CN111079822A - 轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法 - Google Patents

轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法 Download PDF

Info

Publication number
CN111079822A
CN111079822A CN201911272573.9A CN201911272573A CN111079822A CN 111079822 A CN111079822 A CN 111079822A CN 201911272573 A CN201911272573 A CN 201911272573A CN 111079822 A CN111079822 A CN 111079822A
Authority
CN
China
Prior art keywords
image
fault
data set
axle box
rubber pad
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
Application number
CN201911272573.9A
Other languages
English (en)
Inventor
马元通
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Kejia General Mechanical and Electrical Co Ltd
Original Assignee
Harbin Kejia General Mechanical and Electrical Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Kejia General Mechanical and Electrical Co Ltd filed Critical Harbin Kejia General Mechanical and Electrical Co Ltd
Priority to CN201911272573.9A priority Critical patent/CN111079822A/zh
Publication of CN111079822A publication Critical patent/CN111079822A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B61RAILWAYS
    • B61FRAIL VEHICLE SUSPENSIONS, e.g. UNDERFRAMES, BOGIES OR ARRANGEMENTS OF WHEEL AXLES; RAIL VEHICLES FOR USE ON TRACKS OF DIFFERENT WIDTH; PREVENTING DERAILING OF RAIL VEHICLES; WHEEL GUARDS, OBSTRUCTION REMOVERS OR THE LIKE FOR RAIL VEHICLES
    • B61F5/00Constructional details of bogies; Connections between bogies and vehicle underframes; Arrangements or devices for adjusting or allowing self-adjustment of wheel axles or bogies when rounding curves
    • B61F5/26Mounting or securing axle-boxes in vehicle or bogie underframes
    • B61F5/30Axle-boxes mounted for movement under spring control in vehicle or bogie underframes
    • B61F5/305Axle-boxes mounted for movement under spring control in vehicle or bogie underframes incorporating rubber springs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法,本发明涉及铁路货车轴箱橡胶垫错位故障图像识别方法。本发明的目的是为了解决现有铁路货车轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法准确率低、人工成本巨大、效率低下等问题。过程为:过程为:步骤一、线阵图像获取;步骤二、基于步骤一获取的线阵图像,进行轴箱橡胶垫部件粗定位;步骤三、建立原始样本数据集;步骤四、对原始样本数据集进行数据扩增,得到扩增后的原始样本数据集;步骤五、模型训练;步骤六、故障识别。本发明用于轴箱橡胶垫故障图像识别方法领域。

