CN111652211A - 一种动车抗蛇行减振器安装座挂异物故障检测方法 - Google Patents

一种动车抗蛇行减振器安装座挂异物故障检测方法 Download PDF

Info

Publication number
CN111652211A
CN111652211A CN202010437731.8A CN202010437731A CN111652211A CN 111652211 A CN111652211 A CN 111652211A CN 202010437731 A CN202010437731 A CN 202010437731A CN 111652211 A CN111652211 A CN 111652211A
Authority
CN
China
Prior art keywords
network model
image
training
fasterrcnn
fault
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
CN202010437731.8A
Other languages
English (en)
Other versions
CN111652211B (zh
Inventor
高恩颖
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 CN202010437731.8A priority Critical patent/CN111652211B/zh
Publication of CN111652211A publication Critical patent/CN111652211A/zh
Application granted granted Critical
Publication of CN111652211B publication Critical patent/CN111652211B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61F—RAIL 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
    • B61F5/00—Constructional 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
    • B61F5/02—Arrangements permitting limited transverse relative movements between vehicle underframe or bolster and bogie; Connections between underframes and bogies
    • B61F5/22—Guiding of the vehicle underframes with respect to the bogies
    • B61F5/24—Means for damping or minimising the canting, skewing, pitching, or plunging movements of the underframes
    • B61F5/245—Means for damping or minimising the canting, skewing, pitching, or plunging movements of the underframes by active damping, i.e. with means to vary the damping characteristics in accordance with track or vehicle induced reactions, especially in high speed mode
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/08—Railway vehicles
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

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

Abstract

一种动车抗蛇行减振器安装座挂异物故障检测方法，它属于抗蛇行减振器安装座故障检测技术领域。本发明解决了传统以人工为主的检查作业方式容易对故障漏检，导致检车作业的准确率和效率均难以得到保证的问题。本发明方法流程具体为：采集线阵图像后对采集图像进行标记，对标记后图像进行扩增生成数据集；对FasterRCNN网络模型进行改进获得新的FasterRCNN网络模型，并利用数据集对新网络模型进行训练；再对训练好的模型中卷积层参数进行敏感性分析，并对模型中卷积层参数进行裁剪，获得裁剪后网络模型；对裁剪后网络模型重新进行训练，直至裁剪后网络模型满足精度要求，获得可应用于故障检测的最终网络模型。本发明可以应用于抗蛇行减振器安装座挂异物故障检测。

