CN111539915A - 火车机车机感吊架故障检测方法 - Google Patents

火车机车机感吊架故障检测方法 Download PDF

Info

Publication number
CN111539915A
CN111539915A CN202010260365.3A CN202010260365A CN111539915A CN 111539915 A CN111539915 A CN 111539915A CN 202010260365 A CN202010260365 A CN 202010260365A CN 111539915 A CN111539915 A CN 111539915A
Authority
CN
China
Prior art keywords
hanger
fault
locomotive
image
network 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.)
Pending
Application number
CN202010260365.3A
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 CN202010260365.3A priority Critical patent/CN111539915A/zh
Publication of CN111539915A publication Critical patent/CN111539915A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Image Analysis (AREA)

Abstract

火车机车机感吊架故障检测方法，属于机车故障检测领域。解决了如何提高火车机车机感吊架故障故障检测的准确率和效率的问题。本发明首先建立训练用的样本数据集，再利用Faster‑rcnn目标检测网络模型对样本数据集进行特征提取，从而获得加载有权重系数的Faster‑rcnn目标检测网络模型；然后，使用tensorRT网络模型对加载有权重系数的Faster‑rcnn目标检测网络模型进行优化，获得优化后的训练模型；利用双目立体成像原理采集火车机车运行中机感吊架图像，将该采集的机感吊架图像作为待识别图像输入至优化后的训练模型中，进行故障类别预测。主要用于对机车吊架故障进行检测。

Description

火车机车机感吊架故障检测方法
技术领域
本发明属于机车故障检测领域。
背景技术
目前货车故障检测，一般采用人工排查的方式进行故障检修。由检测作业受作业人员的业务素质、责任心、劳动强度等因素影响较大，容易发生漏检或简化作业等情况。人工检测工作效率低，一旦出现作业质量问题，不利于查找作业过程中产生问题的原因和问题发生的时间。
机感吊架安装在火车机车底部，在行进过程中，位于铁轨上方，无法在部件正下方安装相机拍摄其图像，因此，必须由双侧线阵相机分别拍摄其两侧图像，再根据双目视觉原理进行空间坐标系变化，可精确定位机感吊架位置，获得机感吊架完整图像。
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。深度学习广泛应用在图像处理领域，相对与传统方式深度学习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。因此，如何提高机感吊架故障故障检测的准确率和效率亟需解决。
发明内容
本发明是为了解决如何提高火车机车机感吊架故障故障检测的准确率和效率的问题，本发明提供了一种火车机车机感吊架故障检测方法。
火车机车机感吊架故障检测方法，包括如下步骤：
步骤一、建立训练用的样本数据集，样本数据集包括机感吊架故障图像样本和机感吊架非故障图像样本，对每个图像样本中的机感吊架进行区域划分，并对各区域进行标记，对每个标记的区域配置类别标签，所述类别标签包括区域名称和故障类别；
步骤二、利用Faster-rcnn目标检测网络模型对样本数据集进行特征提取，获得所有图像样本的特征图，利用RPN网络对所有图像样本的特征图进行处理生成检测建议框，根据检测建议框提取建议特征，根据建议特征及类别标签获得分类的权重系数，从而获得加载有权重系数的Faster-rcnn目标检测网络模型；
步骤三、使用tensorRT网络模型对加载有权重系数的Faster-rcnn目标检测网络模型进行优化，获得优化后的训练模型；
步骤四、利用双目立体成像原理采集火车机车运行中机感吊架图像，将该采集的机感吊架图像作为待识别图像输入至优化后的训练模型中，进行故障类别预测，从而获得所检测的机感吊架各区域是否存故障及故障类别。
优选的是，步骤一中，机感吊架所划分的区域包括吊架表面区域、螺母区域和螺栓区域。
优选的是，步骤二中，Faster-rcnn目标检测网络模型采用VGG-19网络结构实现。
原理分析：具体应用时，在货车轨道两侧安装高清成像设备，货车经过设备安装位置后，获取双侧图像，根据双目视觉原理计算机感吊架空间信息，进一步进行图像拼接得到吊架完成图像，利用深度学习网络模型Faster-rcnn，检测采集的图像中机感吊架的各区域故障信息从而完成故障检测。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。
本发明带来的有益效果是，
1、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。
2、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。
3、深度学习Faster-rcnn目标检测网络模型进行训练后，训练后采用tensorRT网络模型对训练后的模型进行优化，提高训练后的模型的运行速度，既保证了预测的准确率，又保证了其运行效率。
具体实施方式
下面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做出创造性劳动的前提下所获得的所有其它实施例，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。
本实施方式所述的火车机车机感吊架故障检测方法，包括如下步骤：
步骤一、建立训练用的样本数据集，样本数据集包括机感吊架故障图像样本和机感吊架非故障图像样本，对每个图像样本中的机感吊架进行区域划分，并对各区域进行标记，对每个标记的区域配置类别标签，所述类别标签包括区域名称和故障类别；
步骤二、利用Faster-rcnn目标检测网络模型对样本数据集进行特征提取，获得所有图像样本的特征图，利用RPN网络对所有图像样本的特征图进行处理生成检测建议框，根据检测建议框提取建议特征，根据建议特征及类别标签获得分类的权重系数，从而获得加载有权重系数的Faster-rcnn目标检测网络模型；
步骤三、使用tensorRT网络模型对加载有权重系数的Faster-rcnn目标检测网络模型进行优化，获得优化后的训练模型；
步骤四、利用双目立体成像原理采集火车机车运行中机感吊架图像，将该采集的机感吊架图像作为待识别图像输入至优化后的训练模型中，进行故障类别预测，从而获得所检测的机感吊架各区域是否存故障及故障类别。
本实施方式中，训练用的样本数据集中包括机感吊架故障图像样本和机感吊架非故障图像样本，样本集在建立的过程中，可将不同地点、不同时间、不同车型及不同天气条件下拍摄的图像收集到样本数据集中，收集的图像包括真实故障图像和正常的非故障图像，为了更加丰富样本种类和数量，可进一步的将收集的图像进行拉伸、旋转及镜像等变换，扩增现有数据集合。收集不同条件下拍摄的机感吊架图像有利于丰富样本数据，增加训练结果的鲁棒性和适应性。
本实施方式中，利用双目立体成像原理采集火车机车运行中机感吊架图像可通过现有技术实现，具体应用时，先将高清线阵相机设备安装在轨道周围，利用双目立体成像方法对机感吊架进行空间定位，获取其三维几何信息，并合并部件左右侧图像，得到机感吊架完整图像。
由于，机感吊架需要检测的面积较大，而机感吊架出现的故障如螺母脱落、表面裂缝等一般较小。因此，采用深度学习Faster-rcnn目标检测网络模型检测机感吊架图像中是否存故障。相对于SSD和yolo等目标检测网络，Faster-rcnn目标检测网络模型有更高的准确率和识别精度。由于Faster-rcnn目标检测网络模型在预测图像过程中效率偏低，因此，采用tensorRT网络模型对Faster-rcnn目标检测网络模型的预测过程进行加速，提高网络的预测速度。
本发明所述的火车机车机感吊架故障检测方法，具体应用时，在货车轨道两侧安装高清成像设备，货车经过设备安装位置后，获取双侧图像，根据双目视觉原理得到机感吊架完整图像，对深度学习Faster-rcnn目标检测网络模型进行训练，训练后采用tensorRT网络模型对训练后的模型进行优化，提高训练后的模型的运行速度，利用优化后的训练模型检测采集的图像中机感吊架的各区域故障信息从而完成故障检测，提高检测精度，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。
进一步的，步骤一中，机感吊架所划分的区域包括吊架表面区域、螺母区域和螺栓区域。上述三个区域为重点的检测区域，本发明在具体应用时，可进一步划分出多个区域，可对不同区域进行检测。
更近一步的，步骤二中，Faster-rcnn目标检测网络模型采用VGG-19网络结构实现。
由于机感吊架图像尺寸较大，为了保留表面裂纹及螺母丢失的特征，无法将图形进行缩小，因此，本实施方式中采用VGG-19网络结构对图像进行特征提取，可以保留机感吊架表面裂纹及螺母丢失的特征，提高故障检测的准确性。
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，并且可以设计出其它的布置，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它所述实施例。

Claims (3)

1.火车机车机感吊架故障检测方法，其特征在于，包括如下步骤：
步骤一、建立训练用的样本数据集，样本数据集包括机感吊架故障图像样本和机感吊架非故障图像样本，对每个图像样本中的机感吊架进行区域划分，并对各区域进行标记，对每个标记的区域配置类别标签，所述类别标签包括区域名称和故障类别；
步骤二、利用Faster-rcnn目标检测网络模型对样本数据集进行特征提取，获得所有图像样本的特征图，利用RPN网络对所有图像样本的特征图进行处理生成检测建议框，根据检测建议框提取建议特征，根据建议特征及类别标签获得分类的权重系数，从而获得加载有权重系数的Faster-rcnn目标检测网络模型；
步骤三、使用tensorRT网络模型对加载有权重系数的Faster-rcnn目标检测网络模型进行优化，获得优化后的训练模型；
步骤四、利用双目立体成像原理采集火车机车运行中机感吊架图像，将该采集的机感吊架图像作为待识别图像输入至优化后的训练模型中，进行故障类别预测，从而获得所检测的机感吊架各区域是否存故障及故障类别。
2.根据权利要求1所述的火车机车机感吊架故障检测方法，其特征在于，步骤一中，机感吊架所划分的区域包括吊架表面区域、螺母区域和螺栓区域。
3.根据权利要求1所述的火车机车机感吊架故障检测方法，其特征在于，步骤二中，Faster-rcnn目标检测网络模型采用VGG-19网络结构实现。
CN202010260365.3A 2020-04-03 2020-04-03 火车机车机感吊架故障检测方法 Pending CN111539915A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010260365.3A CN111539915A (zh) 2020-04-03 2020-04-03 火车机车机感吊架故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010260365.3A CN111539915A (zh) 2020-04-03 2020-04-03 火车机车机感吊架故障检测方法

Publications (1)

Publication Number Publication Date
CN111539915A true CN111539915A (zh) 2020-08-14

Family

ID=71952218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010260365.3A Pending CN111539915A (zh) 2020-04-03 2020-04-03 火车机车机感吊架故障检测方法

Country Status (1)

Country Link
CN (1) CN111539915A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110458807A (zh) * 2019-07-09 2019-11-15 常州大学 一种铁路轨道缺陷机器视觉检测系统
US20200104639A1 (en) * 2018-09-28 2020-04-02 Applied Materials, Inc. Long short-term memory anomaly detection for multi-sensor equipment monitoring

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20200104639A1 (en) * 2018-09-28 2020-04-02 Applied Materials, Inc. Long short-term memory anomaly detection for multi-sensor equipment monitoring
CN110458807A (zh) * 2019-07-09 2019-11-15 常州大学 一种铁路轨道缺陷机器视觉检测系统

Similar Documents

Publication Publication Date Title
CN108280855A (zh) 一种基于Fast R-CNN的绝缘子故障检测方法
CN102759347B (zh) 一种高铁接触网在线巡检装置、巡检方法以及其检测系统
CN109238756B (zh) 货车运行故障动态图像检测设备及检测方法
CN103279765B (zh) 基于图像匹配的钢丝绳表面损伤检测方法
CN111260629A (zh) 基于图像处理的受电弓结构异常检测算法
CN205898699U (zh) 悬挂式单轨箱型梁巡检装置
CN110047070B (zh) 一种轨道磨损程度的识别方法及系统
CN111080598A (zh) 一种钩尾销安全吊的螺栓、螺母缺失检测方法
CN104463235A (zh) 基于动车组运行图像的故障识别方法及装置
CN113947731B (zh) 一种基于接触网安全巡检的异物识别方法及系统
CN103745224A (zh) 基于图像的铁路接触网鸟窝异常情况检测方法
CN105741291A (zh) 一种高速铁路接触网悬挂装置等电位线故障检测方法
CN104318582A (zh) 一种基于图像不变性目标定位的高铁接触网旋转双耳部件销钉不良状态检测方法
CN109489724A (zh) 一种隧道列车安全运行环境综合检测装置及检测方法
CN111311567A (zh) 对轨道线路图像进行扣件和钢轨病害识别的方法
CN111402214A (zh) 基于神经网络的接触网吊弦载流环断裂缺陷自动检测方法
CN111080612B (zh) 一种货车轴承破损检测方法
CN111080614A (zh) 铁路货车轮轮辋及踏面的破损识别方法
CN113516629A (zh) Tfds通过作业智能检测系统
CN114998244A (zh) 基于计算机视觉的轨道梁指形板智能巡检系统及方法
CN113788051A (zh) 列车在站运行状态监测分析系统
CN112508911A (zh) 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法
CN105891217A (zh) 基于智能小车的钢轨表面缺陷检测系统及方法
CN116740833A (zh) 基于无人机的线路巡线打卡方法
CN110672632A (zh) 一种隧道病害识别方法

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

Application publication date: 20200814