S23,将训练样本库中的训练样本通过算法训练得到故障检测模型;
S24,将检视部位的测试样本输入到故障检测模型中进行检测,得到疑似故障图像集;
S25,判断疑似故障图像集中是否存在故障部件遗漏,如果存在,则转向步骤S26;否则,编码完成;
S26,根据遗漏的故障部件对初步划分零部件小区域进行细划分,并对得到的优化零部件小区域进行优化编码,更新零部件编码标签列表,转向步骤S22。检视部位其中,当将车辆检视部位按照结构及功能进行初步划分,对得到的初步划分零部件小区域进行初步编码,得到零部件编码标签列表时,计算机程序被处理器22执行实现如下步骤;
将车辆检视部位按照结构进行一级划分,并进行一级编号;
将一级编号对应的检视区域按照车辆检视部位结构及功能进行二级划分,并对所述二级划分得到的小区域进行二级编号,所述二级划分得到的小区域内包括至少一个零部件;
将一级编号和二级编号组合得到零部件编码标签;
汇集所有初步划分零部件小区域的初步编码得到零部件编码标签列表。
其中,计算机程序被处理器22执行实现如下步骤;
将训练样本库中的训练样本通过卷积神经网络技术算法训练得到故障检测模型。
其中,当根据编码信息对拍摄的图像进行处理,通过训练得到故障检测模型,并对图像数据进行判断筛选出疑似故障图像时,计算机程序被处理器22执行实现如下步骤;
其中,当根据编码信息对拍摄的图像进行标签标注处理得到训练样本时,计算机程序被处理器22执行实现如下步骤;
将样本库中的大量轨道交通车辆局部的原始图像进行拼图处理;
对拼接后的图像按照车型、部位进行归类。相同车型的相同部位归为一类;
对归类的图像数据进行标签编号标注处理,获得带有标签编号的图像以及相对应的XML文件,即为训练样本。
其中,计算机程序被处理器22执行实现如下步骤;
将人工筛选出的故障图像集与机器筛选出的疑似故障图像集进行对比,判断机器筛选出的疑似故障图像集是否存在故障部件遗漏,是将人工筛选出的故障图像集与机器筛选出的疑似故障图像集进行对比,如果工筛选出的故障图像集全部包含于机器筛选出的疑似故障图像集中,则机器筛选出的疑似故障图像集不存在故障部件遗漏,否则,判定机器筛选出的疑似故障图像集存在故障部件遗漏。
其中,当根据遗漏的故障部件对初步划分零部件小区域进行细划分时,计算机程序被处理器22执行实现如下步骤;
获取遗漏的故障部件所在的小区域;
将遗漏的故障部件所在的小区域中的所有零部件均提取出来,按照故障发生概率进行排序;
设置概率阈值,将故障发生概率大于概率阈值的零部件单独划分成优化小区域,故障发生概率小于概率阈值的零部件共同划分成一个优化小区域。
其中,当对细划分之后的优化小区域进行优化编码时,计算机程序被处理器22执行实现如下步骤;
选取任意一个优化小区域,将优化小区域对应的细划分前的小区域的编码赋值给该选取的优化小区域;
获取细划分前的小区域对应的所有编码,找到最大的编码数值;
将最大的数值依次加1,逐一赋值给细划分未赋值的优化小区域。
本发明实施例还提供了一种计算机可读存储介质。这里的计算机可读存储介质存储有一个或者多个程序。其中,计算机可读存储介质可以包括易失性存储器,例如随机存取存储器;存储器也可以包括非易失性存储器,例如只读存储器、快闪存储器、硬盘或固态硬盘;存储器还可以包括上述种类的存储器的组合。当计算机可读存储介质中所述一个或者多个程序可被一个或者多个处理器执行,以实现上述的用于实现上述方法实施例中用于智能识别轨道交通车辆图像中车辆零部件的编码方法的部分步骤或者全部步骤。
上面对本发明所提供的用于智能识别轨道交通车辆图像中车辆零部件的编码方法进行了详细的说明。对本领域的一般技术人员而言,在不背离本发明实质精神的前提下对它所做的任何显而易见的改动,都将构成对本发明专利权的侵犯,将承担相应的法律责任。
Claims (7)
1.一种智能识别轨道交通车辆图像中故障零部件的编码方法,其特征在于包括如下步骤:
S11,将车辆检视部位按照结构及功能进行初步划分,对得到的初步划分零部件小区域进行初步编码,得到零部件编码标签列表;
S12,根据零部件编码标签列表对样本库中的图像进行标签标注,得到训练样本库;其中,所述样本库中的图像是铁路货车故障图像动态检测系统采集的历史图像;
S13,将所述训练样本库中的训练样本通过算法训练得到故障检测模型;
S14,将检视部位的测试样本输入到所述故障检测模型中进行检测,得到疑似故障图像集;
S15,判断疑似故障图像集中是否存在故障部件遗漏,如果存在,则转向步骤S16;否则,编码完成;
S16,根据遗漏的故障部件对初步划分零部件小区域进行细划分,并对得到的优化零部件小区域进行优化编码,更新步骤S11中的零部件编码标签列表,转向步骤S12。
2.如权利要求1所述的智能识别轨道交通车辆图像中故障零部件的编码方法,其特征在于将车辆检视部位按照结构及功能进行初步划分,对得到的初步划分零部件小区域进行初步编码,得到零部件编码标签列表,包括如下步骤:
将车辆检视部位按照结构进行一级划分,并进行一级编号;
将一级编号对应的检视区域按照车辆检视部位结构及功能进行二级划分,并对所述二级划分得到的小区域进行二级编号,所述二级划分得到的小区域内包括至少一个零部件;
将一级编号和二级编号组合得到零部件编码标签;
汇集所有初步划分零部件小区域的初步编码得到零部件编码标签列表。
3.如权利要求1所述的智能识别轨道交通车辆图像中故障零部件的编码方法,其特征在于:
将所述训练样本库中的训练样本通过卷积神经网络技术算法训练得到故障检测模型。