Description

一种动车抗蛇行减振器安装座挂异物故障检测方法
技术领域
本发明属于动车抗蛇行减振器安装座故障检测技术领域，具体涉及一种动车抗蛇行减振器安装座挂异物故障检测方法。
背景技术
随着高速列车速度的提高，其振动会越加明显，特别是车辆的自激振动，即蛇行运动。而抗蛇行减振器的主要作用就是抑制车辆的蛇行运动，因此其安装座上挂异物会存在安全隐患。传统的以人工为主的检查作业方式容易造成漏检，因此检车作业准确率和效率均难以得到保证，增加了发生动车组运行安全隐患的概率。
因此，有必要研究一种抗蛇行减振器安装座挂异物故障的自动识别技术，实现故障的分级报警，同时人工对异常报警结果进行确认和故障提交，可有效节约人力成本，并提高检测准确率。
发明内容
本发明的目的是为解决采用传统以人工为主的检查作业方式容易造成对故障的漏检，导致检车作业的准确率和效率均难以得到保证的问题，而提出了一种动车抗蛇行减振器安装座挂异物故障检测方法。
本发明为解决上述技术问题所采取的技术方案是：一种动车抗蛇行减振器安装座挂异物故障检测方法，该方法包括以下步骤：
步骤一、在动车轨道周围布设图像采集设备，利用图像采集设备获取途经动车的线阵图像；
步骤二、通过标记获得步骤一采集图像中包含安装座位置和异物位置的矩形框，并生成矩形框内图像的XML文件；
步骤三、同步对矩形框内图像和矩形框内图像的XML文件进行扩增，利用扩增后的图像和XML文件生成数据集，并将生成的数据集随机分成训练集和验证集两部分；
步骤四、将FasterRCNN网络模型中的卷积替换为DCN，获得新的FasterRCNN网络模型；
利用训练集对新的FasterRCNN网络模型进行训练，直至FasterRCNN网络模型在验证集上的识别精度不再提升或达到设置的最大迭代次数时停止训练，获得训练好的FasterRCNN网络模型；
步骤五、对训练好的FasterRCNN网络模型中卷积层的参数进行敏感性分析，根据敏感性分析结果对FasterRCNN网络模型中卷积层的参数进行裁剪，获得裁剪后的网络模型；
步骤六、生成一个与裁剪之前卷积层参数尺寸一致的mask矩阵，将裁剪后网络模型的卷积层参数与mask矩阵中对应元素相乘后，将相乘结果作为裁剪后网络模型的初始参数，并对裁剪后网络模型重新进行训练，训练完成后获得训练好的裁剪后网络模型；
步骤七、若训练好的裁剪后网络模型的识别精度达到精度要求，则将训练好的裁剪后网络模型作为最终网络模型，否则重新对FasterRCNN网络模型中卷积层的参数进行裁剪，并重复步骤六的操作过程，直至裁剪后网络模型的识别精度达到精度要求，获得最终网络模型；
步骤八、采集到待识别的图像后，根据轴距信息对安装座位置进行粗定位，获得粗定位出的图像，将粗定位出的图像输入最终网络模型，得到对待识别图像的故障识别结果。
本发明的有益效果是：本发明提出了一种动车抗蛇行减振器安装座挂异物故障检测方法，本发明将深度学习算法应用到抗蛇行减振器安装座挂异物故障自动识别中，即利用图像自动识别的方式代替人工检测，可以显著提高故障检测的效率和准确率。
而且，本发明采用可调节可变形卷积DCN对传统的FasterRCNN的卷积层进行改进，使特征提取过程能够更加集中于有效信息区域，更利于检测具有几何多样性的异物。
通过对FasterRCNN-DCN检测模型的卷积层参数敏感度进行分析，根据计算得到的敏感度信息，对模型按照卷积层通道进行裁剪后再训练。在不损失精度的条件下，模型体积有所减小，预测效率也随之提升。
附图说明
图1是本发明的一种动车抗蛇行减振器安装座挂异物故障检测方法的流程图；
图2是传统卷积的示意图；
图3是可调节可变形卷积DCN的示意图；
图4是对网络模型进行剪枝过程的示意图；
图5是新的FasterRCNN的网络结构图；
图6是修改后的ResNet50网络的第4阶段网络结构图。
具体实施方式
具体实施方式一：结合图1和图4说明本实施方式。本实施方式所述的一种动车抗蛇行减振器安装座挂异物故障检测方法，该方法通过以下步骤实现：
步骤一、在动车轨道周围布设图像采集设备，利用图像采集设备获取途经动车的线阵图像；
