CN112508034B - 货运列车故障检测方法、装置及电子设备 - Google Patents
货运列车故障检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112508034B CN112508034B CN202011210552.7A CN202011210552A CN112508034B CN 112508034 B CN112508034 B CN 112508034B CN 202011210552 A CN202011210552 A CN 202011210552A CN 112508034 B CN112508034 B CN 112508034B
- Authority
- CN
- China
- Prior art keywords
- side door
- image
- region
- area
- carriage
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 164
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims description 51
- 238000000034 method Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 description 28
- 230000008439 repair process Effects 0.000 description 23
- 239000003245 coal Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000003466 welding Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008961 swelling Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种货运列车故障检测方法、装置及电子设备,涉及故障检测技术领域。上述货运列车故障检测方法包括:获取货运列车的车身图像,并对车身图像进行区域分割,得到车身各个区域的区域图像;获取区域图像对应的目标检测模型,基于目标检测模型对所述区域图像进行目标识别,得到识别结果;基于识别结果确定区域图像的故障检测结果。本发明可以快速确定各区域图像的故障检测结果,提升了货运列车的故障检测效率。
Description
技术领域
本发明涉及故障检测技术领域,尤其是涉及一种货运列车故障检测方法、装置及电子设备。
背景技术
目前,由于交通运输部等部门提出了煤炭等大宗货物运输“公路转铁路”政策,铁路运输煤炭需求旺盛,铁路部门优化货运列车运行图,增加运煤车储备,预计全国煤炭产量中的大部分煤炭都将通过铁路运输。为了提升货运列车的货运速度以及提高货运数量,提升货运列车的检修速度成为亟待解决的问题。
当前货运列车的车身故障检测,通常是工作人员在列车停止时,对列车的每节车厢进行检查,并对有问题的地方进行标注,然后通知维修人员进行维修,修理工作人员在接到通知后需要首先到达火车旁看前一组检察人员标注的问题,然后根据问题回去拿相应的修理工具,然后进行焊修。故障检查时间较长,工序复杂,火车等待时间长。因此,当前的货运列车故障检修技术还存在故障检测效率的问题。
发明内容
有鉴于此,本发明的目的在于提供一种货运列车故障检测方法、装置及电子设备,能够提升货运列车的故障检测效率。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种货运列车故障检测方法,包括:获取货运列车的车身图像,并对所述车身图像进行区域分割,得到车身各个区域的区域图像;获取所述区域图像对应的目标检测模型,基于所述目标检测模型对所述区域图像进行目标识别,得到识别结果;基于所述识别结果确定所述区域图像的故障检测结果。
进一步,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述对所述车身图像进行区域分割,得到车身各个区域的区域图像的步骤,包括:基于预先训练得到的神经网络模型识别所述车身侧面图像中的各车厢的车厢框架;基于各所述车厢框架的位置对所述车身图像进行区域划分,得到车身各个区域的区域图像。
