CN112465806A - 基于改进PVANet的停放制动缸排气堵丢失检测方法 - Google Patents
基于改进PVANet的停放制动缸排气堵丢失检测方法 Download PDFInfo
- Publication number
- CN112465806A CN112465806A CN202011463402.7A CN202011463402A CN112465806A CN 112465806 A CN112465806 A CN 112465806A CN 202011463402 A CN202011463402 A CN 202011463402A CN 112465806 A CN112465806 A CN 112465806A
- Authority
- CN
- China
- Prior art keywords
- parking brake
- brake cylinder
- pvanet
- network
- improved
- 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
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
- G06F18/24—Classification techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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)
- 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)
- Computing Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Valves And Accessory Devices For Braking Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
基于改进PVANet的停放制动缸排气堵丢失检测方法,涉及铁路动车故障检测技术领域。本发明是为了解决现有对于停放制动缸排气堵的检测方法准确度低的问题。本发明所述的基于改进PVANet的停放制动缸排气堵丢失检测方法,采集被测车辆图像,该被测车辆图像中含有停放制动缸排气堵,采用训练好的PVANet网络对被测车辆图像进行检测,获得停放制动缸排气堵是否丢失的检测结果;PVANet网络的RPN网络中采用6个尺度和7个横纵比构成42个锚框,生成高质量小目标候选框,以提高算法的检测精确度和速度。PVANet网络采用inv学习策略训练检测模型,以改善模型性能,进一步提升检测精确度。
Description
技术领域
本发明属于铁路动车故障检测技术领域。
背景技术
货物运输是铁路运输的重要组成部分,把铁路上用于载运货物的车辆统称为铁路动车。铁路部门需要经常对铁路动车进行安全检查,以保证铁路动车的安全稳定运行。
轨道车辆常用空气制动,空气制动作用是通过制动缸将空气压力转变成制动缸或停放缸的活塞推力,然后将该推力传递到丝杠等组件上。目前轨道机车车辆常用停放制动缸实现制动或者停放,停放制动缸在排气后,能够实现车辆制动。一旦停放制动缸排气堵丢失,则会造成重大事故。
为了解决上述问题,通常采用人工查图的铁路动车故障检测方法,但是该方法存在检车人员疲劳造成的漏检、误检现象。相比于传统的采用人工查图的铁路动车故障检测方法,基于深度学习的自动化故障检测的方法能够显著的提升检测的效率,降低成本,同时还能避免由于检车人员疲劳造成的漏检、误检现象。但由于停放制动缸排气堵位于列车底部,图像背景较为杂乱,相似部位较多,采用传统的PVANet深度学习网络进行故障检测的准确程度较低。
发明内容
本发明是为了解决现有对于停放制动缸排气堵的检测方法准确度低的问题,现提供基于改进PVANet的停放制动缸排气堵丢失检测方法。
基于改进PVANet的停放制动缸排气堵丢失检测方法,采集被测车辆图像,被测车辆图像中含有停放制动缸排气堵安装位置,采用训练好的PVANet网络对被测车辆图像进行检测,获得停放制动缸排气堵是否丢失的检测结果;
PVANet网络的RPN网络中采用6个尺度和7个横纵比在每个滑动窗口中构成42个锚框;
PVANet网络采用inv学习策略训练检测模型,inv学习策略的学习率learningRate表达式为:
learningRate=base_lr×(1+gamma×iter)(-power)
其中,base_lr为初始学习率,iter为迭代次数,gamma为学习衰减的乘数因子,power为幂指数因子。
上述RPN网络中6个尺度为:{32,48,80,144,256,512}。
上述RPN网络中7个横纵比为:{0.333,0.5,0.667,1.0,1.5,2.0,3.0}。
上述训练PVANet网络之前,首选要建立样本数据集,建立样本数据集的方法为:
首先,采集铁路动车不同状态下含有停放制动缸排气堵安装位置的图像,采集到的所有图像中停放制动缸排气堵丢失的图像为正样本、停放制动缸排气堵存在的图像为负样本,正负样本数量一致;
然后,分别在采集到的每一张图像中标记出停放制动缸排气堵安装位置区域,完成样本数据集的建立。
