CN111080614A - 铁路货车轮轮辋及踏面的破损识别方法 - Google Patents

铁路货车轮轮辋及踏面的破损识别方法 Download PDF

Info

Publication number
CN111080614A
CN111080614A CN201911272801.2A CN201911272801A CN111080614A CN 111080614 A CN111080614 A CN 111080614A CN 201911272801 A CN201911272801 A CN 201911272801A CN 111080614 A CN111080614 A CN 111080614A
Authority
CN
China
Prior art keywords
wheel
training
rim
tread
target detection
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
CN201911272801.2A
Other languages
English (en)
Inventor
王斐
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 CN201911272801.2A priority Critical patent/CN111080614A/zh
Publication of CN111080614A publication Critical patent/CN111080614A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

铁路货车轮轮辋及踏面的破损识别方法，涉及物联网技术领域。本发明是为了解决现有人工对货车进行故障检测时，容易检测结果不准确，进而容易导致故障不能够及时发现的问题。本发明所述的铁路货车轮轮辋及踏面的破损识别方法，利用图像自动识别的方式代替人工检测，提高故障识别检测效率、准确率，降低人力成本。将深度学习应用到部件定位及故障检测中，能够有效提高算法的鲁棒性和准确率。在对Faster rcnn深度学习网络进行训练后，采用tensorRT对网络进行加速优化，既保证了预测的准确率，又保证了其运行效率。