进一步,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述获取所述区域图像对应的目标检测模型,基于所述目标检测模型对所述区域图像进行目标识别,得到识别结果的步骤,包括:当所述区域图像为侧门图像时,基于预先训练得到的第一神经网络模型识别所述侧门图像中的各侧门零部件,得到各所述侧门零部件的识别结果;当所述区域图像为下侧门图像时,基于预先训练得到的第二神经网络模型识别所述下侧门图像中的各下侧门零部件,得到各所述下侧门零部件的识别结果。
进一步,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述基于所述识别结果确定所述区域图像的故障检测结果的步骤,包括:基于各所述侧门零部件的识别结果,确定所述货运列车的侧门区域中各所述侧门零部件对应的故障类型和告警等级;基于各所述下侧门零部件的识别结果,确定所述货运列车的下侧门区域中各所述下侧门零部件对应的故障类型和告警等级。
进一步,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述识别结果包括车身破损区域;所述基于所述识别结果确定所述区域图像的故障检测结果的步骤,包括:基于预先训练得到的第三神经网络模型对所述区域图像进行实例分割,或者,基于区域生长法提取所述区域图像中的破损区域,得到所述破损区域所覆盖的像素数量;基于所述破损区域所覆盖的像素数量确定所述破损区域的实际破损面积;根据所述破损区域的实际破损面积得到对应的告警等级。
进一步,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述基于所述破损区域所覆盖的像素数量确定所述破损区域的实际破损面积的步骤,包括:当所述区域图像为侧门图像时,获取所述侧门图像中列车侧门所覆盖的像素数量,基于所述列车侧门所覆盖的像素数量、所述破损区域所覆盖的像素数量及所述列车侧门的实际尺寸确定所述破损区域的实际破损面积;当所述区域图像为下侧门图像时,获取所述下侧门图像中列车下侧门所覆盖的像素数量,基于所述列车下侧门所覆盖的像素数量、所述破损区域所覆盖的像素数量及所述列车下侧门的实际尺寸确定所述破损区域的实际破损面积。
进一步,本发明实施例提供了第一方面的第六种可能的实施方式,其中,所述车身图像包括车厢俯视图;所述方法还包括:获取所述车厢俯视图中的车厢框线,以所述车厢框线的端点为起点进行直线拟合,得到拟合线段;基于所述拟合线段与所述车厢框线的位置关系,判断所述车厢俯视图对应的目标车厢是否存在上横梁外涨的故障;如果是,确定所述故障检测结果包括目标车厢上横梁外涨;获取所述目标车厢的连续多帧车厢侧视图,基于各所述车厢侧视图中的上横梁位置及所述拟合线段的长度,确定所述目标车厢的上横梁外涨值,根据所述上横梁外涨值确定对应的告警等级。
进一步,本发明实施例提供了第一方面的第七种可能的实施方式,其中,所述车身图像包括车厢仰视图;所述方法还包括:基于预先训练得到的第四神经网络模型识别所述车厢仰视图中的列车侧门和/或列车下侧门,得到识别结果;当所述第四神经网络模型识别到所述列车侧门时,确定故障检测结果包括侧门外涨;和/或,当所述第四神经网络模型识别到所述列车下侧门时,确定故障检测结果包括下侧门外涨。
第二方面,本发明实施例还提供了一种货运列车故障检测装置,包括:图像处理模块,用于获取货运列车的车身图像,并对所述车身图像进行区域分割,得到车身各个区域的区域图像;目标识别模块,用于获取所述区域图像对应的目标检测模型,基于所述目标检测模型对所述区域图像进行目标识别,得到识别结果;故障检测模块,用于基于所述识别结果确定所述区域图像的故障检测结果。
第三方面,本发明实施例提供了一种电子设备,包括:处理器和存储装置;所述存储装置上存储有计算机程序,所述计算机程序在被所述处理器运行时执行如第一方面任一项所述的方法。
本发明实施例提供了一种货运列车故障检测方法、装置及电子设备,首先获取货运列车的车身图像,并对车身图像进行区域分割,得到车身各个区域的区域图像;获取区域图像对应的目标检测模型,基于目标检测模型对区域图像进行目标识别,得到识别结果;基于识别结果确定区域图像的故障检测结果。在该方法中,通过获取货运列车的车身图像,对车身图像进行区域分割,可以将包括有较多零部件的车身图像划分为多个区域图像,通过选取各区域图像对应的目标检测模型,分别对各区域图像进行目标识别,可以在提升故障识别准确率的同时,快速确定各区域图像的故障检测结果,提升了货运列车的故障检测效率。
