CN111079818A - 铁路货车车钩托梁折断检测方法 - Google Patents

Abstract

一种铁路货车车钩托梁折断检测方法，属于铁路货车安全技术领域。本发明针对现有铁路货车车钩托梁折断故障以人工方式检测，可靠性低的问题。包括建立训练用数据集，对所述数据集中车钩托梁故障样本的故障区域或疑似故障区域分块标记识别框，并对每个识别框配置类别标签；基于ResNet检测模型搭建Faster‑Rcnn模型，进行训练获得分类的权重系数；将待识别图像输入至加载权重系数后的Faster‑Rcnn模型，进行故障类别预测，所述待识别图像在故障预测过程中首先获得故障初判断区域，再获得对应于故障初判断区域的置信度，将置信度大于预设阈值的故障初判断区域确定为故障区域，进行报警。本发明用于车钩托梁折断检测。

Description

铁路货车车钩托梁折断检测方法

技术领域

本发明涉及铁路货车车钩托梁折断检测方法，属于铁路货车安全技术领域。

背景技术

铁路货车在运行过程中，若发生车钩托梁折断，极易造成安全事故。因此需要对车钩托梁的运行状态进行检测。目前对车钩托梁折断故障检查的方式为检车人员对采集的车钩托梁图像进行判断，确定是否发生折断。由于人工成本高又效率低，并且人工方式会由于各种主观因素的状况造成故障的漏检、误检等，因此很难确保货车的安全行驶。

因此，针对以上不足，需要提供一种车钩托梁故障自动化检测的方法，运用机器学习和深度学习技术，以采集到的部件图像为数据，实现故障的自动报警，提高作业质量和效率，推动铁路运输自动化程度的快速发展。

发明内容

针对现有铁路货车车钩托梁折断故障以人工方式检测，可靠性低的问题，本发明提供一种铁路货车车钩托梁折断检测方法。

本发明的一种铁路货车车钩托梁折断检测方法，包括以下步骤：

步骤一：建立训练用数据集，对所述数据集中车钩托梁故障样本的故障区域或疑似故障区域分块标记识别框，并对每个识别框配置类别标签，所述类别标签包括故障类标签和干扰类标签；

步骤二：基于ResNet检测模型搭建Faster-Rcnn模型，所述Faster-Rcnn模型使用卷积层、激活函数及池化层提取输入车钩托梁故障样本的特征图；区域建议网络针对所述特征图经过卷积计算生成检测建议框；区域池化层由检测建议框中提取建议特征；建议特征送入全连接层和softmax激活函数，基于所述识别框和类别标签，获得分类的权重系数；

步骤三：采集货车运行中车钩托梁图像，进行预处理后作为待识别图像，将待识别图像输入至加载权重系数后的Faster-Rcnn模型，进行故障类别预测；所述待识别图像在故障预测过程中首先获得故障初判断区域，再获得对应于故障初判断区域的置信度，将置信度大于预设阈值的故障初判断区域确定为故障区域，进行报警。

根据本发明的铁路货车车钩托梁折断检测方法，所述车钩托梁故障样本具备多样性和复杂性；所述干扰类标签对应的识别框特征包括：粉笔标记、绑定铁丝、雨水及泥点。

根据本发明的铁路货车车钩托梁折断检测方法，所述ResNet检测模型包括残差模块，所述残差模块包括由两个5×5的卷积网络串接而成的模块，及由3×3、5×5与3×3三个卷积网络串接而成的模块。

根据本发明的铁路货车车钩托梁折断检测方法，所述步骤二中Faster-Rcnn模型中的卷积层包括：第一个卷积层共有96个5×5×3的卷积核过滤200×600×1像素的输入车钩托梁故障样本，所述卷积核的步长为2；第二个卷积层将第一个卷积层的结果作为输入，用大小为5×5×96的256个卷积核卷积；第三个卷积层将第二个卷积层的输出作为输入，用大小为3×3×256的384个卷积核卷积；第四、五个卷积层相互连接。

根据本发明的铁路货车车钩托梁折断检测方法，所述检测建议框的比例为{1:1，1:3，3:1}。

本发明的有益效果：本发明方法通过获取的大量车钩托梁故障样本作为训练数据，训练搭建的Faster-Rcnn模型，获得模型的权重系数。再对实际中采集的车钩托梁图像进行折断故障识别。它以对故障图像的自动识别方式取代现有的人工检测，保证了检测结果的可靠度；这种检测方式不受工作人员的主观心理因素影响，可有效提高故障检测的效率及准确率，使作业质量大幅提高。