Description

铁路货车轮轮辋及踏面的破损识别方法
技术领域
本发明属于物联网技术领域。
背景技术
车轮是介于轮胎和车桥之间承受负荷的旋转件，通常由轮辋和轮辐组成。轮辋俗称轮圈或轮毂，是固定轮胎及连接轮胎与车轴的中间部件。车轮踏面是指车轮与钢轨顶面的接触部分。轨道车辆的车轮在运行中长期受到较大的交变应力，其内部可能产生裂纹或磨损，容易导致车辆发生故障。
目前对于货车故障检测一般采用人工排查的方式。由于排查过程中受到作业人员的业务素质、责任心、劳动强度等因素影响较大，因此容易发生漏检或简化作业等情况。而对于货车轮轮辋及踏面出现裂纹时，往往人工难以及时发现，进而容易造成货车轮轮辋及踏面的进一步恶化、甚至丢失或折断，此时，故障不能被及时发现，进而引发严重的车辆故障。
发明内容
本发明是为了解决现有人工对货车进行故障检测时，容易检测结果不准确，进而容易导致故障不能够及时发现的问题，现提供铁路货车轮轮辋及踏面的破损识别方法。
铁路货车轮轮辋及踏面的破损识别方法，包括以下步骤：
训练数据集建立步骤：
采集不同型号铁路货车处于不同时间、地点和环境下的车轮图片建立样本库，所述车轮图片包括正常状态下的车轮图片和故障状态下的车轮图片，
分别将每一幅图片划分出8～10个区域，对每个区域是否存在故障进行标注、并生成相应的标签文件，
利用所有的车轮图片及其对应的标签文件建立Faster rcnn目标检测网络的训练数据集；
权重训练步骤：
将训练数据集代入Faster rcnn目标检测网络模型中，对Faster rcnn目标检测网络模型进行训练，获得Faster rcnn目标检测网络模型权重值，并将该权重值代入Fasterrcnn目标检测网络模型中，完成模型训练；
图片采集步骤：采集待识别的车轮图片作为检测图片；
故障识别步骤：将检测图片输入训练好的Faster rcnn目标检测网络模型中，获得识别结果。
进一步的，上述权重训练步骤中，在完成模型训练之后，还使用tensorRT对训练好的模型进行优化。
进一步的，上述样本库中不仅包括采集到的图片，还包括对采集到的图片进行拉伸、旋转和镜像后的图片。
进一步的，上述权重训练步骤中，Faster rcnn目标检测网络采用Inception v2预训练网络模型进行训练。
进一步的，上述图片采集步骤中，将所有检测图片的尺寸进行统一，对于每节有8个车轮的列车，将每节货车的车轮图像均融合成大小为(8,512,512,3)的矩阵。
本发明所述的铁路货车轮轮辋及踏面的破损识别方法，利用图像自动识别的方式代替人工检测，提高故障识别检测效率、准确率，降低人力成本。将深度学习应用到部件定位及故障检测中，能够有效提高算法的鲁棒性和准确率。在对Faster rcnn深度学习网络进行训练后，采用tensorRT对网络进行加速优化，既保证了预测的准确率，又保证了其运行效率。
本发明使用Faster rcnn深度学习网络识别车轮的轮辋及踏面的破损故障，然后上传至网络，以便人工查阅。工作人员根据图像的识别结果做出相应的处理，保证机车安全运行。
附图说明
图1为铁路货车轮轮辋及踏面的破损识别方法的流程图。
具体实施方式
随着芯片硬件处理性能的巨大提升，为深度网络的复杂计算提供了基础。深度学习网络能够广泛应用在图像处理领域，相对于传统方式，深度学习方法将特征学习融入到了建立模型的过程中，能够有效提高故障检测的准确率和效率。
目标检测和识别近年来一直是计算机视觉研究方面比较热门的领域，深度学习方面用于对象检测识别的网络模型也种类繁多。在这些算法模型中，Faster RCNN(Faster-Region based Convolutional Neural Network，Faster-RCNN，更快速区域卷积神经网络)算法是在RCNN算法和Fast RCNN算法的基础上进行了改进，是目标检测和识别领域较为经典的算法。
本实施方式就讲上述的深度学习方法融入到货车的检测领域中，从而实现铁路货车货车轮轮辋及踏面破损的准确判断。具体如下：
具体实施方式一：参照图1具体说明本实施方式，本实施方式所述的铁路货车轮轮辋及踏面的破损识别方法，其特征在于，包括以下步骤：
一、训练数据集建立步骤：
从网络大数据库或者实际应用环境中采集不同型号铁路货车处于不同时间、地点和环境下的车轮图片，然后将所采集到的每一幅图片分别进行拉伸、旋转、镜像变换，利用变换前后的所有图片建立样本库，所述车轮图片包括正常状态下的车轮图片和故障状态下的车轮图片。例如：采集到一幅车轮图片，再复制三幅相同的图片，然后对复制后的三幅图片分别进行拉伸、旋转、镜像变换，得到拉伸后的图片、旋转后的图片和镜像后的图片，然后将原始图片和三幅变换后的图片共同存入样本库中。上述操作的目的是对样本进行扩增，收集不同条件下的车钩图像有利于丰富样本数据，增加后续训练结果的鲁棒性和适应性。
分别将每一幅图片划分出8～10个区域，对每个区域是否存在故障进行标注、并生成相应的标签文件，利用所有的车轮图片及其对应的标签文件建立Faster rcnn目标检测网络的训练数据集。
二、权重训练步骤：
由于Inception v2模型相对于resnet等特征提取网络有更高的运行速度。因此，本实施方式中，所述Faster rcnn目标检测网络采用Inception v2预训练网络模型进行训练。
具体的，将训练数据集代入Inception v2预训练网络模型中，将训练数据集中的整张图像输入Inception v2进行特征提取，用RPN生成建议窗口。为了提高网络的运行速度，本实施方式将建议窗口数量降低至100个进行训练。
经过上述训练获得Faster rcnn目标检测网络模型权重值，并将该权重值代入Faster rcnn目标检测网络模型中，完成模型训练。
在完成模型训练之后，使用tensorRT(推理优化器)对训练好的模型进行优化，提高网络的预测速度。通过tensorRT合并及替换一些网络层，降低预测过程中的数据类型精度，将FP32改为FP16。
三、图片采集步骤：
在货车轨道两侧及中央安装高清成像设备，当货车经过设备安装位置后，能够获得待识别的车轮图片作为检测图片，将所有检测图片的尺寸进行统一；
四、故障识别步骤：
将检测图片输入训练好的Faster rcnn目标检测网络模型中，获得识别结果。
具体的，在实际应用中，由于每节货车有8个车轮。因此，识别过程中将一整列车的几十节车轮图像全部并行读入内存。然后将每节货车的车轮图像融合成大小为(8,512,512,3)的矩阵，然后输入到网络中进行识别。
由于车轮图像尺寸较大，而车轮出现的故障一般较小，为了保留车轮轮辋及踏面破损的特征，不能将图像尺寸缩小，而且一列货车的车轮数量一般超过450个。因此，采用深度学习Faster rcnn检测车轮图像中是否存在轮辋及踏面破损故障。相对于SSD和yolo等目标检测网络，Faster rcnn有更高的准确率和识别精度。由于Faster rcnn网络在预测图像过程中效率偏低，因此，采用tensorRT对Faster rcnn网络的预测过程进行加速，提高网络的预测速度。

Claims (6)