步骤二、通过标记获得步骤一采集图像中包含安装座位置和异物位置的矩形框，并生成矩形框内图像的XML文件；
步骤三、同步对矩形框内图像和矩形框内图像的XML文件进行扩增，利用扩增后的图像和XML文件生成数据集，并将生成的数据集随机分成训练集和验证集两部分；
步骤四、将FasterRCNN网络模型中的传统卷积替换为DCN(Deformable Conv，可调节的可变形卷积)，获得新的FasterRCNN网络模型；
利用训练集对新的FasterRCNN网络模型进行训练，直至FasterRCNN网络模型在验证集上的识别精度不再提升或达到设置的最大迭代次数时停止训练，获得训练好的FasterRCNN网络模型；
步骤五、对训练好的FasterRCNN网络模型中卷积层的参数进行敏感性分析，根据敏感性分析结果对FasterRCNN网络模型中卷积层的参数进行裁剪，获得裁剪后的网络模型；
步骤五的实现方法为：
1.确定待分析的卷积层参数名称；
2.计算敏感度：针对每个卷积层参数，分别计算当裁剪率为0.1,0.2,...,0.9时，裁剪后在验证集上的loss；
3.分析敏感度信息：根据2的数据，分析得到一组适合的裁剪率；
步骤六、生成一个与裁剪之前卷积层参数尺寸一致的mask矩阵，将裁剪后网络模型的卷积层参数与mask矩阵中对应元素相乘后，将相乘结果作为裁剪后网络模型的初始参数，并对裁剪后网络模型重新进行训练，训练完成后获得训练好的裁剪后网络模型；
步骤七、若训练好的裁剪后网络模型的识别精度达到精度要求，则将训练好的裁剪后网络模型作为最终网络模型，否则重新对FasterRCNN网络模型中卷积层的参数进行裁剪，并重复步骤六的操作过程，直至裁剪后网络模型的识别精度达到精度要求，获得最终网络模型；
步骤八、采集到待识别的图像后，根据轴距信息对安装座位置进行粗定位，获得粗定位出的图像，将粗定位出的图像输入最终网络模型，得到对待识别图像的故障识别结果。
本实施方式中，新的FasterRCNN的网络结构如图5所示。特征提取的骨干网采用的是ResNet50网络。本发明是将ResNet50网络的第3-5阶段的卷积层替换为DCN。图6为修改后的ResNet50网络的第4阶段网络结构图。
具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤三中，对矩形框内图像进行扩增的具体过程为：
步骤三一、对矩形框内图像进行旋转、平移、缩放、水平翻转、垂直翻转、改变对比度(包括增强对比度和降低对比度)、光照调节和增加噪声操作；
步骤三二、对矩形框内图像进行模拟天气的扩增，生成对应的雨、雪、雾、大风天气下的图像；
步骤三三、对矩形框内图像中的异物进行各种形态的扩增。
本实施方式可以增强训练数据集的多样化，且对图像进行扩增的同时，同步获得扩增后图像对应的XML文件。
具体实施方式三：本实施方式与具体实施方式二不同的是：所述步骤三三的具体过程为：
对矩形框内图像中的异物进行分割，再对分割后的异物进行扩增，扩增方式包括颜色变换和仿射变换；
将扩增后的异物图像与随机抽取的正常图像中的安装座区域图像进行融合，获得扩增后的故障图像。
具体实施方式四：结合图2和图3说明本实施方式。本实施方式与具体实施方式三不同的是：所述将FasterRCNN网络模型中的卷积替换为DCN，其中DCN表示为：
Figure BDA0002502915180000041
其中，p代表输入图像中的位置p，K代表采样点总个数，pk为位置p周围的第k个采样点预定义的位置偏移量，Δpk为卷积学习得到的位置p周围的第k个采样点的位置偏移量，wk为位置p周围的第k个采样点的权重，Δmk为位置p周围的第k个采样点的调节因子，x(p+pk+Δpk)代表位置p+pk+Δpk处的输入特征，y(p)代表对位置p周围采样点对应的输入特征进行加权后的输出特征。
本实施方式中，采样点个数和卷积核大小有关。
具体实施方式五：本实施方式与具体实施方式四不同的是：所述将FasterRCNN网络模型中的卷积替换为DCN后，单个单元(bin)的输出特征表示为：