Description

轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法
技术领域
本发明涉及铁路货车轴箱橡胶垫错位故障图像识别方法。
背景技术
轴箱橡胶垫中间橡胶与上、下层板错位是轴箱装置的一种故障形态,轴箱橡胶垫作为轴箱装置的重要组成部件,其功用包括:实现轮对弹性定位、隔离轮轨的高频震动以及降低对轨道的冲击。当橡胶垫中间橡胶出现错位时将影响轴箱橡胶垫的功用,给货车行车安全带来隐患。当前采用的人工逐张看图的检车作业方式,存在受人员素质、责任心影响,错漏检问题时有发生,作业质量难以保证,导致准确率低、人工成本巨大、效率低下等问题。
所以针对轴箱橡胶垫中间橡胶与上、下层板错位故障的自动化检测具有重要意义。
发明内容
本发明的目的是为了解决现有铁路货车轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法准确率低、人工成本巨大、效率低下等问题,而提出轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法。
轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法具体过程为:
步骤一、线阵图像获取;
步骤二、基于步骤一获取的线阵图像,进行轴箱橡胶垫部件粗定位;
步骤三、建立原始样本数据集;
步骤四、对原始样本数据集进行数据扩增,得到扩增后的原始样本数据集;
步骤五、模型训练;过程为:
步骤五一:建立SSD目标检测网络网络,将扩增后的标记信息数据集输入SSD目标检测网络进行训练,得到训练好的SSD目标检测网络;过程为:
SSD目标检测网络包括:
卷积层4_3:使用512通道的3×3大小的卷积核进行卷积;
卷积层6:使用1024通道的3×3大小的卷积核进行卷积;
卷积层7:使用1024通道的1×1大小的卷积核进行卷积;
卷积层8_2:使用256通道的1×1大小的卷积核进行卷积;
卷积层9_2:使用128通道的1×1大小的卷积核进行卷积;
卷积层10_2:使用128通道的1×1大小的卷积核进行卷积;
卷积层11_2:使用128通道的1×1大小的卷积核进行卷积;
在构建SSD目标检测网络后,将扩增后的标记信息数据集信息缩放到固定大小512×512,并输入SSD目标检测网络;
扩增后的标记信息数据集经过SSD目标检测网络输出包含轴箱橡胶垫部件目标的矩形框坐标,与扩增后的标记信息数据集通过损失函数计算损失值;
经过损失函数和优化器后,计算出新的权重系数,将权重系数进行更新,完成一次训练迭代;重复步骤五一,将全部图像完成固定次数的迭代,直到找到最优的权重系数,得到训练好的SSD目标检测网络;
步骤五二:故障判定网络的训练;
步骤六、故障识别。
本发明的有益效果为:
通过结合图像处理和深度学习技术,实现故障自动识别和报警,有效提高检车作业质量和效率。
利用在货车轨道两侧的高清成像设备,对高速运动的货车进行拍摄,获取货车两侧的高清图像。根据轴距信息和转向架类型等先验知识,获取包含轴箱橡胶垫的粗定位图像。对图像进行收集、整理以及数据扩增获取训练图像样本集。根据故障类型搭建合适的深度神经网络,并进行多次训练直至模型收敛,获得相应参数。在识别阶段,加载参数,并将拍摄到的图像输入网络得到预测结果,根据预测结果判断是否为故障,如果是故障则对故障区域进行报警。
1、将自动识别技术引入货车故障检测,实现故障自动识别及报警,人工只需对报警结果进行确认,有效节约人力成本,提高作业质量和作业效率。
2、将深度学习算法应用到轴箱橡胶垫中间橡胶与上、下层板错位故障自动识别中,相较传统的机器视觉检测方法具有更高的准确性、稳定性。
3、对分类网络进行修改,使其更加符合识别任务的数据特点,分类效果得到提升。
附图说明
图1为本发明模型训练流程图;
图2为本发明SSD网络结构图;
图3为修改后的VGG-16模型图;
图4为故障判定流程图。
具体实施方式
具体实施方式一:本实施方式轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法具体过程为:
步骤一、线阵图像获取;
步骤二、基于步骤一获取的线阵图像,进行轴箱橡胶垫部件粗定位;
步骤三、建立原始样本数据集;
步骤四、对原始样本数据集进行数据扩增,得到扩增后的原始样本数据集;
步骤五、模型训练;过程为:
对样本数据集建立模型,并进行训练,如图1所示。