1.铁路货车轮轮辋及踏面的破损识别方法，其特征在于，包括以下步骤：
训练数据集建立步骤：
采集不同型号铁路货车处于不同时间、地点和环境下的车轮图片建立样本库，所述车轮图片包括正常状态下的车轮图片和故障状态下的车轮图片，
分别将每一幅图片划分出8～10个区域，对每个区域是否存在故障进行标注、并生成相应的标签文件，
利用所有的车轮图片及其对应的标签文件建立Faster rcnn目标检测网络的训练数据集；
权重训练步骤：
将训练数据集代入Faster rcnn目标检测网络模型中，对Faster rcnn目标检测网络模型进行训练，获得Faster rcnn目标检测网络模型权重值，并将该权重值代入Faster rcnn目标检测网络模型中，完成模型训练；
图片采集步骤：采集待识别的车轮图片作为检测图片；
故障识别步骤：将检测图片输入训练好的Faster rcnn目标检测网络模型中，获得识别结果。
2.根据权利要求1所述的铁路货车轮轮辋及踏面的破损识别方法，其特征在于，权重训练步骤中，在完成模型训练之后，还使用tensorRT对训练好的模型进行优化。
3.根据权利要求1或2所述的铁路货车轮轮辋及踏面的破损识别方法，其特征在于，样本库中不仅包括采集到的图片，还包括对采集到的图片进行拉伸、旋转和镜像后的图片。
4.根据权利要求1或2所述的铁路货车轮轮辋及踏面的破损识别方法，其特征在于，在权重训练步骤中，Faster rcnn目标检测网络采用Inception v2预训练网络模型进行训练。
5.根据权利要求1或2所述的铁路货车轮轮辋及踏面的破损识别方法，其特征在于，图片采集步骤中，将所有检测图片的尺寸进行统一。
6.根据权利要求1或2所述的铁路货车轮轮辋及踏面的破损识别方法，其特征在于，对于每节有8个车轮的列车，将每节货车的车轮图像均融合成大小为(8,512,512,3)的矩阵。
CN201911272801.2A 2019-12-12 2019-12-12 铁路货车轮轮辋及踏面的破损识别方法 Pending CN111080614A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911272801.2A CN111080614A (zh) 2019-12-12 2019-12-12 铁路货车轮轮辋及踏面的破损识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911272801.2A CN111080614A (zh) 2019-12-12 2019-12-12 铁路货车轮轮辋及踏面的破损识别方法

Publications (1)

Publication Number Publication Date
CN111080614A true CN111080614A (zh) 2020-04-28

Family

ID=70314030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911272801.2A Pending CN111080614A (zh) 2019-12-12 2019-12-12 铁路货车轮轮辋及踏面的破损识别方法

Country Status (1)

Country Link
CN (1) CN111080614A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652094A (zh) * 2020-05-21 2020-09-11 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铁路平板车端板脱落故障图像识别方法
CN111652294A (zh) * 2020-05-21 2020-09-11 哈尔滨市科佳通用机电股份有限公司 铁路货车折叠式人力制动机轴脱落故障识别方法及系统
CN112330636A (zh) * 2020-11-06 2021-02-05 哈尔滨市科佳通用机电股份有限公司 基于图像处理的铁路货车车轮破损检测方法
CN112613560A (zh) * 2020-12-24 2021-04-06 哈尔滨市科佳通用机电股份有限公司 一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别方法
CN112785561A (zh) * 2021-01-07 2021-05-11 天津狮拓信息技术有限公司 一种基于改进Faster RCNN预测模型的二手商用车车况检测方法
CN114399504A (zh) * 2022-03-25 2022-04-26 济南大学 一种基于工业互联网的智能轮辋检测与跟踪方法及系统
CN115272287A (zh) * 2022-08-19 2022-11-01 哈尔滨市科佳通用机电股份有限公司 一种铁路货车缓冲器及从板故障检测方法、介质及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101587478A (zh) * 2008-05-20 2009-11-25 株式会社理光 图像训练、自动标注、检索方法及装置
CN103324940A (zh) * 2013-05-02 2013-09-25 广东工业大学 基于多示例多标签学习的皮肤病理图片特征识别方法
CN105118044A (zh) * 2015-06-16 2015-12-02 华南理工大学 一种轮形铸造产品缺陷自动检测方法
CN106274983A (zh) * 2016-08-31 2017-01-04 唐智科技湖南发展有限公司 一种识别轨道交通车轮轮辋裂纹故障的机理诊断方法
CN108121945A (zh) * 2017-11-14 2018-06-05 深圳市深网视界科技有限公司 一种多目标检测跟踪方法、电子设备及存储介质
US20190228276A1 (en) * 2018-01-19 2019-07-25 Arcules Inc. License plate reader using optical character recognition on plural detected regions
CN110162649A (zh) * 2019-05-24 2019-08-23 北京百度网讯科技有限公司 样本数据获取方法、获取系统、服务器和计算机可读介质
CN110245552A (zh) * 2019-04-29 2019-09-17 阿里巴巴集团控股有限公司 车损图像拍摄的交互处理方法、装置、设备及客户端