本发明方法通过改进的深度学习算法检测车钩托梁故障，故障识别的稳定性更好，并且结果精确度更高。

附图说明

图1是本发明所述铁路货车车钩托梁折断检测方法的流程图；

图2是Faster-Rcnn模型的基本结构示意图；

图3是改进后的ResNet网络结构示意图；

图4是现有ResNet残差模块的流程图；

图5是改进后的两层ResNet残差模块流程图；

图6是改进后的三层ResNet残差模块流程图。

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。

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。

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。

具体实施方式一、结合图1至图3所示，本发明提供了一种铁路货车车钩托梁折断检测方法，包括以下步骤：

步骤一：建立训练用数据集，对所述数据集中车钩托梁故障样本的故障区域或疑似故障区域分块标记识别框，并对每个识别框配置类别标签，所述类别标签包括故障类标签和干扰类标签；

步骤二：基于ResNet检测模型搭建Faster-Rcnn模型，所述Faster-Rcnn模型使用卷积层、激活函数及池化层提取输入车钩托梁故障样本的特征图；区域建议网络针对所述特征图经过卷积计算生成检测建议框；区域池化层由检测建议框中提取建议特征；建议特征送入全连接层和softmax激活函数，基于所述识别框和类别标签，获得分类的权重系数；

步骤三：采集货车运行中车钩托梁图像，进行预处理后作为待识别图像，将待识别图像输入至加载权重系数后的Faster-Rcnn模型，进行故障类别预测；所述待识别图像在故障预测过程中首先获得故障初判断区域，再获得对应于故障初判断区域的置信度，将置信度大于预设阈值的故障初判断区域确定为故障区域，进行报警。

本实施方式中对真实故障图像和疑似故障的干扰图像进行了分类，并用于对Faster-Rcnn模型的训练中，有助于更好的区分故障与干扰图像的特征，从而获得准确的故障识别结果。

车钩托梁故障样本由采集的原始图像经预处理后获得。所述预处理包括对原始图像进行扩增，所述扩增包括对图像旋转、镜像、缩放及增强对比度。对采集的货车运行中车钩托梁图像，也需进行所述的预处理过程，获得待识别图像。

本实施方式中所述的原始图像及货车运行中车钩托梁图像均利用高清摄像机获取，高清摄像机设备设置在货车铁轨的相适应位置，高清摄像机可获取相应位置的线阵图像。

对于所述原始图像，首先根据图像信息及先验知识，定位到车钩托梁的部件区域，建立深度学习训练集。然后搭建神经网络结构，获得权重系数。在测试中，根据权重信息对待识别图像进行检测，如发现折断故障则上传报警，保证行车安全。

进一步，所述车钩托梁故障样本具备多样性和复杂性；所述干扰类标签对应的识别框特征包括：粉笔标记、绑定铁丝、雨水及泥点。

由于车钩托梁故障样本上有许多类似折断故障的干扰，例如检车人员的粉笔标记，绑在部件上的铁丝等这些人为因素，还有诸如雨水，泥点等的自然因素，要尽量收集齐全，保证图像的多样性和复杂性。由于在真正的行车中发生车钩托梁折断毕竟是小概率事件，使得故障图像没有那么多，反而正常的图像却有很多，这在模型的训练过程中会导致不均衡，影响检测准确率。

本实施方式将车钩托梁故障样本进行分类，并使用标记工具对图像中折断或裂纹位置进行标记，对其它疑似故障但非故障的区域也进行标记，总体上分为故障类和干扰类，这样能有效的去除误报。

初始搭建的Faster-Rcnn模型，建立了快速分类算法框架，根据标注的类别数目，设置算法所需的类别标签。其网络结构包含：输入层、池化层、卷积层以及输出层。如图2所示。

所述Faster-Rcnn模型算法的基本原理为：使用卷积、激活函数、池化层提取图像的特征层，从生成特征层之后多出了一个网络，区域建议网络首先经过卷积计算出生成建议，而区域池化层则利用生成建议从特征层中提取建议特征送入全连接层和softmax激活函数得出分类。本算法采用ResNet作为检测模型。

再进一步，结合图3所示，所述ResNet检测模型包括残差模块，所述残差模块包括由两个5×5的卷积网络串接而成的模块，及由3×3、5×5与3×3三个卷积网络串接而成的模块。

ResNet也叫残差网络，如图3所示。其主要思想是在网络中增加了直连通道。现有的此类网络结构是性能输入做一个非线性变换，而直连通道则允许保留之前网络层的一定比例的输出。

如图4所示，可以看到在现有ResNet残差模块中，F(x)为残差，x为输入值，F(x)是经过第一层线性变化并激活后的输出。图4表示在残差网络中，第二层进行线性变化之后激活之前，F(x)加入了这一层输入值x，然后再进行激活后输出。在第二层输出值激活前加入x，这条路径称作shortcut连接。本发明的ResNet网络结构中对用到的残差模块进行了改进，一种是以两个5×5的卷积串接为一个残差模块(原来为3×3)，另外一种是3×3、5×5、3×3的三个卷积网络串接为一个残差模块(原来为1×1、3×3、1×1)。如图5及图6所示，改进后的残差模块具有如下优点：

1、分类速度更快，准确率更高。

2、算法鲁棒性更好，对各种不同复杂度的图像分类表现优异。

再进一步，所述步骤二中Faster-Rcnn模型中改进后的卷积层包括：第一个卷积层共有96个5×5×3的卷积核过滤200×600×1像素的输入车钩托梁故障样本，所述卷积核的步长为2；第二个卷积层将第一个卷积层的结果作为输入，用大小为5×5×96的256个卷积核卷积；第三个卷积层将第二个卷积层的输出作为输入，用大小为3×3×256的384个卷积核卷积；第四、五个卷积层相互连接没有池化层。两个全连接层的神经元分别为4096和1024。所述改进后的卷积层提高了训练速度和检测速度，通过更改的超参数，得到了理想的检测模型，增加了模型预测的置信度及识别的准确率。

再进一步，所述检测建议框的比例为{1:1，1:3，3:1}。

车钩托梁故障样本通过卷积层后得到的特征图每一点都会有多个形状，本发明根据图像尺寸改变了检测建议框的比例，修改为{1:1，1:3，3:1}。通过平移和缩放尺度公式，得出真实的框(即所述识别框)与检测建议框的位置关系，进而更加准确的输出检测建议框。

下面对通过Faster-Rcnn模型计算获得训练用数据集权重系数的过程进行说明：

首先把数据集权重作为初始权重，对标注的数据按照反向传播方式进行训练，在训练开始之前选取损失函数和优化器。

损失函数的意义在于它能计算模型输出(预测的结果)与图像的真实标签的误差值，这个值越小说明误差越小，那么预测值和真实值也就越接近，即准确率越高。

优化器就是使用某种数值方法在不断的批次训练中不断更新权重与偏差，使损失函数误差最小化。SGD优化器梯度更新可以对每个样本进行更新，没有冗余，速度较快，故选择SGD作为本分类算法的优化器。

进行训练的时候，可根据电脑配置情况选取适当的迭代次数，重复训练直到损失函数收敛，置信度达到稳定值。把最优的权重保存下来以便于预测使用。

最后，采用加载权重系数后的Faster-Rcnn模型对待识别图像中的故障区域进行识别，通过获取到的灰度图像，定位到车钩托梁部件区域，加载模型权重，进行预测。可自行设定置信度阈值，当模型预测到部件某个区域可能为故障时，若低于阈值，不报警；高于阈值则直接将信息上传到报警平台。

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。

Claims (5)

1.一种铁路货车车钩托梁折断检测方法，其特征在于，包括以下步骤：

步骤一：建立训练用数据集，对所述数据集中车钩托梁故障样本的故障区域或疑似故障区域分块标记识别框，并对每个识别框配置类别标签，所述类别标签包括故障类标签和干扰类标签；

步骤二：基于ResNet检测模型搭建Faster-Rcnn模型，所述Faster-Rcnn模型使用卷积层、激活函数及池化层提取输入车钩托梁故障样本的特征图；区域建议网络针对所述特征图经过卷积计算生成检测建议框；区域池化层由检测建议框中提取建议特征；建议特征送入全连接层和softmax激活函数，基于所述识别框和类别标签，获得分类的权重系数；

步骤三：采集货车运行中车钩托梁图像，进行预处理后作为待识别图像，将待识别图像输入至加载权重系数后的Faster-Rcnn模型，进行故障类别预测；所述待识别图像在故障预测过程中首先获得故障初判断区域，再获得对应于故障初判断区域的置信度，将置信度大于预设阈值的故障初判断区域确定为故障区域，进行报警。

2.根据权利要求1所述的铁路货车车钩托梁折断检测方法，其特征在于，

所述车钩托梁故障样本具备多样性和复杂性；所述干扰类标签对应的识别框特征包括：粉笔标记、绑定铁丝、雨水及泥点。

3.根据权利要求2所述的铁路货车车钩托梁折断检测方法，其特征在于，

所述ResNet检测模型包括残差模块，所述残差模块包括由两个5×5的卷积网络串接而成的模块，及由3×3、5×5与3×3三个卷积网络串接而成的模块。

4.根据权利要求3所述的铁路货车车钩托梁折断检测方法，其特征在于，

所述步骤二中Faster-Rcnn模型中的卷积层包括：第一个卷积层共有96个5×5×3的卷积核过滤200×600×1像素的输入车钩托梁故障样本，所述卷积核的步长为2；第二个卷积层将第一个卷积层的结果作为输入，用大小为5×5×96的256个卷积核卷积；第三个卷积层将第二个卷积层的输出作为输入，用大小为3×3×256的384个卷积核卷积；第四、五个卷积层相互连接。

5.根据权利要求4所述的铁路货车车钩托梁折断检测方法，其特征在于，

所述检测建议框的比例为{1:1，1:3，3:1}。

Images