CN111127448A - 一种基于孤立森林检测空气弹簧故障的模型及方法 - Google Patents

一种基于孤立森林检测空气弹簧故障的模型及方法 Download PDF

Info

Publication number
CN111127448A
CN111127448A CN201911370389.8A CN201911370389A CN111127448A CN 111127448 A CN111127448 A CN 111127448A CN 201911370389 A CN201911370389 A CN 201911370389A CN 111127448 A CN111127448 A CN 111127448A
Authority
CN
China
Prior art keywords
air spring
image
small
training
model
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.)
Granted
Application number
CN201911370389.8A
Other languages
English (en)
Other versions
CN111127448B (zh
Inventor
黄德青
李书盼
秦娜
唐光民
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201911370389.8A priority Critical patent/CN111127448B/zh
Publication of CN111127448A publication Critical patent/CN111127448A/zh
Application granted granted Critical
Publication of CN111127448B publication Critical patent/CN111127448B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及轨道科学技术领域，具体涉及一种基于孤立森林检测空气弹簧故障的模型及方法，模型通过采集列车的空气弹簧图像信息，然后将图像尺寸归一化处理，并裁剪为额定数量的小图，灰度化处理，提取灰度化后每张小图的特征，然后进行PCA降维，再将提取的特征放入到孤立森林中进行训练；然后利用测试集判断训练好的模型的准确率大于96％，得到模型。本发明只学习正常样本的特征，不需要故障样本训练模型，有效解决了空气弹簧故障样本少的问题，同时本发明方法不会受光照、污渍等因素影响，可以自动学习空气弹簧的特征，不必人工干预，鲁棒性强，达到空气弹簧裂纹或鼓包等故障实时检测的技术效果。