步骤五一:建立SSD目标检测网络网络,将扩增后的标记信息数据集输入SSD目标检测网络进行训练,得到训练好的SSD目标检测网络;过程为:
本发明采用Single Shot MultiBox Detector(SSD)检测算法,对图像中包含轴箱橡胶垫的矩形区域进行精确定位,网络结构如图2所示。
SSD采用VGG16作为基础模型,然后再其基础上新增了卷积层来获得更多的特征图以用于检测。首先VGG16是在ILSVRC CLS-LOC数据集预训练,然后分别将VGG16的全连接层fc6和fc7转换成3×3的卷积层conv6和1×1的卷积层conv7,同时将池化层pool5由原来的2×2-S2改为3×3-S1。为配合这种变化,conv6采用了空洞卷积(Dilation Conv),其在不增加参数与模型复杂度的条件下指数级扩大卷积的视野,使得卷积输出包含较大范围的信息。然后移除dropout层和fc8层,并新增一系列卷积层,其中conv4_3层将作为用于检测的第一个特征图,conv4_3层特征图大小是38×38,但是该层比较靠前,所以在其后面增加了一个L2 Normalization,以保证和后面的检测层差异不是很大。
SSD目标检测网络包括:
卷积层4_3:基于VGG-16,使用512通道的3×3大小的卷积核进行卷积;
卷积层6:使用1024通道的3×3大小的卷积核进行卷积;
卷积层7:使用1024通道的1×1大小的卷积核进行卷积;
卷积层8_2:使用256通道的1×1大小的卷积核进行卷积;
卷积层9_2:使用128通道的1×1大小的卷积核进行卷积;
卷积层10_2:使用128通道的1×1大小的卷积核进行卷积;
卷积层11_2:使用128通道的1×1大小的卷积核进行卷积;
在构建SSD目标检测网络后,将扩增后的标记信息数据集信息缩放到固定大小512×512,并输入SSD目标检测网络;
扩增后的标记信息数据集经过SSD目标检测网络输出包含轴箱橡胶垫部件目标的矩形框坐标,与扩增后的标记信息数据集通过损失函数计算损失值;
通过损失函数计算损失值,通过优化器Adam进行优化权重。Adam优化器具有高效、占用内存小、适合大规模数据等优点。
经过损失函数和优化器后,计算出新的权重系数,将权重系数进行更新,完成一次训练迭代;程序将重复步骤五一,将全部图像完成固定次数的迭代,但是并不是每次迭代都要更新权重,只有损失函数更低的权重才会被更新,直到找到最优的权重系数,得到训练好的SSD目标检测网络;
步骤五二:故障判定网络的训练;
步骤六、故障识别。
流程图见图4。
具体实施方式二:本实施方式与具体实施方式一不同的是,所述步骤一中线阵图像获取;具体过程为:
分别在货车轨道周围搭建高清设备,对高速通过的货车进行拍摄,获取货车两侧的图像;采用线扫描,可实现图像无缝拼接,生成视野大、精度高的二维图像。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是,所述步骤二中基于步骤一获取的线阵图像,进行轴箱橡胶垫部件粗定位;具体过程为:
根据货车轴距信息、车型信息对轴箱橡胶垫部件位置进行粗定位,从线阵图像中截取包含轴箱橡胶垫部件的局部区域图像,可有效减少故障识别所需时间、提升识别准确率。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是,所述步骤三中建立原始样本数据集;具体过程为:
由于货车部件可能受到雨水、泥渍、油渍、黑漆等自然条件或者人为条件的影响。并且,不同站点拍摄的图像可能存在差异。因此,轴箱橡胶垫中间橡胶图像之间存在一定差异。所以,在训练图像数据集的搜集的过程中,要保证多样性,尽量搜集轴箱橡胶垫在各种条件、不同站点的图像;
轴箱橡胶垫中间橡胶与上、下层板错位故障的检测主要针对K6型转向架。通过过车信息获得转向架类型,搜集在各种条件、不同站点的K6型转向架图作为原始样本数据集;
原始样本数据集包括:原图像集与标记信息集;
原图像集为步骤二进行轴箱橡胶垫部件粗定位的图像;
标记信息集为包含轴箱橡胶垫的矩形区域信息,通过人工标记的方式获取;
原图像集与标记信息数据集之间是一一对应的,即每个图像对应一个标记数据。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是,所述步骤四中对原始样本数据集进行数据扩增,得到扩增后的原始样本数据集;具体过程为:
样本数据集的建立虽然包括各种条件下的图像,但为提高算法的稳定性,仍需要对原始样本数据集进行数据扩增,扩增形式包括图像的旋转、平移、缩放、镜像等操作,每种操作都是在随机条件下进行的,这样可以最大程度的保证样本的多样性和适用;
对扩增后的标记信息数据集通过人工标记的方式标记轴箱橡胶垫的矩形区域信息。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是,所述步骤五一中损失函数定义为位置误差(loc)与置信度误差(conf)的加权和:
Figure BDA0002314596260000051
其中,N是先验框的正样本数量;
Figure BDA0002314596260000052
为一个指示参数,当
Figure BDA0002314596260000053
时表示第i个先验框与第j个标注框匹配,并且标注框的类别为p;c为类别置信度预测值;l为先验框所对应边界框的位置预测值,而g是标注框的位置参数;α为权重系数通过交叉验证设置为1;Lconf(·)为置信度误差,Lloc(·)为位置误差;
对于置信度误差,置信度误差采用Softmax loss:
Figure BDA0002314596260000054
Figure BDA0002314596260000055
其中,
Figure BDA0002314596260000056
为属于前景物体的置信度,
Figure BDA0002314596260000057
为属于背景的置信度,pos为前景物体,Neg为背景,
Figure BDA0002314596260000058
为物体属于第i类前景物体的置信度。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是,所述步骤五二中故障判定网络的训练;过程为:
利用训练好的SSD目标检测网络搜集大量的原图像集中包含步骤二进行轴箱橡胶垫部件粗定位的图像和扩增后的标记信息数据集作为故障判定网络的训练集进行训练,直至交叉熵损失逐渐收敛;
故障判定网络结构包括:
卷积模块1:使用两个64通道的3×3大小的卷积核进行卷积,并进行最大池化;
卷积模块2:使用两个128通道的3×3大小的卷积核进行卷积,并进行最大池化;
卷积模块3:使用三个256通道的3×3大小的卷积核进行卷积,并进行最大池化;
卷积模块4:使用三个512通道的3×3大小的卷积核进行卷积,并进行最大池化;
卷积模块5:使用三个512通道的3×3大小的卷积核进行卷积,并进行平均池化;
全连接层:一个256通道的全连接层;
Dropout层:一个Dropout层;
全连接层:一个256通道的全连接层。
本发明采用Visual Geometry Group Network(VGG-16)算法,对图像中包含轴箱橡胶垫进行故障判定,网络结构如图3所示。
本发明对于VGG-16没有直接泛化地使用其本身的模型参数,而是根据本识别任务的特点对其进行微调复用,舍弃其最后几层的全连接层,将其替换成符合本识别任务的输出层(图3),主要有以下几点原因:
1)在VGG-16中所能识别的是1000类物体,然而我们只需对包含轴箱橡胶垫进行识别,该部件并不在传统的VGG-16训练样本集中,故应对其进行重新训练使其更具有针对性。
2)本发明选择通过VGG-16来提取特征,而不使用其输出层,通过自定义输出层,将原来Softmax层的1000个输出节点改为2个(轴箱橡胶垫错位和未错位),利用卷积神经网络提取出比较通用的特征的同时,明显地节省大量的训练时间,提高训练效率。
利用包含部件的子图集对修改后的VGG-16网络进行训练,直至直至交叉熵损失逐渐收敛。
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八:本实施方式与具体实施方式一至七之一不同的是,所述步骤六中故障识别;具体过程为:
流程图见图4;
步骤六一:对待测图像集进行轴箱橡胶垫部件粗定位:
根据车型信息及部件所在区域的先验知识,取出包含轴箱橡胶垫部件的子区域图像;
步骤六二:利用训练好的SSD目标检测网络对子区域图像中的轴箱橡胶垫部件进行定位;
步骤六三:故障判定:
利用训练好的故障判定网络对定位的轴箱橡胶垫部件图像进行故障判定;
步骤六四:上传报警:
根据故障信息,将故障位置和故障类别生成报文,并上传至报警平台。
其它步骤及参数与具体实施方式一至七之一相同。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (8)