本发明实施例的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本发明实施例的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例所提供的一种货运列车故障检测方法流程图;
图2示出了本发明实施例所提供的一种货运列车车身侧面示意图;
图3示出了本发明实施例所提供的一种图像传感器分布示意图;
图4示出了本发明实施例所提供的一种货运列车检修流程图;
图5示出了本发明实施例所提供的一种货运列车故障检测装置结构示意图;
图6示出了本发明实施例所提供的一种电子设备的结构示意图。
图标:
21-侧门;22-下侧门;23-车厢侧面立柱。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
目前,对于货运列车图像的识别技术,主要依靠读取火车车厢底下的RFID信息,再安排工人手工抄录车号并校对,或者利用高速摄像机识别货运列车标记信息,统计车厢型号载重等,然而,该识别技术仅能实现货运列车的调度,并不能提升货运列车的故障检测效率。考虑到当前的货运列车故障检修技术还存在故障检测效率较低的问题,为改善此问题,本发明实施例提供的一种货运列车故障检测方法、装置及电子设备,该技术可应用于提升货运列车的故障检修效率,以下对本发明实施例进行详细介绍。
本实施例提供了一种货运列车故障检测方法,该方法可以应用于计算机等电子设备,参见图1所示的货运列车故障检测方法流程图,该方法主要包括以下步骤S102~步骤S106:
步骤S102,获取货运列车的车身图像,并对车身图像进行区域分割,得到车身各个区域的区域图像。
采集货运列车的车身图像,由于货运列车的故障主要分布于车身侧面,因此,上述车身图像可以包括车身侧面图像,由于货运列车的每节车厢侧面均包括一个侧门和多个下侧门,且侧门所在区域与下侧门所在区域之间用立柱分隔,侧门所在区域与下侧门所在区域一般存在的故障类型也不相同,通过对车身图像进行区域分割,可以防止对较大车身侧面图像故障检测时产生故障漏检。
上述车身图像可以包括货运列车的车身侧面图像,由于货运列车的车身较长,通过对车身侧面图像进行区域分割(诸如,可以将车身侧面图像中的车厢划分为侧门区域和下侧门区域),完成对车厢的切分,再对切分后的小尺寸图像进行故障检测,提升了车厢故障检测的准确率。
为了提升故障检测的准确率,还可以首先对获取到的车身图像进行图像降噪、锐化及线性变换等图像预处理操作,使车身图像中的图像特征更加明显且易于提取,从而提升车身图像区域分割的精确度。
步骤S104,获取区域图像对应的目标检测模型,基于目标检测模型对区域图像进行目标识别,得到识别结果。
相比于使用一个神经网络模型对车身图像整体进行识别的方式,本实施例采用了多个目标检测模型对车身图像进行区域识别,由于货运列车车身各个区域的零部件不相同,各零部件存在的故障也不相同,对不同的区域图像采用不同的目标检测模型进行零部件信息识别,以快速得到各区域中的零部件的识别结果,提升了货运列车的故障检测效率。
诸如,当货运列车的车身图像包括一个侧门和多个下侧门时,参见如图2所示的货运列车车身侧面示意图,货运列车车身侧面包括侧门21和六个下侧门22,各侧门或下侧门所在区域用多个车厢侧面立柱23分隔开,该车厢中需要识别的信息包括:①车型信息、②车厢编号、③货运列车车厢上横梁是否外涨、④立柱开焊情况、⑤厂修时间、⑥下侧门折页是否断裂、⑦门带是否断裂、⑧门扣缺失情况、⑨下侧门破损、⑩铆钉信息、上横梁破损、侧门折页是否断裂、/>侧门破损情况、/>侧门上销锁是否入槽、/>侧门是否压边、上门锁、/>车厢重量信息(包括载重、自重和容积)、/>下侧门外涨、/>车辆侧门是否外涨和/>车厢装载情况和绑扎情况。
其中,上述①车型信息、②车厢编号和⑤厂修时间位于车厢的第一个下侧门区域中,只需采用第一个下侧门区域对应的目标检测模型对第一个下侧门区域进行数字识别,就可以识别得到上述标号①②⑤对应的识别结果。由于车厢的第二个下侧门区域、第三个下侧门区域、第四个下侧门区域、第五个下侧门区域和第六个下侧门区域中均包括下侧门、门带、门扣和铆钉,采用上述各个下侧门区域对应的目标检测模型分别对第二个下侧门区域、第三个下侧门区域、第四个下侧门区域、第五个下侧门区域和第六个下侧门区域进行目标识别,可以识别得到上述标号⑥⑦⑧⑨⑩对应的识别结果。由于车厢的侧门区域中包括:侧门折页、侧门、侧门上销锁、侧门压边、上门锁,只需采用侧门区域对应的目标检测模型对侧门区域进行目标识别,可以得到上述标号/>对应的识别结果。由于车厢重量信息位于第六个下侧门区域中,只需采用对应的目标检测模型对第六下侧门区域进行目标识别,就可以识别到标号/>对应的识别结果。
由于车厢的上横梁贯穿整节车厢,在对上述③货运列车车厢上横梁是否外涨、上横梁破损和/>车厢装载情况和绑扎情况进行识别时,需要使用对应的目标检测目标对整个车身图像(包括车身侧面图像和车身俯视图像)进行识别,得到上述标号③、/>和/>对应的识别结果。由于各个区域之间由立柱隔开,车厢侧面包括多个立柱,在对上述④立柱开焊情况进行识别时,需要采用对应的目标检测目标对整个车身图像进行识别,得到上述标号④对应的识别结果。
步骤S106,基于识别结果确定区域图像的故障检测结果。
根据各个区域图像中零部件的识别结果,确定各个区域图像对应的故障类型和告警等级,该告警等级可以根据出现的故障类型确定。
本实施例提供的上述货运列车故障检测方法,通过获取货运列车的车身图像,对车身图像进行区域分割,可以将包括有较多零部件的车身图像划分为多个区域图像,通过选取各区域图像对应的目标检测模型,分别对各区域图像进行目标识别,可以在提升故障识别准确率的同时,快速确定各区域图像的故障检测结果,提升了货运列车的故障检测效率。
为了提升货运列车故障检测的准确率,本实施例提供了获取货运列车的车身图像,并对车身图像进行区域分割的实施方式,具体可参照如下步骤(1)~步骤(2)执行:
步骤(1):基于预先训练得到的神经网络模型识别车身侧面图像中的各车厢的车厢框架。
利用图像传感器获取货运列车的车身侧面图像,该图像传感器可以包括多个图像传感器,货运列车的两侧分别设置有图像传感器,利用货运列车两侧的图像传感器可以采集到完整的车身侧面图像。上述图像传感器可以是高速摄像机,当货运列车降速行驶进入站台的过程中,利用特定位置设置的高速摄像机拍摄货运列车的车身侧面图像,无需等待货运列车停止后进行故障检测,节约了货运列车的故障检测时间。由于货运列车可能会在夜晚行驶进入站台,因此,上述高速摄像机可以是具有夜视补光功能的相机。
如图2所示,各侧门或下侧门所在区域用多个车厢侧面立柱23分隔开,将标记有车厢侧面立柱及车厢框架的车身侧面图像输入神经网络模型进行训练,得到训练后的神经网络模型,基于训练后的神经网络模型对车身侧面图像进行识别,可以识别得到车身侧面图像中的各个车厢的车厢框架及侧面立柱。
步骤(2):基于各车厢框架的位置对车身图像进行区域划分,得到车身各个区域的区域图像。
由于货运列车的车身长度较长,为了提升列车车身故障的检测效率,基于识别到的车厢框架位置确定车厢的位置,对车厢框架内的区域进行区域划分。诸如,由于车厢侧面包括下侧门和侧门,侧门与下侧门之间用侧面立柱分隔,可以根据车厢框架内的各个侧面立柱的位置对车身图像进行区域划分,得到侧门区域的区域图像和下侧门区域的区域图像。
其中,上述侧门区域为侧门21两侧立柱之间的区域,下侧门区域为下侧门22两侧立柱之间的区域或立柱与车厢边缘组成的区域,由于车厢侧门通常位于车厢的中间位置,将车厢侧面中间两立柱与车厢上横梁及车厢底部组成的区域作为侧门区域,将其他立柱与车厢上横梁及车厢底部组成的区域作为下侧门区域。
为了提升货运列车的维修效率,本实施例提供了获取区域图像对应的目标检测模型,基于目标检测模型对区域图像进行目标识别,得到识别结果的实施方式,具体可参照如下步骤1~步骤2执行:
步骤1:当区域图像为侧门图像时,基于预先训练得到的第一目标检测模块识别侧门图像中的各侧门零部件,得到各侧门零部件的识别结果。
上述第一目标检测模块是基于侧门图像样本训练得到的,其中,侧门图像样本中标注有侧门区域内各零部件的位置及故障类型。将分隔得到的侧门区域的区域图像输入训练得到的第一神经网络模型中,得到侧门区域中各个零部件的识别结果,该识别结果可以包括各个零部件是否存在故障,及各零部件存在的故障类型。