上述采集完铁路动车不同状态下含有停放制动缸排气堵的图像之后,还对图像进行扩增。
上述对图像进行扩增的方式包括:旋转、裁剪或加噪中的一种或多种。
在获得样本数据集之后,将样本数据集中的样本图像进行分类,其中,将停放制动缸排气堵丢失的样本图像标记为0类,将停放制动缸排气堵存在的样本图像标记为1类,将所有分类完成的所有样本图像构成分类数据集。
上述PVANet网络包括:特征提取网络、RPN网络、池化层、全连接层、分类层和边界框回归层。
初始学习率base_lr为0.001,迭代次数iter为100000。
上述获得检测结果后,当检测到停放制动缸排气堵丢失,则将检测结果作为故障信息上传至检车人员端。
本发明的基于改进PVANet的停放制动缸排气堵丢失检测方法,结合区域建议网络(RPN)生成高质量小目标锚框,以提高算法的检测精确度和速度。同时,选用inv学习率策略以改善模型性能,进一步提升检测精确度。
附图说明
图1为具体实施方式一中停放制动缸排气堵丢失检测方法流程图;
图2为PVANet检测网络结构示意图;
图3为PVANet特征提取网络结构示意图;
图4为完整的停放制动缸排气堵丢失检测方法流程图。
具体实施方式
需要特别说明的是,在不冲突的情况下,本申请公开的各个实施方式之间或实施方式包括的特征之间可以相互组合。
具体实施方式一:参照图1具体说明本实施方式,本实施方式的基于改进PVANet的停放制动缸排气堵丢失检测方法为:在铁路动车周围搭建高清成像设备,采集被测车辆图像,被测车辆图像中含有停放制动缸排气堵安装位置,采用训练好的PVANet网络对被测车辆图像进行检测,获得停放制动缸排气堵是否丢失的检测结果。
传统的PVANet是一种轻量级的目标检测算法,它主要分两阶段实现。首先,特征提取网络输出特征图到RPN生成目标候选框。其次,上阶段生成的目标候选框及特征图经过池化层和全连接层后送入分类层以确定目标的类型以及同时送入边界框回归层进一步调整目标边框的位置。PVANet整体框架结构如图2所示。
PVANet提出了一个高效的特征提取网络,基于层数多通道少的设计原则,采用C.ReLU、Incepion、HyperNet和残差连接等技术来生成特征图,实现了加速模型性能而不会降低检测精度的目标。PVANet的特征提取图网络如图3所示。相比于其他目标检测网络,PVANet存在以下三个优点:
(1)采用C.ReLU模块来减少计算量以提高检测速度,
(2)采用RPN来生成高质量的目标候选框,
(3)Inception模块的选用可以尽可能多地存储低层网络的必要信息。
由于停放制动缸排气堵所在区域在图像中比例很小,容易产生漏报,因此本实施方式针对小目标检测对传统PVANet进行改进。在改进前对传统PVANet的RPN网络进行分析,其滑动窗口的每个位置处产生25个锚框,由5个不同的尺度{96,192,288,512,800}和5个不同的纵横比{0.5,0.667,1.0,1.5,2.0}确定。停放制动缸排气堵区域的平均大小分别为50*50像素,RPN的原始尺度对于排气堵区域过大,将其直接用于检测小目标时精确度较差,因此需要缩小锚框以适应小目标的尺寸。所以本实施方式中,PVANet网络的RPN网络中采用6个尺度和7个横纵比在每个滑动窗口中构成42个锚框。
又由于传统PVANet是基于plateau策略来动态控制学习速率,该策略监控损失函数变动的平均值,发现若在某段迭代周期中其改善低于某一个阈值,则确定损失函数的变化此时处于一个“高原”,学习率则降低一个常数因子。首先,采用plateau学习率策略来训练模型,设定迭代次数为100000次,发现学习率一直保持在初始值0.001不变。学习率不变的主要原因在于训练过程中目标区域相比背景区域非常小,这导致了负样本空间大,收敛慢,通过动态改变学习率策略的plateau策略很难改变学习率。未解决该问题,本实施方式中PVANet网络采用inv学习策略训练检测模型,动态改变学习率来加速损失函数的收敛。inv学习策略的学习率learningRate表达式为:
learningRate=base_lr×(1+gamma×iter)(-power)
其中,base_lr为初始学习率,iter为迭代次数,gamma为学习衰减的乘数因子,power为幂指数因子。
采用本实施方式inv学习策略,20000次迭代后学习率降低至0.00026,迭代50000次后学习率降低至0.00017,实验结果表明inv学习策略比plateau学习策略检测精度提升约0.71%。
具体实施方式二:进一步的,本实施方式中,RPN网络中6个尺度为:{32,48,80,144,256,512}。
具体实施方式三:进一步的,本实施方式中,RPN网络中7个横纵比为:{0.333,0.5,0.667,1.0,1.5,2.0,3.0}。
具体实施方式四:进一步的,本实施方式中,训练PVANet网络之前,首选要建立样本数据集,建立样本数据集的方法为:
在铁路动车轨道周围搭设高清成像设备,动车经过后,采集铁路动车不同状态下含有停放制动缸排气堵安装位置的图像,采集到的所有图像中停放制动缸排气堵丢失的图像为正样本、停放制动缸排气堵存在的图像为负样本,正负样本数量一致;