4.如权利要求1所述的智能识别轨道交通车辆图像中故障零部件的编码方法,其特征在于根据遗漏的故障部件对初步划分零部件小区域进行细划分,包括如下步骤:
获取遗漏的故障部件所在的小区域;
将遗漏的故障部件所在的小区域中的所有零部件提取出来,按照故障发生概率进行排序;
设置概率阈值,将故障发生概率大于概率阈值的零部件单独划分成优化零部件小区域,故障发生概率小于概率阈值的零部件共同划分成一个优化零部件小区域。
5.如权利要求1所述的智能识别轨道交通车辆图像中故障零部件的编码方法,其特征在于对细划分之后的优化小区域进行优化编码,包括如下步骤:
选取任意一个优化小区域,将优化小区域对应的细划分前的小区域的编码赋值给该选取的优化小区域;
获取细划分前的小区域对应的所有编码,找到最大的编码数值;
将最大的数值依次加1,逐一赋值给细划分未赋值的优化小区域。
6.如权利要求1所述的智能识别轨道交通车辆图像中故障零部件的编码方法,其特征在于:
所述车辆检视部位是车辆的走行部。
7.一种智能识别轨道交通车辆图像中故障零部件的编码系统,用于实现权利要求1~6所述的编码方法,其特征在于包括处理器和存储器;所述存储器上存储有可用在所述处理器上运行的计算机程序,当所述计算机程序被所述处理器执行时实现如下步骤:
S21,将车辆检视部位按照结构及功能进行初步划分,对得到的初步划分零部件小区域进行初步编码,得到零部件编码标签列表;
S22,根据零部件编码标签列表对样本库中的图像进行标签标注,得到训练样本库;其中,所述样本库中的图像是铁路货车故障图像动态检测系统采集的历史图像;
S23,将训练样本库中的训练样本通过算法训练得到故障检测模型;
S24,将检视部位的测试样本输入到故障检测模型中进行检测,得到疑似故障图像集;
S25,判断疑似故障图像集中是否存在故障部件遗漏,如果存在,则转向步骤S26;否则,编码完成;
S26,根据遗漏的故障部件对初步划分零部件小区域进行细划分,并对得到的优化零部件小区域进行优化编码,更新步骤S21中的零部件编码标签列表,转向步骤S22。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2018105416238 | 2018-05-30 | ||
CN201810541623 | 2018-05-30 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109165541A CN109165541A (zh) | 2019-01-08 |
CN109165541B true CN109165541B (zh) | 2023-05-02 |
Family
ID=64897231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810650791.0A Active CN109165541B (zh) | 2018-05-30 | 2018-06-22 | 用于智能识别轨道交通车辆图像中车辆零部件的编码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165541B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800805A (zh) * | 2019-01-14 | 2019-05-24 | 上海联影智能医疗科技有限公司 | 基于人工智能的图像处理系统以及计算机设备 |
CN110276371B (zh) * | 2019-05-05 | 2021-05-07 | 杭州电子科技大学 | 一种基于深度学习的集装箱角件识别方法 |
CN111913931A (zh) * | 2019-05-21 | 2020-11-10 | 中车大同电力机车有限公司 | 车辆故障数据库的构建方法及装置、存储介质及电子设备 |
CN110163296B (zh) * | 2019-05-29 | 2020-12-18 | 北京达佳互联信息技术有限公司 | 图像识别的方法、装置、设备及存储介质 |
CN111079747B (zh) * | 2019-12-12 | 2020-10-09 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车转向架侧架断裂故障图像识别方法 |
CN111079819B (zh) * | 2019-12-12 | 2021-03-23 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像识别与深度学习的铁路货车钩舌销的状态判断方法 |
CN111079817B (zh) * | 2019-12-12 | 2020-11-27 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车横跨梁故障图像识别方法 |
CN111080610A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车侧部摇枕倾斜故障图像识别方法 |
CN112233095B (zh) * | 2020-10-16 | 2021-05-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车锁紧板装置多种故障形态检测方法 |