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101587478A (zh) * 2008-05-20 2009-11-25 株式会社理光 图像训练、自动标注、检索方法及装置
CN103324940A (zh) * 2013-05-02 2013-09-25 广东工业大学 基于多示例多标签学习的皮肤病理图片特征识别方法
CN105118044A (zh) * 2015-06-16 2015-12-02 华南理工大学 一种轮形铸造产品缺陷自动检测方法
CN106274983A (zh) * 2016-08-31 2017-01-04 唐智科技湖南发展有限公司 一种识别轨道交通车轮轮辋裂纹故障的机理诊断方法
CN108121945A (zh) * 2017-11-14 2018-06-05 深圳市深网视界科技有限公司 一种多目标检测跟踪方法、电子设备及存储介质
US20190228276A1 (en) * 2018-01-19 2019-07-25 Arcules Inc. License plate reader using optical character recognition on plural detected regions
CN110245552A (zh) * 2019-04-29 2019-09-17 阿里巴巴集团控股有限公司 车损图像拍摄的交互处理方法、装置、设备及客户端
CN110162649A (zh) * 2019-05-24 2019-08-23 北京百度网讯科技有限公司 样本数据获取方法、获取系统、服务器和计算机可读介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曾大为: "基于光电的轮对踏面缺陷检测关键技术研究", 《万方数据知识服务平台》 *
赵冰等: "基于深度学习的铁路关键部件缺陷检测研究", 《铁道学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652094A (zh) * 2020-05-21 2020-09-11 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铁路平板车端板脱落故障图像识别方法
CN111652294A (zh) * 2020-05-21 2020-09-11 哈尔滨市科佳通用机电股份有限公司 铁路货车折叠式人力制动机轴脱落故障识别方法及系统
CN111652294B (zh) * 2020-05-21 2021-05-07 哈尔滨市科佳通用机电股份有限公司 铁路货车折叠式人力制动机轴脱落故障识别方法及系统
CN112330636A (zh) * 2020-11-06 2021-02-05 哈尔滨市科佳通用机电股份有限公司 基于图像处理的铁路货车车轮破损检测方法
CN112330636B (zh) * 2020-11-06 2021-07-06 哈尔滨市科佳通用机电股份有限公司 基于图像处理的铁路货车车轮破损检测方法
CN112613560A (zh) * 2020-12-24 2021-04-06 哈尔滨市科佳通用机电股份有限公司 一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别方法
CN112785561A (zh) * 2021-01-07 2021-05-11 天津狮拓信息技术有限公司 一种基于改进Faster RCNN预测模型的二手商用车车况检测方法
CN114399504A (zh) * 2022-03-25 2022-04-26 济南大学 一种基于工业互联网的智能轮辋检测与跟踪方法及系统
CN115272287A (zh) * 2022-08-19 2022-11-01 哈尔滨市科佳通用机电股份有限公司 一种铁路货车缓冲器及从板故障检测方法、介质及系统

Similar Documents

Publication Publication Date Title
CN111080614A (zh) 铁路货车轮轮辋及踏面的破损识别方法
Liu et al. A review of applications of visual inspection technology based on image processing in the railway industry
CN111079819B (zh) 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
CN109300114A (zh) 高铁接触网支撑装置极小目标零部件顶紧缺失检测方法
CN111260629A (zh) 基于图像处理的受电弓结构异常检测算法
CN111079820B (zh) 一种基于图像识别的铁路货车防火板故障识别方法
CN111652295B (zh) 一种铁路货车钩尾销托梁脱落故障识别方法
CN113221839B (zh) 一种货车图像自动识别方法及识别系统
CN111080612B (zh) 一种货车轴承破损检测方法
CN111080607B (zh) 一种基于图像识别的滚动轴承甩油故障检测方法
CN111091551A (zh) 一种铁路货车制动梁支柱开口销丢失故障检测方法
US11087450B1 (en) Wheel matcher
CN113516629A (zh) Tfds通过作业智能检测系统
CN111080621B (zh) 一种铁路货车地板破损故障图像识别方法
CN115527170A (zh) 货车脱轨自动制动装置塞门手把关闭故障识别方法及系统
CN115424128A (zh) 一种货车转向架下拉杆故障图像检测方法及系统
Mohan et al. Yolo v2 with bifold skip: a deep learning model for video based real time train bogie part identification and defect detection
CN114549414A (zh) 一种针对轨道数据的异常变化检测方法及系统
CN112102280A (zh) 铁路货车小部件承挡键螺母松动和丢失故障检测方法
CN116188449B (zh) 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备
Hasanaath et al. Continuous and realtime road condition assessment using deep learning
CN113392695B (zh) 一种公路货车及其轮轴识别方法
US20230084761A1 (en) Automated identification of training data candidates for perception systems
CN111833323B (zh) 基于稀疏表示与svm的分任务铁路货车图像质量判断方法
Merainani et al. Toward the development of intelligent wayside hot bearings detector system: combining the thermal vision with the strength of yolo-v4

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