Figure BDA0002502915180000042
其中，nk′为第k′个单元的采样点数量，j＝1,2,…,nk′，pk′j为第k′个单元的第j个采样点的位置，Δpk′为第k′个单元的位置偏移量，Δmk′为第k′个单元的调节因子，x(pk′j+Δpk′)代表位置pk′j+Δpk′处的输入特征，y(k′)代表考虑第k′个单元的位置偏移量后，第k′个单元对应的输出特征。
x(pk′j+Δpk′)通过双线性插值计算得到，如图3所示，若x(pk′j)是左上角的黑点的特征值，那么，x(pk′j+Δpk′)就代表左上角灰点对应的特征值；本实施方式中，输出单元数是固定的，每个单元内的采样点数是可变的。
具体实施方式六：本实施方式与具体实施方式五不同的是：所述每个单元的位置偏移量和调节因子均通过全连接层的输出获得，并分别对每个单元的位置偏移量进行归一化。
即公式(2)中所采用的第k′个单元的位置偏移量，是归一化后的位置偏移量。
具体实施方式七：本实施方式与具体实施方式六不同的是：所述利用训练集对新的FasterRCNN网络模型进行训练，直至FasterRCNN网络模型在验证集上的识别精度不再提升或达到设置的最大迭代次数时停止训练，获得训练好的FasterRCNN网络模型，其具体为：
在训练次数未达到设置的最大迭代次数之前，若连续两次评估所对应的模型在验证集上的识别精度均不再提高，则认为模型达到了局部最优，降低学习率后继续训练；如果连续3次调整学习率后模型的识别精度仍不再提高，则提前终止训练，获得训练好的FasterRCNN网络模型；
否则，直至达到设置的最大迭代次数时停止训练，获得训练好的FasterRCNN网络模型。
本实施方式中，每完成两轮训练后，即进行一次精度评估，当连续两次评估时获得的识别精度均不再提高，则降低学习率，利用降低后的学习率，继续对模型进行训练。
连续3次调整学习率后模型的识别精度仍不再提高，则提前终止训练，具体为：当连续两次评估时获得的识别精度均不再提高时，进行第一次学习率调整，若通过第一次学习率调整后，模型的精度仍不提高，则进行第二次学习率调整，若通过第二次学习率调整后，模型的精度也不提高，则进行第三次学习率调整，若通过第三次学习率调整后，模型的精度还不提高，则提前终止训练。
具体实施方式八：本实施方式与具体实施方式七不同的是：所述mask矩阵中仅包含0和1两种元素，被裁剪掉的卷积层参数在mask矩阵中对应的元素为0，未被裁剪掉的卷积层参数在mask矩阵中对应的元素为1。
在本实施方式中，将裁剪后网络模型的卷积层参数与mask矩阵中对应元素相乘后，只有mask矩阵中的元素1所对应的卷积层参数继续参数训练，并进行调整。
实施例
本发明具体通过以下流程来实现：
1、图像预处理
(1)图像收集
通过在轨道周围搭建高清设备，获取途径动车的高清线阵图像。由于动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。不同车型的抗蛇行减振器安装座有所差异，不同站点拍摄的图像也可能存在差异。因此，在收集图像数据的过程中，要保证多样性，尽量将各种条件下的抗蛇行减振器安装座图像全部收集。
(2)图像标记
故障识别所采用的目标检测模型，通过标记得到包含安装座位置和异物位置的矩形框的XML文件。
(3)数据扩增
样本数据集的建立虽然包括各种条件下的图像，但为获得更多的训练样本，增加模型的鲁棒性，仍需要对样本数据集进行数据扩增。以下操作均同步对图像和标记文件进行扩增。
①传统的扩增：包括图像的旋转、平移、缩放、水平翻转、垂直翻转、对比度、光照调节、增加噪声等操作，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性。
②模拟天气的扩增：生成对应的雨/雪/雾/大风天气的故障图像，丰富数据集，使算法适应更多的天气情况。
③异物的扩增：由于通常安装座位置和形态不会有大幅度变化，相反异物具有较强的多样性(形态，大小以及颜色多变)，所以要针对异物的多形态进行单独扩增。先将故障图像中的异物分割，对其进行大幅度扩增，包括颜色，仿射变换等，并将其和随机抽取正常图像的安装座区域进行融合，得到新的故障图像加入训练集。
(4)数据集生成
将原始图像和标记数据生成数据集，用于模型训练。
2、模型训练
以FasterRCNN为基础，利用可调节的可变形卷积提升检测性能。
(1)可调节的可变形卷积DCN
传统卷积基于定义的滤波器大小，在输入图像或一组输入特征图的预定义矩形网络上操作，如3*3的卷积核。而想检测的对象可能在图像中变形或被遮挡。在可变形卷积DCN中，网格是可变的，卷积作用于移动的网格点上，通过学习采样点的位置来得到几何形变建模的能力，特别适用于检测形态多变的异物，如图2所示。可调节的可变形卷积模块，不仅包含一个位置偏移量offset，而且还被一个调节因子所调控。所以，能够改变其样本的空间分布以及相对影响。
对于一个有K个采样点的卷积核，可调节可变形卷积可表示为：
Figure BDA0002502915180000071
其中K为采样点个数，Pk为第k个采样点预定义的偏移量(例如3*3的卷积核，对应K＝9，Pk依次为{(-1,-1),(-1,0),(-1,1),(0,-1),(0,0),(0,1),(1,-1),(1,0),(1,1)}，x(p)为输入特征位置p的特征，y(p)为输出特征位置p的特征。Δpk为卷积学习得到的第k个采样点的位置偏移量，Δmk为对应的范围在[0,1]之间的调节因子。即每个采样点都对应三个输出，包括x和y两个方向的偏移量，以及一个调节因子。通过分配不同权重给经过偏移修正后的区域，实现更加准确的特征提取。
(2)可变形的ROI Pooling
在目标检测任务中，ROI Pooling的作用是将任意大小的矩形框都映射到固定大小的特征表示，便于后续的分类和回归操作。在引入可变形卷积后，单个bin的输出特征可表示为：
Figure BDA0002502915180000072
其中nk为第k个bin的采样点数量，pkj为第k个bin的第j个采样点的位置，Δpk为第k个bin的偏移量，x(pkj+Δpk)通过双线性插值计算得到，Δmk为对应的范围在[0,1]之间的调节因子。
具体步骤如下：
①给定一个输入ROI，将其分为K个bins。
②用常规的ROI Pooling来生成池化后的特征图。
③采用全连接层，输出为每一个bin对应的偏移量和调制因子。同时，为了保证偏移量的学习不受ROI大小的影响，需要对偏移量进行归一化。此全连接层将通过反向传播进行学习。
3、模型敏感度分析及剪枝
对于正常训练得到的神经网络，在尽量保持原始模型精度的基础上，可以通过剪枝移除一些冗余的参数简化模型，减少推断时所需的运算量，进而提升模型预测效率。本发明先对原始模型进行敏感性分析，确定哪些卷积层参数可以被剪枝，选择适当的裁剪率。对于裁剪后的模型，继续训练、评估，迭代至网络达到较好的性能。
(1)敏感度分析
查看网络结构，筛选出所有卷积层参数，通过计算不同裁剪率下，裁剪单个卷积层后模型在验证集上的Loss，分析卷积层的重要性信息。根据设定的可接受范围内的精度损失的阈值(可为0)，得到一组可裁剪参数名及适合的裁剪率。
(2)裁剪模型Fine-Tune
根据(1)中的裁剪参数和比例，得到一个与参数尺寸一致的mask矩阵。Mask矩阵中只有0和1，即重新训练时，参数在计算时先乘以该mask，只有mask位为1的参数将继续参与训练并进行调整。通过Fine-Tune，恢复剪枝带来的精度损失。
(3)剪枝后模型验证
在验证集上进行验证，检查模型精度是否满足要求。如果不符合研究可确认新的裁剪参数和裁剪率，再反复执行(2)-(3)。
本发明通过在轨道周围搭建高清成像设备，对高速运行的动车组进行拍摄，获取高清的线阵图像。根据轴距信息和部件的位置的先验信息，获得可能包含的粗定位区域。采用深度学习网络，对抗蛇行减振器安装座和异物进行检测。再结合安装座的定位信息进行故障分析，判断其是否为安装座挂异物故障。对发生故障的进行上传报警，以保证列车的安全运行。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (8)