CN116580245B (zh) * | 2023-05-29 | 2023-12-26 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车承载鞍错位故障识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025805A (zh) * | 2007-01-24 | 2007-08-29 | 上海理工大学 | 基于产品的物料清单生成方法 |
CN107085696A (zh) * | 2016-10-15 | 2017-08-22 | 安徽百诚慧通科技有限公司 | 一种基于卡口图像的车辆定位及型号识别方法 |
CN107338953A (zh) * | 2017-07-10 | 2017-11-10 | 天津正信铝模板有限公司 | 一种铝合金模板编码方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9665802B2 (en) * | 2014-11-13 | 2017-05-30 | Nec Corporation | Object-centric fine-grained image classification |
-
2018
- 2018-06-22 CN CN201810650791.0A patent/CN109165541B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025805A (zh) * | 2007-01-24 | 2007-08-29 | 上海理工大学 | 基于产品的物料清单生成方法 |
CN107085696A (zh) * | 2016-10-15 | 2017-08-22 | 安徽百诚慧通科技有限公司 | 一种基于卡口图像的车辆定位及型号识别方法 |
CN107338953A (zh) * | 2017-07-10 | 2017-11-10 | 天津正信铝模板有限公司 | 一种铝合金模板编码方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109165541A (zh) | 2019-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165541B (zh) | 用于智能识别轨道交通车辆图像中车辆零部件的编码方法 | |
CN109241986B (zh) | 用于轨道交通车辆零部件图像识别模型的样本制作方法 | |
CN107273802B (zh) | 一种铁路列车闸瓦钎环故障的检测方法及装置 | |
CN111144485B (zh) | 基于xgboost分类算法的车辆事故判断方法和系统 | |
CN111079627A (zh) | 一种铁路货车制动梁梁体折断故障图像识别方法 | |
CN111860201B (zh) | 图像识别与桥梁监测相结合的匝道重车识别方法及系统 | |
KR20190091868A (ko) | 철도 차량의 부품 및 운영 환경 특징 벡터 정보 기반의 기계 학습 고장 진단 시스템 및 그 방법 | |
CN105574646A (zh) | 一种机动车安全技术检验监管系统及该系统的运行方法 | |
CN113221839B (zh) | 一种货车图像自动识别方法及识别系统 | |
CN106441411A (zh) | 一种轨道机车及车辆走行部检测方法及检测系统 | |
CN111091551A (zh) | 一种铁路货车制动梁支柱开口销丢失故障检测方法 | |
CN111507269B (zh) | 车位状态的识别方法及装置、存储介质和电子装置 | |
CN117523449A (zh) | 一种煤矿井下辅助运输机器人车路协同定位系统及方法 | |
CN112685466A (zh) | 车辆超载预测模型训练方法、超载预测方法、系统和介质 | |
CN112927284B (zh) | 矿车掉道的监控方法、装置、设备和存储介质 | |
Alsahli et al. | Investigation of the correlation between track geometry defect occurrence and wood tie condition | |
Asplund et al. | Assessment of the data quality of wayside wheel profile measurements. | |
JP2019185410A (ja) | 車両推定装置、学習装置、及び車両推定方法 | |
CN110228508B (zh) | 列车过车报文异常检测方法及检测装置 | |
CN115331168A (zh) | 一种渣土车车厢密闭识别方法 | |
CN116401386A (zh) | 一种铁路货车制动机故障分析处理的方法 | |
CN117649213B (zh) | 一种运输安全前置管理方法及系统 | |
CN115973125B (zh) | 一种处理铁路货车脱轨自动制动装置故障的方法 | |
CN112308699B (zh) | 保理业务数据审核方法、系统、设备及存储介质 | |
CN114564609A (zh) | 一种货车车辆检测图像的样本库构建方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |