CN111080607B

CN111080607B - 一种基于图像识别的滚动轴承甩油故障检测方法

Info

Publication number: CN111080607B
Application number: CN201911272318.4A
Authority: CN
Inventors: 孟德剑
Original assignee: Harbin Kejia General Mechanical and Electrical Co Ltd
Current assignee: Harbin Kejia General Mechanical and Electrical Co Ltd
Priority date: 2019-12-12
Filing date: 2019-12-12
Publication date: 2020-10-09
Anticipated expiration: 2039-12-12
Also published as: CN111080607A

Abstract

一种基于图像识别的滚动轴承甩油故障检测方法，属于货运列车检测技术领域。本发明是为了为了解决滚动轴承甩油故障的人工图像检测方式存在效率低、准确率低的问题，以及转向架差异和环境条件影响导致的滚动轴承甩油故障检测准确率低的问题。本发明采集列车图像并截取滚动轴承的子图像；首先通过图像处理算法检测滚动轴承是否渗油，当检测为渗油后，将图像输入训练好的深度学习网络，检测滚动轴承是否甩油。主要用于滚动轴承甩油故障检测。

Description

一种基于图像识别的滚动轴承甩油故障检测方法

技术领域

本发明涉及一种滚动轴承甩油故障检测方法。属于货运列车检测技术领域。

背景技术

为了保证铁路货运列车的安全行驶，铁路货运部门需要经常对铁路货车的各个部件进行检查和维修。虽然针对于铁路货车的检查在某些情况下仍然需要在站内静止状态下进行检查，但是由于这种检测方法需要铁路货车在站内静止的状态下完成，影响铁路货车的运行效率，而且检测效率也比较低，所以针对一些部件检测的检测可以替换为人工对图像识别检测，例如对滚动轴承甩油故障检测，但是采用人工查看图像的方式进行检查仍然存在诸多问题，例如成本高、效率低等问题。而且重复性查看图像工作枯燥，经常会出现遗漏部件、误报等情况，无法保证准确率，从而给铁路货车的安全运行留下安全隐患。

因此，对铁路货车进行自动化故障检测具有重要意义。但是鉴于铁路货车一些部件的特殊性，不能直接使用现有的检测技术进行故障检测。在滚动轴承甩油故障检测中，由于货车的轴承图像非常容易受到雨雪、风沙、泥渍和油渍等自然条件的影响，同时不同转向架类型的滚动轴承的形状也会存在差异，不仅给滚动轴承甩油故障造成了检测难度，

发明内容

本发明是为了解决滚动轴承甩油故障的人工图像检测方式存在效率低、准确率低的问题，以及转向架差异和环境条件影响导致的滚动轴承甩油故障检测准确率低的问题。

一种基于图像识别的滚动轴承甩油故障检测方法，包括以下步骤：

采集列车图像并截取滚动轴承的子图像；

首先通过图像处理算法检测滚动轴承是否渗油，当检测为渗油后，将图像输入训练好的深度学习网络，检测滚动轴承是否甩油；

所述的深度学习网络的训练过程如下：

步骤1、采集列车图像并截取滚动轴承的子图像，每张子图像的大小需要保持一致；将子图像放入数据集；

将收集的数据分成两类，一类是滚动轴承甩油的故障数据，另一类正常滚动轴承的非故障数据；对每类数据建立不同标签；

建立数据收集的标准：将滚动轴承一圈渗油与侧部转向架上有油点同时发生时判断为滚动轴承甩油故障；否则判断为正常滚动轴承数据；

步骤2、将数据集中的图像数据通过深度学习网络，预测出分类结果，并与真实结果标签进行比较，计算出偏差，反向计算出网络中各层中神经元的误差，求解误差梯度，通过梯度下降法更新网络中的权重系数；将此更新后的权重系数，通过深度学习网络模型预测分类，与真实结果比较，计算偏差，不断循环训练，直到偏差满足预设要求停止循环，保存权重系数，即完成一次训练；

步骤3、通过使用训练权重预测训练集，得到预测结果，通过主观观察的方式对预测结果中错误预测图像进行筛选重新判断，对某张图像通过主观再次确认，判断其是甩油或者非甩油，将其重新放入训练集后，再次重新训练，若训练集准确率未提高，则放弃此图像，将其剔除，若准确率提高则继续下一张图像；直到训练集的识别率达到预设阈值时，停止训练，得到训练好的深度学习网络。

进一步地，所述深度学习网络模型如下：

深度学习网络模型包括：“input”层、“Conv1-Pool1”层、“Conv2-Pool2”层、“Conv3”层、“Conv4”层、“Conv5-Pool5”层、“FC6”层、“FC7”层、“FC8”层；

“input”层：模型的输入层，输入图像的大小为512×512，图像为3通道的彩色图像；

“Conv1-Pool1”层：对“input”层进行卷积，卷积核大小为11×11，卷积通道数为96个；并对卷积后的结果进行池化；

“Conv2-Pool2”层：对“Conv1-Pool1”层的结果进行卷积，卷积核大小为5×5，卷积通道数为256个；并对卷积后的结果进行池化；

“Conv3”层：对“Conv2-Pool2”层的结果进行卷积，卷积核大小为3×3，卷积通道数为384个；

“Conv4”层：对“Conv3”层的结果进行卷积，卷积核大小为3×3，卷积通道数为384个；

“Conv5-Pool5”层：对“Conv4”层的结果进行卷积，卷积核大小为3×3，卷积通道数为256个；并对卷积后的结果进行池化；

“FC6”层：全连接层输出层数为4096个，防止过拟合加入Dropout操作；

“FC7”层：全连接层输出层数为4096个，防止过拟合加入Dropout操作；

“FC8”层：全连接层输出层数为2个，输入结果为2分类。

进一步地，所述通过图像处理算法检测滚动轴承是否渗油的过程包括以下步骤：

利用图像处理算法确定滚动轴承的边缘，记为圈a，并在圈a的外侧确定一个圈b，圈b与圈a的半径差小于半径差阈值；圈a内部的区域记为区域①，圈a与圈b之间的区域记为区域②，圈b外侧的区域记为区域③；当区域②的平均灰度小于区域①和区域③的平均灰度时，判断为渗油。

进一步地，在收集数据放入数据集的过程中需要对收集到的数据进行数据扩增操作，数据扩增操作包括旋转、平移、缩放、调整亮度、调整对比度。

进一步地，所述采集列车图像时包括正常、雨雪、风沙、泥渍和油渍条件下的图像，截取的子图像对应包括正常、雨雪、风沙、泥渍和油渍条件下的子图像。

进一步地，所述截取滚动轴承的子图像的过程为：依据列车的轴距信息及滚动轴承位置的先验知识，在列车图像中截取滚动轴承的子图像。

有益效果：

1、相比人工进行检测的方式，本发明所述的滚动轴承甩油故障检测方法能够实现自动检测，不仅可以极大地提高效率，而且能够极大地提高检测准确率。

2、将深度学习网络应用到滚动轴承甩油故障自动识别中，提高整体算法的稳定性及精度，同时能够提高鲁棒性，极大程度的降低了转向架差异和环境条件影响，使得检测率得到极大提高。同时本发明还采用主观干预式训练模式，进一步提高了识别的准确率。

附图说明

图1为整体流程示意图；

图2(a)为滚动轴承甩油图像，图2(b)为滚动轴承不甩油图像；

图3为渗油图像的判别示意图；

图4为网络结构示意图。

具体实施方式

具体实施方式一：参照图1具体说明本实施方式，

本实施方式所述为一种基于图像识别的滚动轴承甩油故障检测方法，包括以下步骤：

一、收集数据

1、图像获取

通过铁路枕边设备，拍摄高清货车图像。

依据列车的轴距信息及滚动轴承位置的先验知识，在列车图像中截取滚动轴承的子图像。

将子图像放入数据集，每张子图像的大小需要保持一致。由于货车图像易受到雨雪、风沙、泥渍和油渍等自然条件的影响，同时不同转向架类型的滚动轴承的形状也会不同。因此在收集滚动轴承子图像的过程中，须要尽量的包含上述全部情况。

将收集的数据分成两类，一类是滚动轴承甩油的故障数据，另一类正常滚动轴承的非故障数据。对每类数据建立不同标签，将滚动轴承甩油图像设定为标签“0”，如图2(a)所示；将滚动轴承不甩油图像设定为标签“1”，如图2(b)所示。

在收集数据的过程中往往带有主观性，为了尽量减少主观性带来的误分类，在收集数据的过程中，建立数据收集的标准，即将滚动轴承一圈渗油与侧部转向架上有较多油点同时发生判断为滚动轴承甩油故障，此种方式作为故障判断标准。滚动轴承一圈渗油和侧部转向架甩有较多油点，这两个判断标准只要有一个条件不满足，则判断为正常滚动轴承数据。

二、数据扩增

在数据收集中，一般无法实现全部故障状态的数据收集，故在数据收集后需要对数据进行扩增，通过随机方式，分别对数据进行旋转、平移、缩放、调整亮度、调整对比度等方面进行数据变换，实现数据扩增，从而可提高识别算法的稳定性。

三、训练数据

如图4所示，构建深度学习网络模型如下：

(1)、“input”层：模型的输入层，输入图像的大小为512×512，图像为3通道的彩色图像。

(2)、“Conv1-Pool1”层：对“input”层进行卷积，卷积核大小为11×11，卷积通道数为96个。并对卷积后的结果进行池化。

(3)、“Conv2-Pool2”层：对“Conv1-Pool1”层的结果进行卷积，卷积核大小为5×5，卷积通道数为256个。并对卷积后的结果进行池化。

(4)、“Conv3”层：对“Conv2-Pool2”层的结果进行卷积，卷积核大小为3×3，卷积通道数为384个。

(5)、“Conv4”层：对“Conv3”层的结果进行卷积，卷积核大小为3×3，卷积通道数为384个。

(6)、“Conv5-Pool5”层：对“Conv4”层的结果进行卷积，卷积核大小为3×3，卷积通道数为256个。并对卷积后的结果进行池化。

(7)、“FC6”层：全连接层输出层数为4096个，防止过拟合加入Dropout操作。

(8)、“FC7”层：全连接层输出层数为4096个，防止过拟合加入Dropout操作。

(9)、“FC8”层：全连接层输出层数为2个，输入结果为2分类。

将数据集中的图像数据通过此深度学习网络，预测出分类结果，并与真实结果标签进行比较，计算出偏差，从而反向计算出网络中各层中神经元的误差，通过求解误差梯度，通过梯度下降法更新网络中的权重系数。将此更新后的权重系数，通过深度学习网络模型预测分类，与真实结果比较，计算偏差，不断循环训练，直到偏差满足预设要求停止循环，保存权重系数，即完成一次训练。

四、主动干预式训练数据

由于数据集中的数据非常多，并且甩油故障的形态多变，同时雨水等情况与甩油情况很相似，增加了甩油的识别难度。通过一次训练无法做到训练集的全部数据完全预测正确。在一次训练结束后，通过使用训练权重预测训练集，得到预测结果，通过主观观察的方式对预测结果中错误预测图像进行筛选重新判断。例如某张图像通过主观再次确认，判断其是甩油或者非甩油，将其重新放入训练集后，再次重新训练，若训练集准确率未提高，则放弃此图像，将其剔除，若准确率提高则继续下一张图像。直到训练集的识别率达到预设阈值时，停止训练。

五、滚动轴承甩油故障判别

通过对滚动轴承甩油故障的分析，在发生甩油故障时会出现滚动轴承渗油状态。也就是说渗油故障发生在甩油故障中，通过图像处理算法检测渗油后，再通过深度学习预测是否为甩油，可以提高滚动轴承甩油故障识别的准确率和效率。利用图像处理算法确定滚动轴承的边缘，记为圈a，并在圈a的外侧确定一个圈b，圈b与圈a的半径差小于半径差阈值；圈a内部的区域记为区域①，圈a与圈b之间的区域记为区域②，圈b外侧的区域记为区域③；如图3所示，判断渗油时，可通过图中的圈a和圈b中间区域进行判断识别，当区域②的平均灰度小于区域①和区域③的平均灰度时，则认为此区域可能出现渗油故障。当通过图像处理检测到渗油故障并且通过深度学习识别出甩油故障时，此时认为是滚动轴承甩油故障发生。

Claims

1.一种基于图像识别的滚动轴承甩油故障检测方法，其特征在于，包括以下步骤：

采集列车图像并截取滚动轴承的子图像；

所述通过图像处理算法检测滚动轴承是否渗油的过程包括以下步骤：

利用图像处理算法确定滚动轴承的边缘，记为圈a，并在圈a的外侧确定一个圈b，圈b与圈a的半径差小于半径差阈值；圈a内部的区域记为区域①，圈a与圈b之间的区域记为区域②，圈b外侧的区域记为区域③；当区域②的平均灰度小于区域①和区域③的平均灰度时，判断为渗油；

所述的深度学习网络的训练过程如下：

2.根据权利要求1所述的一种基于图像识别的滚动轴承甩油故障检测方法，其特征在于，所述深度学习网络模型如下：

“FC8”层：全连接层输出层数为2个，输入结果为2分类。

3.根据权利要求2所述的一种基于图像识别的滚动轴承甩油故障检测方法，其特征在于，在收集数据放入数据集的过程中需要对收集到的数据进行数据扩增操作，数据扩增操作包括旋转、平移、缩放、调整亮度、调整对比度。

4.根据权利要求2所述的一种基于图像识别的滚动轴承甩油故障检测方法，其特征在于，所述采集列车图像时包括正常、雨雪、风沙、泥渍和油渍条件下的图像，截取的子图像对应包括正常、雨雪、风沙、泥渍和油渍条件下的子图像。

5.根据权利要求2所述的一种基于图像识别的滚动轴承甩油故障检测方法，其特征在于，所述截取滚动轴承的子图像的过程为：依据列车的轴距信息及滚动轴承位置的先验知识，在列车图像中截取滚动轴承的子图像。