1.一种动车抗蛇行减振器安装座挂异物故障检测方法，其特征在于，该方法包括以下步骤：
步骤一、在动车轨道周围布设图像采集设备，利用图像采集设备获取途经动车的线阵图像；
步骤二、通过标记获得步骤一采集图像中包含安装座位置和异物位置的矩形框，并生成矩形框内图像的XML文件；
步骤三、同步对矩形框内图像和矩形框内图像的XML文件进行扩增，利用扩增后的图像和XML文件生成数据集，并将生成的数据集随机分成训练集和验证集两部分；
步骤四、将FasterRCNN网络模型中的卷积替换为DCN，获得新的FasterRCNN网络模型；
利用训练集对新的FasterRCNN网络模型进行训练，直至FasterRCNN网络模型在验证集上的识别精度不再提升或达到设置的最大迭代次数时停止训练，获得训练好的FasterRCNN网络模型；
步骤五、对训练好的FasterRCNN网络模型中卷积层的参数进行敏感性分析，根据敏感性分析结果对FasterRCNN网络模型中卷积层的参数进行裁剪，获得裁剪后的网络模型；
步骤六、生成一个与裁剪之前卷积层参数尺寸一致的mask矩阵，将裁剪后网络模型的卷积层参数与mask矩阵中对应元素相乘后，将相乘结果作为裁剪后网络模型的初始参数，并对裁剪后网络模型重新进行训练，训练完成后获得训练好的裁剪后网络模型；
步骤七、若训练好的裁剪后网络模型的识别精度达到精度要求，则将训练好的裁剪后网络模型作为最终网络模型，否则重新对FasterRCNN网络模型中卷积层的参数进行裁剪，并重复步骤六的操作过程，直至裁剪后网络模型的识别精度达到精度要求，获得最终网络模型；
步骤八、采集到待识别的图像后，根据轴距信息对安装座位置进行粗定位，获得粗定位出的图像，将粗定位出的图像输入最终网络模型，得到对待识别图像的故障识别结果。
2.根据权利要求1所述的一种动车抗蛇行减振器安装座挂异物故障检测方法，其特征在于，所述步骤三中，对矩形框内图像进行扩增的具体过程为：
步骤三一、对矩形框内图像进行旋转、平移、缩放、水平翻转、垂直翻转、改变对比度、光照调节和增加噪声操作；
步骤三二、对矩形框内图像进行模拟天气的扩增，生成对应的雨、雪、雾、大风天气下的图像；
步骤三三、对矩形框内图像中的异物进行各种形态的扩增。
3.根据权利要求2所述的一种动车抗蛇行减振器安装座挂异物故障检测方法，其特征在于，所述步骤三三的具体过程为：
对矩形框内图像中的异物进行分割，再对分割后的异物进行扩增，扩增方式包括颜色变换和仿射变换；
将扩增后的异物图像与随机抽取的正常图像中的安装座区域图像进行融合，获得扩增后的故障图像。
4.根据权利要求3所述的一种动车抗蛇行减振器安装座挂异物故障检测方法，其特征在于，所述将FasterRCNN网络模型中的卷积替换为DCN，其中DCN表示为：
Figure FDA0002502915170000021
其中，p代表输入图像中的位置p，K代表采样点总个数，pk为位置p周围的第k个采样点预定义的位置偏移量，Δpk为卷积学习得到的位置p周围的第k个采样点的位置偏移量，wk为位置p周围的第k个采样点的权重，Δmk为位置p周围的第k个采样点的调节因子，x(p+pk+Δpk)代表位置p+pk+Δpk处的输入特征，y(p)代表对位置p周围采样点对应的输入特征进行加权后的输出特征。
5.根据权利要求4所述的一种动车抗蛇行减振器安装座挂异物故障检测方法，其特征在于，所述将FasterRCNN网络模型中的卷积替换为DCN后，单个单元的输出特征表示为：
Figure FDA0002502915170000022
其中，nk′为第k′个单元的采样点数量，j＝1,2,…,nk′，pk′j为第k′个单元的第j个采样点的位置，Δpk′为第k′个单元的位置偏移量，Δmk′为第k′个单元的调节因子，x(pk′j+Δpk′)代表位置pk′j+Δpk′处的输入特征，y(k′)代表考虑第k′个单元的位置偏移量后，第k′个单元对应的输出特征。
6.根据权利要求5所述的一种动车抗蛇行减振器安装座挂异物故障检测方法，其特征在于，所述每个单元的位置偏移量和调节因子均通过全连接层的输出获得，并分别对每个单元的位置偏移量进行归一化。
7.根据权利要求6所述的一种动车抗蛇行减振器安装座挂异物故障检测方法，其特征在于，所述利用训练集对新的FasterRCNN网络模型进行训练，直至FasterRCNN网络模型在验证集上的识别精度不再提升或达到设置的最大迭代次数时停止训练，获得训练好的FasterRCNN网络模型，其具体为：
在训练次数未达到设置的最大迭代次数之前，若连续两次评估所对应的模型在验证集上的识别精度均不再提高，则认为模型达到了局部最优，降低学习率后继续训练；如果连续3次调整学习率后模型的识别精度仍不再提高，则提前终止训练，获得训练好的FasterRCNN网络模型；
否则，直至达到设置的最大迭代次数时停止训练，获得训练好的FasterRCNN网络模型。
8.根据权利要求7所述的一种动车抗蛇行减振器安装座挂异物故障检测方法，其特征在于，所述mask矩阵中仅包含0和1两种元素，被裁剪掉的卷积层参数在mask矩阵中对应的元素为0，未被裁剪掉的卷积层参数在mask矩阵中对应的元素为1。
CN202010437731.8A 2020-05-21 2020-05-21 一种动车抗蛇行减振器安装座挂异物故障检测方法 Active CN111652211B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010437731.8A CN111652211B (zh) 2020-05-21 2020-05-21 一种动车抗蛇行减振器安装座挂异物故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010437731.8A CN111652211B (zh) 2020-05-21 2020-05-21 一种动车抗蛇行减振器安装座挂异物故障检测方法