Description

一种基于孤立森林检测空气弹簧故障的模型及方法
技术领域
本发明涉及轨道科学技术领域，具体涉及一种基于孤立森林检测空气弹簧故障的模型及方法。
背景技术
列车空气弹簧是将一种可压缩惰性气体充在一种可伸缩的密闭容器中，利用空气可压缩性实现其弹性作用。列车空气弹簧在列车减震方面有众多优点，在现代轨道交通车辆等领域应用广泛。然而在应用过程中，列车空气弹簧系统在经受风吹雨淋等外部因素和磨耗、破损、老化等内在因素的双重影响下，会产生一些故障，直接威胁到列车的正常运行，因此有必要对列车空气弹簧的常见故障进行诊断。
列车空气弹簧的故障诊断目前主要依靠人工检修，但是列车空气弹簧的故障类型多，常见的有气囊裂纹、磨损、鼓包等。人工检修需要经验丰富的检修员，成本高且劳动强度大，检修质量容易受个人情绪、责任心等因素影响，且检修速度慢，容易出现漏检的问题。
利用传统的图像处理方式，如灰度化、二值化等方法，对所识别图像的要求很高。当检测图像有水渍、光照等影响时，该方法很大可能检测不出故障。并且，传统的图像处理方法很多都需要设定阈值，当阈值设定时，在后续检测时几乎不可能修改，因此传统的图像处理方法对于列车空气弹簧的故障检测来说，鲁棒性很差。现如今，随着人工智能的发展，很多基于图像的故障检测方法都是利用深度学习来完成，其识别速度快，准确率高。然而，利用深度学习的方法意味着需要大量的正样本和负样本，这对于基于图像的列车故障检测来说，很难实现，尤其是获取负样本更是难上加难。
列车的空气弹簧出现故障，将会导致严重的后果，不仅仅是金钱上的损失，更是对生命的威胁。考虑到列车检修是在室外，会受到天气，光照等的影响，以及列车空气弹簧负样本的难获取问题，本发明提供一种基于HOG特征和孤立森林的列车空气弹簧故障检测方法，解决已有算法鲁棒性差，以及现实中负样本少的问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于孤立森林检测空气弹簧故障的模型及方法，针对列车空气弹簧故障样本少的特点，选择异常检测的算法进行诊断，只学习正常样本的特征，不需要故障样本训练模型，即本发明有效解决了故障样本少或者没有的故障样本的问题，不必耗费人力物力制造故障样本；相比于现有技术列车部件故障诊断的图像处理方法，本发明方法不会受光照、污渍等因素影响，而基于HOG特征和孤立森林的列车空气弹簧故障诊断方法可以自动学习空气弹簧的特征，不必人工干预，鲁棒性强，达到空气弹簧裂纹或鼓包等故障实时检测的技术效果。
本发明的目的是通过以下技术方案来实现的：
一种基于孤立森林检测空气弹簧故障的方法，包括模型建立训练和故障检测，所述模型建立训练具体包括以下步骤，
S1.在一固定点位采集列车的空气弹簧图像信息；
S2.对采集到的空气弹簧图像进行图像尺寸归一化处理；
S3.利用滑动窗口法将归一化后的空气弹簧图像截取为额定数量的小图，然后对每一张小图进行灰度化处理；
S4.利用HOG算法提取灰度化后每张小图的特征，并利用PCA算法进行降维；
S5.将步骤S4提取的特征放入到孤立森林中进行训练，设置孤立树的棵数为100，每次抽样数量为256；训练中选用的小图，来源于空气弹簧正常的空气弹簧图像；
S6.利用测试集判断训练好的模型的准确率，测试集中的小图来源包括空气弹簧正常和空气弹簧异常的空气弹簧图像，若准确率大于96％，则停止训练，否则重复步骤S1～S5；
所述故障检测具体包括以下步骤，
S1.通过模型建立训练中的固定点位采集列车的空气弹簧图像信息；
S2.对采集到的空气弹簧图像进行图像尺寸归一化处理；
S3.利用滑动窗口法将归一化后的空气弹簧图像截取为额定数量的小图，然后对每一张小图进行灰度化处理；
S4.利用HOG算法提取灰度化后每张小图的特征，并利用PCA算法进行降维；
S5.将步骤S4提取到的特征输入到训练好的孤立森林模型中，得到每张小图的异常分数，若所有小图的异常分数都高不小于-0.07，则该空气弹簧没有故障，否则，该空气弹簧有故障。
进一步地，在模型建立训练和故障检测的S2中，图像尺寸归一化处理为890像素点×320像素点。
进一步地，在模型建立训练和故障检测的S3中，利用滑动窗口法将归一化后的空气弹簧图像截取为52张小图。通过滑动窗口法将归一化后的空气弹簧图像裁剪为4*13，共计52张小图，滑动窗口法的步长为64个像素点，即左右相邻的两张小图部分内容重合；若裁剪至边缘，图片的长度不够128个像素点时，裁剪窗口会向后退一些，使得位于边缘的这张小图的大小为128像素点×128像素点。
进一步地，每张小图尺寸为128像素点×128像素点。
进一步地，在模型建立训练和故障检测的S4中，利用HOG算法提取灰度化后每张小图的特征，所述特征包括空气弹簧正常、空气弹簧鼓包和空气弹簧裂纹。
进一步地，在模型建立训练和故障检测的步骤S4中，利用PCA算法进行降维，保留原特征95％的信息。
进一步地，在模型建立训练和故障检测的S1中，空气弹簧图像信息的采集是先通过采集列车的图像，然后通过相对坐标定位的方式将空气弹簧图像信息从列车的图像中截取出来。
进一步地，所述图像尺寸归一化处理的尺寸不小于从列车图像中截取的空气弹簧图像的最小尺寸。
进一步地，通过高速相机拍摄列车进入检修场地的图片，采集列车的图像。优选地，通过在列车两端架设高速相机，通过高速相机拍摄列车进入检修场地的图片，采集列车的图像。
进一步地，在模型建立训练的过程中，从归一化的空气弹簧图像信息中选取80张空气弹簧正常的空气弹簧图像信息作为训练集，所述训练集用于步骤S5训练使用；从归一化的空气弹簧图像信息中选取20张空气弹簧正常的空气弹簧图像信息和10张空气弹簧异常的空气弹簧图像信息作为测试集，所述测试集用于步骤S6测试模型的准确率。
进一步地，在训练集中，将每张空气弹簧图像信息通过滑动窗口法裁剪为52张小图，共计4160张小图，并对每一张小图依次进行灰度化处理、HOG算法提取特征和PCA降维，而在每次训练中随机选取2000张小图进行训练。
进一步地，在测试集中，将每张空气弹簧图像信息通过滑动窗口法裁剪为52张小图，共计1560张小图，并对每一张小图依次进行灰度化处理、HOG算法提取特征和PCA降维，而在每次测试中将所有小图进行测试。
一种基于孤立森林检测空气弹簧故障的模型，通过包括以下步骤的方法训练建立，
S1.在一固定点位采集列车的空气弹簧图像信息；
S2.对采集到的空气弹簧图像进行图像尺寸归一化处理；
S3.利用滑动窗口法将归一化后的空气弹簧图像截取为额定数量的小图，然后对每一张小图进行灰度化处理；
S4.利用HOG算法提取灰度化后每张小图的特征，并利用PCA算法进行降维；
S5.将步骤S4提取的特征放入到孤立森林中进行训练，设置孤立树的棵数为100，每次抽样数量为256；训练中选用的小图，来源于空气弹簧正常的空气弹簧图像；
S6.利用测试集判断训练好的模型的准确率，测试集中的小图来源包括空气弹簧正常和空气弹簧异常的空气弹簧图像，若准确率大于96％，则停止训练，否则重复步骤S1～S5。
进一步地，在模型建立训练的过程中，从归一化的空气弹簧图像信息中选取80张空气弹簧正常的空气弹簧图像信息作为训练集，所述训练集用于步骤S5训练使用；从归一化的空气弹簧图像信息中选取20张空气弹簧正常的空气弹簧图像信息和10张空气弹簧异常的空气弹簧图像信息作为测试集，所述测试集用于步骤S6测试模型的准确率。
进一步地，在训练集中，将每张空气弹簧图像信息通过滑动窗口法裁剪为52张小图，共计4160张小图，并对每一张小图依次进行灰度化处理、HOG算法提取特征和PCA降维，而在每次训练中随机选取2000张小图进行训练。
进一步地，在测试集中，将每张空气弹簧图像信息通过滑动窗口法裁剪为52张小图，共计1560张小图，并对每一张小图依次进行灰度化处理、HOG算法提取特征和PCA降维，而在每次测试中将所有小图进行测试。
本发明的有益效果是：本发明针对列车空气弹簧故障样本少的特点，选择异常检测的算法进行诊断，只学习正常样本的特征，不需要故障样本训练模型，即本发明有效解决了故障样本少或者没有的故障样本的问题，不必耗费人力物力制造故障样本；相比于现有技术列车部件故障诊断的图像处理方法，本发明方法不会受光照、污渍等因素影响，而基于HOG特征和孤立森林的列车空气弹簧故障诊断方法可以自动学习空气弹簧的特征，不必人工干预，鲁棒性强，达到空气弹簧裂纹或鼓包等故障实时检测的技术效果。
附图说明
图1为本发明模型训练建立的流程图；
图2为本发明故障检测的流程图；
图3为高速相机采集列车图像的位置图；
图4为通过相对坐标定位截取空气弹簧图像信息的示意图；
图5为归一化处理后正常样本空气弹簧图及其HOG特征图；
图6为归一化处理后裂纹负样本空气弹簧图及其HOG特征图；
图7为归一化处理后鼓包负样本空气弹簧图及其HOG特征图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
实施例
一种基于孤立森林检测空气弹簧故障的模型，如图1所示，通过包括以下步骤的方法训练建立，
S1.在一固定点位采集列车的空气弹簧图像信息；
S2.对采集到的空气弹簧图像进行图像尺寸归一化处理；
S3.利用滑动窗口法将归一化后的空气弹簧图像截取为额定数量的小图，然后对每一张小图进行灰度化处理；
S4.利用HOG算法提取灰度化后每张小图的特征，并利用PCA算法进行降维；
S5.从归一化的空气弹簧图像信息中选取空气弹簧正常的空气弹簧图像信息作为训练集，将从训练集的小图中提取的特征放入到孤立森林中进行训练，设置孤立树的棵数为100，每次抽样数量为256；
S6.利用测试集判断训练好的模型的准确率，若准确率大于96％，则停止训练，得到训练好的孤立森林模型，否则重复步骤S1～S5。
具体地，在模型建立训练的过程中，从归一化的空气弹簧图像信息中选取80张空气弹簧正常的空气弹簧图像信息作为训练集，所述训练集用于步骤S5训练使用；从归一化的空气弹簧图像信息中选取20张空气弹簧正常的空气弹簧图像信息和10张空气弹簧异常的空气弹簧图像信息作为测试集，所述测试集用于步骤S6测试模型的准确率。
具体地，在训练集中，将每张空气弹簧图像信息通过滑动窗口法裁剪为52张小图，共计4160张小图，并对每一张小图依次进行灰度化处理、HOG算法提取特征和PCA降维，而在每次训练中随机选取2000张小图进行训练。
具体地，在测试集中，将每张空气弹簧图像信息通过滑动窗口法裁剪为52张小图，共计1560张小图，并对每一张小图依次进行灰度化处理、HOG算法提取特征和PCA降维，而在每次测试中将所有小图进行测试。
一种基于孤立森林检测空气弹簧故障的方法，基于上述孤立森林模型进行故障检测，如图2所示，所述故障检测具体包括以下步骤，
S1.通过模型建立训练中的固定点位采集列车的空气弹簧图像信息；
S2.对采集到的空气弹簧图像进行图像尺寸归一化处理；
S3.利用滑动窗口法将归一化后的空气弹簧图像截取为额定数量的小图，然后对每一张小图进行灰度化处理；
S4.利用HOG算法提取灰度化后每张小图的特征，并利用PCA算法进行降维；
S5.将步骤S4提取到的特征输入到训练好的孤立森林模型中，得到每张小图的异常分数，若所有小图的异常分数都不小于-0.07，则该空气弹簧没有故障，否则，该空气弹簧有故障。
具体地，在模型建立训练和故障检测的S2中，图像尺寸归一化处理为890像素点×320像素点。
具体地，在模型建立训练和故障检测的S3中，利用滑动窗口法将归一化后的空气弹簧图像截取为52张小图。通过滑动窗口法将归一化后的空气弹簧图像裁剪为4*13，共计52张小图，滑动窗口法的步长为64个像素点，即左右相邻的两张小图部分内容重合；若裁剪至边缘，图片的长度不够128个像素点时，裁剪窗口会向后退一些，使得位于边缘的这张小图的大小为128像素点×128像素点。
具体地，每张小图尺寸为128像素点×128像素点。
具体地，在模型建立训练和故障检测的S4中，利用HOG算法提取灰度化后每张小图的特征，所述特征包括空气弹簧正常、空气弹簧鼓包和空气弹簧裂纹。
具体地，在模型建立训练和故障检测的步骤S4中，利用PCA算法进行降维，保留原特征95％的信息。
具体地，在模型建立训练和故障检测的S1中，空气弹簧图像信息的采集是先通过采集列车的图像，然后通过相对坐标定位的方式将空气弹簧图像信息从列车的图像中截取出来。
具体地，所述图像尺寸归一化处理的尺寸不小于从列车图像中截取的空气弹簧图像的最小尺寸。
具体地，通过高速相机拍摄列车进入检修场地的图片，采集列车的图像。优选地，通过在列车两端架设高速相机，通过高速相机拍摄列车进入检修场地的图片，采集列车的图像。
试验例
如图3所示，通过在列车两端架设高速相机，拍摄列车进入检修场地的图片，采集列车的图像，然后通过相对坐标定位的方式将空气弹簧图像信息从列车的图像中截取出来(如图4所示)，对采集到的空气弹簧图像进行图像尺寸归一化处理为890像素点×320像素点，即图片长为890个像素点，高为320个像素点，考虑到空气弹簧的故障相对于空气弹簧整体来说，比较小，通过滑动窗口法将归一化后的空气弹簧图像裁剪为4*13，共计52张小图，滑动窗口法的步长为64个像素点，即左右相邻的两张小图部分内容重合；若裁剪至边缘，图片的长度不够128个像素点时，裁剪窗口会向后退一些，使得位于边缘的这张小图的大小为128像素点×128像素点；并对小图进行灰度化处理；然后提取灰度化处理后小图的HOG特征，并通过PCA降维，保留前95％的信息；然后将所有来源于空气弹簧正常的空气弹簧图像的小图的特征放到孤立森林中进行训练，利用测试集判断训练好的模型的准确率，若准确率大于96％，则停止训练，得到训练好的孤立森林模型；
在每次进行列车空气弹簧的故障诊断时，在同一点位采集并提取的待检测列车空气弹簧的图像信息，归一化处理为890像素点×320像素点，再利用滑动窗口裁剪为4*13，共计52张小图，然后灰度化处理，提取HOG特征并进行PCA降维，最后将得到的特征数据喂入训练好的孤立森林进行检测；如图5～7所示，图5为归一化处理后正常样本空气弹簧图及其HOG特征图，图6为归一化处理后裂纹负样本空气弹簧图及其HOG特征图，图7为归一化处理后鼓包负样本空气弹簧图及其HOG特征图，利用孤立森林检测时，会得到每张小图的异常分数，设置异常分数小于-0.07的为异常图片，大于-0.07的图片为正常图片，图5裁剪后所有小图特征数据得到的异常分数大于-0.07，而图6和图7裁剪后部分小图得到的异常分数小于-0.07，则判定图5的空气弹簧图片为正常，而图6和图7的空气弹簧出现异常。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (10)

1.一种基于孤立森林检测空气弹簧故障的方法，其特征在于，包括模型建立训练和故障检测，所述模型建立训练具体包括以下步骤，
S1.在一固定点位采集列车的空气弹簧图像信息；
S2.对采集到的空气弹簧图像进行图像尺寸归一化处理；
S3.利用滑动窗口法将归一化后的空气弹簧图像截取为额定数量的小图，然后对每一张小图进行灰度化处理；
S4.利用HOG算法提取灰度化后每张小图的特征，并利用PCA算法进行降维；
S5.将步骤S4提取的特征放入到孤立森林中进行训练，设置孤立树的棵数为100，每次抽样数量为256；训练中选用的小图，来源于空气弹簧正常的空气弹簧图像；
S6.利用测试集判断训练好的模型的准确率，测试集中的小图来源包括空气弹簧正常和空气弹簧异常的空气弹簧图像，若准确率大于96％，则停止训练，否则重复步骤S1～S5；
所述故障检测具体包括以下步骤，
S1.通过模型建立训练中的固定点位采集列车的空气弹簧图像信息；
S2.对采集到的空气弹簧图像进行图像尺寸归一化处理；
S3.利用滑动窗口法将归一化后的空气弹簧图像截取为额定数量的小图，然后对每一张小图进行灰度化处理；
S4.利用HOG算法提取灰度化后每张小图的特征，并利用PCA算法进行降维；
S5.将步骤S4提取到的特征输入到训练好的孤立森林模型中，得到每张小图的异常分数，若所有小图的异常分数都不小于于-0.07，则该空气弹簧没有故障，否则，该空气弹簧有故障。
2.根据权利要求1所述的一种基于孤立森林检测空气弹簧故障的方法，其特征在于，在模型建立训练和故障检测的S2中，图像尺寸归一化处理为890像素点×320像素点。
3.根据权利要求1所述的一种基于孤立森林检测空气弹簧故障的方法，其特征在于，在模型建立训练和故障检测的S3中，利用滑动窗口法将归一化后的空气弹簧图像截取为52张小图。
4.根据权利要求3所述的一种基于孤立森林检测空气弹簧故障的方法，其特征在于，每张小图尺寸为128像素点×128像素点。
5.根据权利要求1所述的一种基于孤立森林检测空气弹簧故障的方法，其特征在于，在模型建立训练和故障检测的S4中，利用HOG算法提取灰度化后每张小图的特征，所述特征包括空气弹簧正常、空气弹簧鼓包和空气弹簧裂纹。
6.根据权利要求1所述的一种基于孤立森林检测空气弹簧故障的方法，其特征在于，在模型建立训练和故障检测的步骤S4中，利用PCA算法进行降维，保留原特征95％的信息。
7.根据权利要求1所述的一种基于孤立森林检测空气弹簧故障的方法，其特征在于，在模型建立训练和故障检测的S1中，空气弹簧图像信息的采集是先通过采集列车的图像，然后通过相对坐标定位的方式将空气弹簧图像信息从列车的图像中截取出来。
8.根据权利要求7所述的一种基于孤立森林检测空气弹簧故障的方法，其特征在于，所述图像尺寸归一化处理的尺寸不小于从列车图像中截取的空气弹簧图像的最小尺寸。
9.根据权利要求1所述的一种基于孤立森林检测空气弹簧故障的方法，其特征在于，在模型建立训练的过程中，从归一化的空气弹簧图像信息中选取80张空气弹簧正常的空气弹簧图像信息作为训练集，所述训练集用于步骤S5训练使用；从归一化的空气弹簧图像信息中选取20张空气弹簧正常的空气弹簧图像信息和10张空气弹簧异常的空气弹簧图像信息作为测试集，所述测试集用于步骤S6测试模型的准确率。
10.一种基于孤立森林检测空气弹簧故障的模型，其特征在于，通过包括以下步骤的方法训练建立，
S1.在一固定点位采集列车的空气弹簧图像信息；
S2.对采集到的空气弹簧图像进行图像尺寸归一化处理；
S3.利用滑动窗口法将归一化后的空气弹簧图像截取为额定数量的小图，然后对每一张小图进行灰度化处理；
S4.利用HOG算法提取灰度化后每张小图的特征，并利用PCA算法进行降维；
S5.将步骤S4提取的特征放入到孤立森林中进行训练，设置孤立树的棵数为100，每次抽样数量为256；训练中选用的小图，来源于空气弹簧正常的空气弹簧图像；
S6.利用测试集判断训练好的模型的准确率，测试集中的小图来源包括空气弹簧正常和空气弹簧异常的空气弹簧图像，若准确率大于96％，则停止训练，否则重复步骤S1～S5。
CN201911370389.8A 2019-12-26 2019-12-26 一种基于孤立森林检测空气弹簧故障的方法 Active CN111127448B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911370389.8A CN111127448B (zh) 2019-12-26 2019-12-26 一种基于孤立森林检测空气弹簧故障的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911370389.8A CN111127448B (zh) 2019-12-26 2019-12-26 一种基于孤立森林检测空气弹簧故障的方法

Publications (2)

Publication Number Publication Date
CN111127448A true CN111127448A (zh) 2020-05-08
CN111127448B CN111127448B (zh) 2022-05-10

Family

ID=70503458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911370389.8A Active CN111127448B (zh) 2019-12-26 2019-12-26 一种基于孤立森林检测空气弹簧故障的方法

Country Status (1)

Country Link
CN (1) CN111127448B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819765A (zh) * 2021-01-25 2021-05-18 西南交通大学 一种肝脏图像处理方法
CN112990314A (zh) * 2021-03-16 2021-06-18 中国科学院长春光学精密机械与物理研究所 基于改进孤立森林算法的高光谱图像异常检测方法及装置
CN113011325A (zh) * 2021-03-18 2021-06-22 重庆交通大学 一种基于孤立森林算法的堆垛机轨道损伤定位方法
CN113139572A (zh) * 2021-03-09 2021-07-20 西南交通大学 一种基于图像的列车空气弹簧的故障检测方法
CN114219999A (zh) * 2021-11-05 2022-03-22 华南理工大学 结构外挂装饰板防脱落机器视觉自动监测方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130274966A1 (en) * 2012-04-13 2013-10-17 Lsis Co., Ltd. Load compensating device in railway vehicles
CN106021789A (zh) * 2016-06-01 2016-10-12 北京交通大学 基于模糊智能的轨道车辆悬挂系统故障分类方法及系统
CN106570857A (zh) * 2016-09-11 2017-04-19 西南交通大学 一种基于hog特征的高铁接触网斜拉线固定钩螺帽脱落不良状态的检测方法
CN107992800A (zh) * 2017-11-10 2018-05-04 杭州晟元数据安全技术股份有限公司 一种基于svm和随机森林的指纹图像质量判断方法
CN108152059A (zh) * 2017-12-20 2018-06-12 西南交通大学 基于多传感器数据融合的高速列车转向架故障检测方法
CN109255344A (zh) * 2018-08-15 2019-01-22 华中科技大学 一种基于机器视觉的数显式仪表定位与读数识别方法
CN109506963A (zh) * 2018-11-29 2019-03-22 中南大学 一种智能列车牵引故障大数据异常检测辨识方法
US20190092428A1 (en) * 2013-02-28 2019-03-28 Thomas W. Melcher Snowmobile with Leaning Capability and Improvements Therefor
CN109641602A (zh) * 2017-07-14 2019-04-16 株式会社东芝 异常检测设备、异常检测方法和非临时性计算机可读介质
CN110186375A (zh) * 2019-06-06 2019-08-30 西南交通大学 智能化高铁白车身焊接装配特征检测装置及检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130274966A1 (en) * 2012-04-13 2013-10-17 Lsis Co., Ltd. Load compensating device in railway vehicles
US20190092428A1 (en) * 2013-02-28 2019-03-28 Thomas W. Melcher Snowmobile with Leaning Capability and Improvements Therefor
CN106021789A (zh) * 2016-06-01 2016-10-12 北京交通大学 基于模糊智能的轨道车辆悬挂系统故障分类方法及系统
CN106570857A (zh) * 2016-09-11 2017-04-19 西南交通大学 一种基于hog特征的高铁接触网斜拉线固定钩螺帽脱落不良状态的检测方法
CN109641602A (zh) * 2017-07-14 2019-04-16 株式会社东芝 异常检测设备、异常检测方法和非临时性计算机可读介质
CN107992800A (zh) * 2017-11-10 2018-05-04 杭州晟元数据安全技术股份有限公司 一种基于svm和随机森林的指纹图像质量判断方法
CN108152059A (zh) * 2017-12-20 2018-06-12 西南交通大学 基于多传感器数据融合的高速列车转向架故障检测方法
CN109255344A (zh) * 2018-08-15 2019-01-22 华中科技大学 一种基于机器视觉的数显式仪表定位与读数识别方法
CN109506963A (zh) * 2018-11-29 2019-03-22 中南大学 一种智能列车牵引故障大数据异常检测辨识方法
CN110186375A (zh) * 2019-06-06 2019-08-30 西南交通大学 智能化高铁白车身焊接装配特征检测装置及检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KAIWEI LIANG 等: "1D Convolutional Neural Networks For Fault Diagnosis of High-speed Train Bogie", 《2018 IEEE 23RD INTERNATIONAL CONFERENCE ON DIGITAL SIGNAL PROCESSING (DSP)》 *
唐道超: "高速列车转向架故障诊断的评估方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *
秦娜 等: "基于EEMD排列熵的高速列车转向架故障特征分析", 《振动.测试与诊断》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819765A (zh) * 2021-01-25 2021-05-18 西南交通大学 一种肝脏图像处理方法
CN113139572A (zh) * 2021-03-09 2021-07-20 西南交通大学 一种基于图像的列车空气弹簧的故障检测方法
CN112990314A (zh) * 2021-03-16 2021-06-18 中国科学院长春光学精密机械与物理研究所 基于改进孤立森林算法的高光谱图像异常检测方法及装置
CN112990314B (zh) * 2021-03-16 2023-04-18 中国科学院长春光学精密机械与物理研究所 基于改进孤立森林算法的高光谱图像异常检测方法及装置
CN113011325A (zh) * 2021-03-18 2021-06-22 重庆交通大学 一种基于孤立森林算法的堆垛机轨道损伤定位方法
CN113011325B (zh) * 2021-03-18 2022-05-03 重庆交通大学 一种基于孤立森林算法的堆垛机轨道损伤定位方法
CN114219999A (zh) * 2021-11-05 2022-03-22 华南理工大学 结构外挂装饰板防脱落机器视觉自动监测方法及系统
CN114219999B (zh) * 2021-11-05 2024-03-19 华南理工大学 结构外挂装饰板防脱落机器视觉自动监测方法及系统