采用标记软件分别在采集到的每一张图像中标记出停放制动缸排气堵安装位置区域,完成样本数据集的建立。
具体实施方式五:进一步的,本实施方式中,采集完铁路动车不同状态下含有停放制动缸排气堵的图像之后,还对图像进行扩增。图像扩增操作能够使后续检测网络的泛化能力增强,降低网络过拟合的概率。
具体实施方式六:进一步的,本实施方式中,对图像进行扩增的方式包括:旋转、裁剪或加噪中的一种或多种。
具体实施方式七:进一步的,本实施方式中,在获得样本数据集之后,将样本数据集中的样本图像进行分类,其中,将停放制动缸排气堵丢失的样本图像标记为0类,将停放制动缸排气堵存在的样本图像标记为1类,将所有分类完成的所有样本图像构成分类数据集。
具体实施方式八:进一步的,本实施方式中,PVANet网络包括:特征提取网络、RPN网络(区域生成网络)、池化层、全连接层、分类层和边界框回归层。
具体实施方式九:进一步的,本实施方式中,初始学习率base_lr为0.001,迭代次数iter为100000。
具体实施方式十:进一步的,本实施方式中,获得检测结果后,当检测到停放制动缸排气堵丢失,则将检测结果作为故障信息上传至检车人员端。检车人员依据人工先验原则,对报警部位进行相应处理。
基于上述所有具体实施方式,图4提供了一种用于检测排气堵丢失的更为完成的流程图。
Claims (10)
1.基于改进PVANet的停放制动缸排气堵丢失检测方法,其特征在于,
采集被测车辆图像,所述被测车辆图像中含有停放制动缸排气堵安装位置,采用训练好的PVANet网络对被测车辆图像进行检测,获得停放制动缸排气堵是否丢失的检测结果;
所述PVANet网络的RPN网络中采用6个尺度和7个横纵比在每个滑动窗口中构成42个锚框;
所述PVANet网络采用inv学习策略训练检测模型,所述inv学习策略的学习率learningRate表达式为:
learningRate=base_lr×(1+gamma×iter)(-power)
其中,base_lr为初始学习率,iter为迭代次数,gamma为学习衰减的乘数因子,power为幂指数因子。
2.根据权利要求1所述的基于改进PVANet的停放制动缸排气堵丢失检测方法,其特征在于,所述RPN网络中6个尺度为:{32,48,80,144,256,512}。
3.根据权利要求1或2所述的基于改进PVANet的停放制动缸排气堵丢失检测方法,其特征在于,所述RPN网络中7个横纵比为:{0.333,0.5,0.667,1.0,1.5,2.0,3.0}。
4.根据权利要求1所述的基于改进PVANet的停放制动缸排气堵丢失检测方法,其特征在于,训练PVANet网络之前,首选要建立样本数据集,所述建立样本数据集的方法为:
首先,采集铁路动车不同状态下含有停放制动缸排气堵安装位置的图像,采集到的所有图像中停放制动缸排气堵丢失的图像为正样本、停放制动缸排气堵存在的图像为负样本,正负样本数量一致;
然后,分别在采集到的每一张图像中标记出停放制动缸排气堵安装位置区域,完成样本数据集的建立。
5.根据权利要求1所述的基于改进PVANet的停放制动缸排气堵丢失检测方法,其特征在于,采集完铁路动车不同状态下含有停放制动缸排气堵的图像之后,还对图像进行扩增。
6.根据权利要求5所述的基于改进PVANet的停放制动缸排气堵丢失检测方法,其特征在于,所述对图像进行扩增的方式包括:旋转、裁剪或加噪中的一种或多种。
7.根据权利要求4、5或6所述的基于改进PVANet的停放制动缸排气堵丢失检测方法,其特征在于,在获得样本数据集之后,将样本数据集中的样本图像进行分类,其中,将停放制动缸排气堵丢失的样本图像标记为0类,将停放制动缸排气堵存在的样本图像标记为1类,将所有分类完成的所有样本图像构成分类数据集。
8.根据权利要求1所述的基于改进PVANet的停放制动缸排气堵丢失检测方法,其特征在于,PVANet网络包括:特征提取网络、RPN网络、池化层、全连接层、分类层和边界框回归层。
9.根据权利要求1所述的基于改进PVANet的停放制动缸排气堵丢失检测方法,其特征在于,初始学习率base_lr为0.001,迭代次数iter为100000。
10.根据权利要求1、2、4、5、6、8或9所述的基于改进PVANet的停放制动缸排气堵丢失检测方法,其特征在于,获得检测结果后,当检测到停放制动缸排气堵丢失,则将检测结果作为故障信息上传至检车人员端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011463402.7A CN112465806A (zh) | 2020-12-11 | 2020-12-11 | 基于改进PVANet的停放制动缸排气堵丢失检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011463402.7A CN112465806A (zh) | 2020-12-11 | 2020-12-11 | 基于改进PVANet的停放制动缸排气堵丢失检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112465806A true CN112465806A (zh) | 2021-03-09 |
Family