Publications (2)

Publication Number Publication Date
CN111652211A true CN111652211A (zh) 2020-09-11
CN111652211B CN111652211B (zh) 2021-03-23

Family

ID=72346702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010437731.8A Active CN111652211B (zh) 2020-05-21 2020-05-21 一种动车抗蛇行减振器安装座挂异物故障检测方法

Country Status (1)

Country Link
CN (1) CN111652211B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184663A (zh) * 2020-09-27 2021-01-05 哈尔滨市科佳通用机电股份有限公司 一种铁路动车抗蛇行减震器安装座异物检测方法
CN112614097A (zh) * 2020-12-16 2021-04-06 哈尔滨市科佳通用机电股份有限公司 铁路火车轴箱转臂异物检测方法
CN113128664A (zh) * 2021-03-16 2021-07-16 广东电力信息科技有限公司 神经网络压缩方法、装置、电子设备及存储介质
CN116468730A (zh) * 2023-06-20 2023-07-21 齐鲁工业大学(山东省科学院) 基于YOLOv5算法的航拍绝缘子图像缺陷检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443172A (zh) * 2019-07-25 2019-11-12 北京科技大学 一种基于超分辨率和模型压缩的目标检测方法及系统
US20190392212A1 (en) * 2018-06-25 2019-12-26 Microsoft Technology Licensing, Llc Object-based localization
CN110827251A (zh) * 2019-10-30 2020-02-21 江苏方天电力技术有限公司 一种基于航拍图像的输电线路锁紧销缺陷检测方法
CN111062382A (zh) * 2019-10-30 2020-04-24 北京交通大学 用于目标检测网络的通道剪枝方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190392212A1 (en) * 2018-06-25 2019-12-26 Microsoft Technology Licensing, Llc Object-based localization
CN110443172A (zh) * 2019-07-25 2019-11-12 北京科技大学 一种基于超分辨率和模型压缩的目标检测方法及系统
CN110827251A (zh) * 2019-10-30 2020-02-21 江苏方天电力技术有限公司 一种基于航拍图像的输电线路锁紧销缺陷检测方法
CN111062382A (zh) * 2019-10-30 2020-04-24 北京交通大学 用于目标检测网络的通道剪枝方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIZHOU ZHU ET AL.: "Deformable ConvNets v2: More Deformable, Better Results", 《2019 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
王文杰，杨蕾主编: "《日新日进 "挑战杯"大学生课外学术科技竞赛作品集》", 30 June 2015, 北京工业大学出版社 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184663A (zh) * 2020-09-27 2021-01-05 哈尔滨市科佳通用机电股份有限公司 一种铁路动车抗蛇行减震器安装座异物检测方法
CN112184663B (zh) * 2020-09-27 2021-07-20 哈尔滨市科佳通用机电股份有限公司 一种铁路动车抗蛇行减震器安装座异物检测方法
CN112614097A (zh) * 2020-12-16 2021-04-06 哈尔滨市科佳通用机电股份有限公司 铁路火车轴箱转臂异物检测方法
CN112614097B (zh) * 2020-12-16 2022-02-01 哈尔滨市科佳通用机电股份有限公司 铁路火车轴箱转臂异物检测方法
CN113128664A (zh) * 2021-03-16 2021-07-16 广东电力信息科技有限公司 神经网络压缩方法、装置、电子设备及存储介质
CN116468730A (zh) * 2023-06-20 2023-07-21 齐鲁工业大学(山东省科学院) 基于YOLOv5算法的航拍绝缘子图像缺陷检测方法
CN116468730B (zh) * 2023-06-20 2023-09-05 齐鲁工业大学(山东省科学院) 基于YOLOv5算法的航拍绝缘子图像缺陷检测方法

Also Published As

Publication number Publication date
CN111652211B (zh) 2021-03-23

Similar Documents

Publication Publication Date Title
CN111652211B (zh) 一种动车抗蛇行减振器安装座挂异物故障检测方法
CN109035149B (zh) 一种基于深度学习的车牌图像去运动模糊方法
CN111091545B (zh) 铁路货车滚动轴承轴端螺栓丢失故障的检测方法
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
CN111080621B (zh) 一种铁路货车地板破损故障图像识别方法
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
CN108268871A (zh) 一种基于卷积神经网络的端到端的车牌识别方法和系统
CN112163602A (zh) 一种基于深度神经网络的目标检测方法
CN113160062B (zh) 一种红外图像目标检测方法、装置、设备及存储介质
CN112733742B (zh) 一种基于深度学习的铁路货车下拉杆圆销故障检测方法
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
CN111027461A (zh) 基于多维单步lstm网络的车辆轨迹预测方法
CN112261719B (zh) 一种slam技术结合深度学习的区域定位方法
CN107944354A (zh) 一种基于深度学习的车辆检测方法
CN111091551A (zh) 一种铁路货车制动梁支柱开口销丢失故障检测方法
CN113256602A (zh) 一种基于自编码器的无监督风机叶片缺陷检测方法及系统
CN110728269A (zh) 一种高铁接触网支柱杆号牌识别方法
CN112418334B (zh) 一种铁路动车裙板格栅变形故障识别方法
CN117788950A (zh) 基于改进YOLOv8模型的路面病害检测方法
CN112102236A (zh) 一种基于深度两阶段的多晶隐裂检测方法
CN112184669A (zh) 一种大坡度线路上的接触网悬挂装置故障检测方法
CN115511784A (zh) 一种基于深度卷积生成对抗网络的道路缺陷智能识别方法
CN113239865B (zh) 基于深度学习的车道线检测方法
CN114742975A (zh) 一种车载图像铁轨曲线建模方法
CN114419600A (zh) 一种基于ssd算法的车型目标检测网络及检测方法

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