Also Published As

Publication number Publication date
CN111127448B (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN111127448B (zh) 一种基于孤立森林检测空气弹簧故障的方法
CN111080598B (zh) 一种钩尾销安全吊的螺栓、螺母缺失检测方法
CN108009591B (zh) 一种基于深度学习的接触网关键部件识别方法
CN111797890A (zh) 一种用于检测输电线路设备缺陷的方法及系统
CN105044122A (zh) 一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法
CN104268505A (zh) 基于机器视觉的布匹疵点自动检测识别装置及方法
CN103207186A (zh) 自动验布机疵点检测识别方法及其系统
CN111127399A (zh) 一种基于深度学习与声呐成像的水下桥墩病害识别方法
CN113139572B (zh) 一种基于图像的列车空气弹簧的故障检测方法
CN108009574B (zh) 一种轨道扣件检测方法
CN113777030A (zh) 一种基于机器视觉的布料表面缺陷检测装置及方法
CN104483320A (zh) 工业脱硝催化剂的数字化缺陷检测装置与检测方法
CN109946304A (zh) 基于特征匹配的零件表面缺陷在线检测系统及检测方法
CN111899216A (zh) 一种高铁接触网绝缘子紧固件的异常检测方法
CN114445397A (zh) 一种基于浅层神经网络的带钢缺陷检测方法
CN108508023B (zh) 一种铁路接触网中接触端部顶紧螺栓的缺陷检测系统
CN113298077A (zh) 一种基于深度学习的变电站异物识别定位方法及装置
CN113487563B (zh) 一种基于el图像的光伏组件隐裂自适应检测方法
CN110618129A (zh) 一种电网线夹自动检测与缺陷识别方法及装置
CN111028250A (zh) 一种实时智能验布方法及系统
CN115937555A (zh) 一种基于标准化流模型的工业缺陷检测算法
CN112907524B (zh) 基于图像处理的铁路货车防火板故障检测方法
CN110070520B (zh) 基于深度神经网络的路面裂缝检测模型构建及检测方法
CN112614097B (zh) 铁路火车轴箱转臂异物检测方法
CN111626323A (zh) 一种基于深度学习的电表状态检测和评估方法

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