1.轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法,其特征在于:所述方法具体过程为:
步骤一、线阵图像获取;
步骤二、基于步骤一获取的线阵图像,进行轴箱橡胶垫部件粗定位;
步骤三、建立原始样本数据集;
步骤四、对原始样本数据集进行数据扩增,得到扩增后的原始样本数据集;
步骤五、模型训练;过程为:
步骤五一:建立SSD目标检测网络网络,将扩增后的标记信息数据集输入SSD目标检测网络进行训练,得到训练好的SSD目标检测网络;过程为:
SSD目标检测网络包括:
卷积层4_3:使用512通道的3×3大小的卷积核进行卷积;
卷积层6:使用1024通道的3×3大小的卷积核进行卷积;
卷积层7:使用1024通道的1×1大小的卷积核进行卷积;
卷积层8_2:使用256通道的1×1大小的卷积核进行卷积;
卷积层9_2:使用128通道的1×1大小的卷积核进行卷积;
卷积层10_2:使用128通道的1×1大小的卷积核进行卷积;
卷积层11_2:使用128通道的1×1大小的卷积核进行卷积;
在构建SSD目标检测网络后,将扩增后的标记信息数据集信息缩放到固定大小512×512,并输入SSD目标检测网络;
扩增后的标记信息数据集经过SSD目标检测网络输出包含轴箱橡胶垫部件目标的矩形框坐标,与扩增后的标记信息数据集通过损失函数计算损失值;
经过损失函数和优化器后,计算出新的权重系数,将权重系数进行更新,完成一次训练迭代;重复步骤五一,将全部图像完成固定次数的迭代,直到找到最优的权重系数,得到训练好的SSD目标检测网络;
步骤五二:故障判定网络的训练;
步骤六、故障识别。
2.根据权利要求1所述轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法,其特征在于:所述步骤一中线阵图像获取;具体过程为:
分别在货车轨道周围搭建设备,对通过的货车进行拍摄,获取货车两侧的图像;采用线扫描,实现图像无缝拼接。
3.根据权利要求1或2所述轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法,其特征在于:所述步骤二中基于步骤一获取的线阵图像,进行轴箱橡胶垫部件粗定位;具体过程为:
根据货车轴距信息、车型信息对轴箱橡胶垫部件位置进行粗定位,从线阵图像中截取包含轴箱橡胶垫部件的局部区域图像。
4.根据权利要求3所述轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法,其特征在于:所述步骤三中建立原始样本数据集;具体过程为:
通过过车信息获得转向架类型,搜集在各种条件、不同站点的K6型转向架图作为原始样本数据集;
原始样本数据集包括:原图像集与标记信息集;
原图像集为步骤二进行轴箱橡胶垫部件粗定位的图像;
标记信息集为包含轴箱橡胶垫的矩形区域信息,通过人工标记的方式获取;
原图像集与标记信息数据集之间是一一对应的,即每个图像对应一个标记数据。
5.根据权利要求4所述轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法,其特征在于:所述步骤四中对原始样本数据集进行数据扩增,得到扩增后的原始样本数据集;具体过程为:
对原始样本数据集进行数据扩增,扩增形式包括图像的旋转、平移、缩放、镜像操作,每种操作都是在随机条件下进行的;
对扩增后的标记信息数据集通过人工标记的方式标记轴箱橡胶垫的矩形区域信息。
6.根据权利要求5所述轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法,其特征在于:所述步骤五一中损失函数定义为位置误差与置信度误差的加权和:
Figure FDA0002314596250000021
其中,N是先验框的正样本数量;
Figure FDA0002314596250000022
为参数,当
Figure FDA0002314596250000023
时表示第i个先验框与第j个标注框匹配,并且标注框的类别为p;c为类别置信度预测值;l为先验框所对应边界框的位置预测值,g是标注框的位置参数;α为权重系数;Lconf(·)为置信度误差,Lloc(·)为位置误差;
对于置信度误差,置信度误差采用Softmax loss:
Figure FDA0002314596250000031
Figure FDA0002314596250000032
其中,
Figure FDA0002314596250000033
为属于前景物体的置信度,
Figure FDA0002314596250000034
为属于背景的置信度,pos为前景物体,Neg为背景,
Figure FDA0002314596250000035
为物体属于第i类前景物体的置信度。
7.根据权利要求6所述轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法,其特征在于:所述步骤五二中故障判定网络的训练;过程为:
利用训练好的SSD目标检测网络搜集原图像集中包含步骤二进行轴箱橡胶垫部件粗定位的图像和扩增后的标记信息数据集作为故障判定网络的训练集进行训练,直至交叉熵损失收敛;
故障判定网络结构包括:
卷积模块1:使用两个64通道的3×3大小的卷积核进行卷积,并进行最大池化;
卷积模块2:使用两个128通道的3×3大小的卷积核进行卷积,并进行最大池化;
卷积模块3:使用三个256通道的3×3大小的卷积核进行卷积,并进行最大池化;
卷积模块4:使用三个512通道的3×3大小的卷积核进行卷积,并进行最大池化;
卷积模块5:使用三个512通道的3×3大小的卷积核进行卷积,并进行平均池化;
全连接层:一个256通道的全连接层;
Dropout层:一个Dropout层;
全连接层:一个256通道的全连接层。
8.根据权利要求7所述轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法,其特征在于:所述步骤六中故障识别;具体过程为:
步骤六一:对待测图像集进行轴箱橡胶垫部件粗定位:
根据车型信息及部件所在区域的先验知识,取出包含轴箱橡胶垫部件的子区域图像;
步骤六二:利用训练好的SSD目标检测网络对子区域图像中的轴箱橡胶垫部件进行定位;
步骤六三:故障判定:
利用训练好的故障判定网络对定位的轴箱橡胶垫部件图像进行故障判定;
步骤六四:上传报警:
根据故障信息,将故障位置和故障类别生成报文,并上传至报警平台。
CN201911272573.9A 2019-12-12 2019-12-12 轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法 Pending CN111079822A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911272573.9A CN111079822A (zh) 2019-12-12 2019-12-12 轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911272573.9A CN111079822A (zh) 2019-12-12 2019-12-12 轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法

Publications (1)

Publication Number Publication Date
CN111079822A true CN111079822A (zh) 2020-04-28

Family

ID=70314009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911272573.9A Pending CN111079822A (zh) 2019-12-12 2019-12-12 轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法

Country Status (1)

Country Link
CN (1) CN111079822A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232263A (zh) * 2020-10-28 2021-01-15 中国计量大学 一种基于深度学习的番茄识别方法
CN112434695A (zh) * 2020-11-20 2021-03-02 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的上拉杆故障检测方法
CN112699794A (zh) * 2020-12-29 2021-04-23 哈尔滨市科佳通用机电股份有限公司 一种铁路货车轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法
CN112699952A (zh) * 2021-01-06 2021-04-23 哈尔滨市科佳通用机电股份有限公司 基于深度学习的列车故障图像扩增方法及系统
CN115096378A (zh) * 2022-08-29 2022-09-23 宇一精工科技(南通)有限公司 一种橡胶垫错位故障智能识别方法
CN116071423A (zh) * 2023-02-09 2023-05-05 哈尔滨市科佳通用机电股份有限公司 一种铁路货车闸调器部件定位方法、系统及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106600581A (zh) * 2016-12-02 2017-04-26 北京航空航天大学 一种基于双目立体视觉的列车运行故障自动检测系统及方法
CN106683091A (zh) * 2017-01-06 2017-05-17 北京理工大学 一种基于深度卷积神经网络的目标分类及姿态检测方法
CN107610087A (zh) * 2017-05-15 2018-01-19 华南理工大学 一种基于深度学习的舌苔自动分割方法
CN108010030A (zh) * 2018-01-24 2018-05-08 福州大学 一种基于深度学习的航拍图像绝缘子实时检测方法
CN108052884A (zh) * 2017-12-01 2018-05-18 华南理工大学 一种基于改进残差神经网络的手势识别方法
CN109376606A (zh) * 2018-09-26 2019-02-22 福州大学 一种电力巡检图像杆塔基础故障检测方法
CN109840904A (zh) * 2019-01-24 2019-06-04 西南交通大学 一种高铁接触网大尺度差异零部件检测方法
CN109840502A (zh) * 2019-01-31 2019-06-04 深兰科技(上海)有限公司 一种基于ssd模型进行目标检测的方法及设备
CN110490188A (zh) * 2019-07-02 2019-11-22 天津大学 一种基于ssd网络改进型的目标物体快速检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106600581A (zh) * 2016-12-02 2017-04-26 北京航空航天大学 一种基于双目立体视觉的列车运行故障自动检测系统及方法
CN106683091A (zh) * 2017-01-06 2017-05-17 北京理工大学 一种基于深度卷积神经网络的目标分类及姿态检测方法
CN107610087A (zh) * 2017-05-15 2018-01-19 华南理工大学 一种基于深度学习的舌苔自动分割方法
CN108052884A (zh) * 2017-12-01 2018-05-18 华南理工大学 一种基于改进残差神经网络的手势识别方法
CN108010030A (zh) * 2018-01-24 2018-05-08 福州大学 一种基于深度学习的航拍图像绝缘子实时检测方法
CN109376606A (zh) * 2018-09-26 2019-02-22 福州大学 一种电力巡检图像杆塔基础故障检测方法
CN109840904A (zh) * 2019-01-24 2019-06-04 西南交通大学 一种高铁接触网大尺度差异零部件检测方法
CN109840502A (zh) * 2019-01-31 2019-06-04 深兰科技(上海)有限公司 一种基于ssd模型进行目标检测的方法及设备
CN110490188A (zh) * 2019-07-02 2019-11-22 天津大学 一种基于ssd网络改进型的目标物体快速检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WEI LIU ET AL.: "SSD: Single Shot MultiBox Detector", 《ARXIV》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232263A (zh) * 2020-10-28 2021-01-15 中国计量大学 一种基于深度学习的番茄识别方法
CN112232263B (zh) * 2020-10-28 2024-03-19 中国计量大学 一种基于深度学习的番茄识别方法
CN112434695A (zh) * 2020-11-20 2021-03-02 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的上拉杆故障检测方法
CN112434695B (zh) * 2020-11-20 2021-07-16 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的上拉杆故障检测方法
CN112699794A (zh) * 2020-12-29 2021-04-23 哈尔滨市科佳通用机电股份有限公司 一种铁路货车轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法
CN112699794B (zh) * 2020-12-29 2021-09-14 哈尔滨市科佳通用机电股份有限公司 一种铁路货车轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法
CN112699952A (zh) * 2021-01-06 2021-04-23 哈尔滨市科佳通用机电股份有限公司 基于深度学习的列车故障图像扩增方法及系统
CN115096378A (zh) * 2022-08-29 2022-09-23 宇一精工科技(南通)有限公司 一种橡胶垫错位故障智能识别方法
CN116071423A (zh) * 2023-02-09 2023-05-05 哈尔滨市科佳通用机电股份有限公司 一种铁路货车闸调器部件定位方法、系统及介质

Similar Documents

Publication Publication Date Title
CN111079822A (zh) 轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN111091555B (zh) 闸瓦折断目标检测方法
CN107316064B (zh) 一种基于卷积神经网络的沥青路面裂缝分类识别方法
EP3690714A1 (en) Method for acquiring sample images for inspecting label among auto-labeled images to be used for learning of neural network and sample image acquiring device using the same
CN111091558B (zh) 一种铁路货车摇枕弹簧窜出故障图像识别方法
CN111080608A (zh) 铁路货车脱轨自动制动阀塞门手把关闭故障图像识别方法
CN110992349A (zh) 一种基于深度学习的地下管道异常自动化定位与识别方法
CN108956614A (zh) 一种基于机器视觉的矿用钢丝绳动态探伤检测方法和装置
CN111080611A (zh) 一种铁路货车摇枕弹簧折断故障图像识别方法
CN106056619A (zh) 基于梯度约束Radon变换的无人机视觉电线巡检方法
CN113221839B (zh) 一种货车图像自动识别方法及识别系统
CN111091548B (zh) 基于深度学习的铁路货车承载鞍错位故障图像识别方法及系统
CN106198551A (zh) 一种输电线路缺陷的检测方法及装置
CN111080621B (zh) 一种铁路货车地板破损故障图像识别方法
CN112233096B (zh) 一种车辆裙板故障检测方法
CN112488229A (zh) 一种基于特征分离和对齐的域自适应无监督目标检测方法
CN108648210B (zh) 一种静态复杂场景下快速多目标检测方法及装置
CN111091551A (zh) 一种铁路货车制动梁支柱开口销丢失故障检测方法
CN112101138A (zh) 基于深度学习的桥梁拉索表面缺陷实时识别系统及方法
WO2024060529A1 (zh) 一种道路病害识别方法、系统、设备及存储介质
CN113111875A (zh) 一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法
CN114187505A (zh) 输电线路防振锤脱落的检测方法、装置、介质及终端设备
CN110428398A (zh) 一种基于深度学习的高铁接触网拉线缺陷检测方法
CN113516652A (zh) 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200428