ID=74804146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011463402.7A Pending CN112465806A (zh) | 2020-12-11 | 2020-12-11 | 基于改进PVANet的停放制动缸排气堵丢失检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465806A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192024A (zh) * | 2021-04-28 | 2021-07-30 | 哈尔滨市科佳通用机电股份有限公司 | 一种模板匹配的停放制动缸排气堵丢失检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778833A (zh) * | 2016-11-28 | 2017-05-31 | 北京航天控制仪器研究所 | 一种复杂背景下小目标丢失故障的自动识别方法 |
CN109670595A (zh) * | 2019-03-04 | 2019-04-23 | 丽水学院 | 一种设备故障诊断方法 |
-
2020
- 2020-12-11 CN CN202011463402.7A patent/CN112465806A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778833A (zh) * | 2016-11-28 | 2017-05-31 | 北京航天控制仪器研究所 | 一种复杂背景下小目标丢失故障的自动识别方法 |
CN109670595A (zh) * | 2019-03-04 | 2019-04-23 | 丽水学院 | 一种设备故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
段秉环 等: "基于改进PVANet的实时小目标检测方法", 《计算机应用研究》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192024A (zh) * | 2021-04-28 | 2021-07-30 | 哈尔滨市科佳通用机电股份有限公司 | 一种模板匹配的停放制动缸排气堵丢失检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110780665B (zh) | 车辆无人驾驶控制方法及装置 | |
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 | |
CN202793389U (zh) | 一种高铁接触网在线巡检装置 | |
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 | |
CN111080598A (zh) | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 | |
CN110562292B (zh) | 一种铁路车辆轮对直径动态检测系统 | |
CN102346844B (zh) | 一种货车下心盘螺栓丢失故障识别装置及其识别方法 | |
CN111242015A (zh) | 一种基于运动轮廓语义图预测行车危险场景的方法 | |
CN111080601A (zh) | 铁路货车脱轨制动装置拉环磨轴故障图像识别方法 | |
CN112465806A (zh) | 基于改进PVANet的停放制动缸排气堵丢失检测方法 | |
CN111079629A (zh) | 铁路货车心盘脱出故障图像识别方法 | |
CN108284851A (zh) | 一种铁路轨道车防撞制动策略 | |
CN113788051A (zh) | 列车在站运行状态监测分析系统 | |
CN109446938B (zh) | 一种基于多序列双投影的黑烟车检测方法 | |
CN112562313B (zh) | 一种优化分段制动减速度模型的方法 | |
CN113283065A (zh) | 基于列车运行仿真的地铁区间风井设置方法 | |
CN105564460A (zh) | 受电弓意外降弓识别检测方法及系统 | |
CN211139348U (zh) | 一种铁路车辆轮对直径动态检测系统 | |
CN113232692A (zh) | 同时空同断面网轨隧综合检测系统 | |
CN112766174B (zh) | 一种铁路列车车厢组底板丢失故障检测方法 | |
CN111091553A (zh) | 一种挡键丢失检测方法 | |
CN115760839A (zh) | 路侧单元缓存的MobileNetV3车联网检测系统 | |
CN114743166A (zh) | 一种铁路货车的制动机检测方法 | |
CN112489040A (zh) | 一种货车副风缸脱落故障识别方法 | |
CN114005097A (zh) | 基于图像语义分割的列车运行环境实时检测方法及系统 |
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: 20210309 |