上述侧门区域的侧门零部件存在的故障类型通常包括:侧门未压边、门锁故障、侧门折页故障和上销锁故障等故障,其中,上销锁故障包括:上销未入槽和上销及中门拉杆断裂等故障,门锁故障包括上门锁开闭杆缺失、上门锁开闭杆未入开闭杆固定座或上门锁杠杆断裂等故障,侧门折页故障通常包括侧门折页断裂。
步骤2:当区域图像为下侧门图像时,基于预先训练得到的第二神经网络模型识别下侧门图像中的各下侧门零部件,得到各下侧门零部件的识别结果。
上述第二神经网络模型是基于下侧门图像样本训练得到的,其中,下侧门图像样本中标注有下侧门区域内各零部件的位置及故障类型。将分隔得到的下侧门区域的区域图像输入训练得到的第二神经网络模型中,得到下侧门区域中各个零部件的识别结果,该识别结果可以包括各个零部件是否存在故障,及各零部件存在的故障类型。在实际应用中,上述第一神经网络模型和第二神经网络模型可以是用于进行目标识别的目标检测模型,诸如可以是卷积神经网络。第一神经网络模型和第二神经网络模型可以为同一个检测模型,也可以是两个独立的目标检测模型。
上述下侧门区域内的下侧门零部件存在的故障类型通常包括:立柱焊点断开、下侧门折页断裂、门带断裂、门扣缺失、铆钉故障、上横梁破损和段修时间到期等故障,其中,铆钉故障通常包括铆钉缺失,铆钉板断裂,铆钉腐烂等故障。
由于不同的零部件存在的不同故障对于货运列车的影响大小不同,为了区分各个故障的严重程度,及时发现对列车影响较大的故障,本实施例提供了基于识别结果确定区域图像的故障检测结果的实施方式,具体可参照如下步骤a~步骤b执行:
步骤a:基于各侧门零部件的识别结果,确定货运列车的侧门区域中各侧门零部件对应的故障类型和告警等级。
当第一神经网络模型检测得到侧门区域中侧门未压边(即侧门的一侧未压边并高于另一侧)或上销未入槽(即侧门上销不入槽、侧门上销卡槽外焊钢筋挡板处或侧门上销在卡槽外未进入槽内)时,确定该故障类型(侧门未压边和上销未入槽)对应的告警等级为中级告警。当第一神经网络模型检测得到侧门区域中存在上门锁开闭杆缺失、上门锁开闭杆未入开闭杆固定座、上门锁杠杆断裂、侧门折页断裂和上销及中门拉杆断裂中的任意一种故障类型时,确定上述故障类型对应的告警等级为高级警告。
步骤b:基于各下侧门零部件的识别结果,确定货运列车的下侧门区域中各下侧门零部件对应的故障类型和告警等级。
根据下侧门区域内的各下侧门零部件的故障类型确定对应的告警等级,当下侧门零部件的识别结果为门带断裂时,确定对应的告警等级为低级告警;当下侧门零部件的识别结果为下侧门折页断裂、门扣缺失数量为一个或上横梁破损位置数量小于预设数值时,确定对应的告警等级为中级告警;当下侧门零部件的识别结果为段修时间到期、立柱焊点断开、门扣缺失数量为两个、车身两侧的上横梁破损位置均大于等于两处及铆钉故障中的任意一种或多种时,确定对应的告警等级为高级告警;其中,段修时间到期为车身图像中段修时间的月份值大于或等于当前时间的月份值。
当下侧门零部件的识别结果为门带断裂的故障时,生成门带断裂对应的低级告警。当下侧门零部件的识别结果为下侧门折页断裂、门扣缺失一个或上横梁破损位置数量小于等于预设数值(该预设数值可以是2,诸如上横梁单侧开焊且开焊位置为一处或两处,或者同一车厢的两侧上横梁均有一处开焊)时,确定该故障类型对应的告警等级为中级警告。
由于货运列车车厢的其中一个下侧门区域中印有货运列车的时间信息,该时间信息包括段修时间、上一次段修时间、厂修时间及上一次厂修时间,上述第二神经网络模型的训练样本还包括数字图像。当上述下侧门零部件的识别结果为段修时间到期(即段修时间中的月份值为当前的月份值,若段修时间中的月份值小于当前的月份值,则该车厢按过期车处理)、立柱焊点断开(即立柱有开焊)、门扣缺失数量为两个(即缺少两个门扣)、车身两侧的上横梁破损位置均大于等于两处及铆钉故障(即铆钉缺失、铆钉板断裂或铆钉腐烂)中的任意一种或多种故障时,确定该故障类型对应的告警等级为高级警告。
在一种具体的实施方式中,可以首先从车身侧面图像中获取该车身侧面图像对应的车厢信息,该车厢信息包括车型、车厢编号、载重、自重、容积等信息,通过获取车身侧面图像对应的车厢信息,可以确定各个车身侧面图像对应的车厢编号,根据得到的车身侧面图像的故障检测结果,得到该故障检测结果对应的车厢编号,以便精确定位各个故障所属的车厢编号。
为了提升车厢故障的检测精度,上述第一目标检测模块和第二神经网络模型还可以对区域图像进行破损识别,当上述识别结果包括车身破损区域时,本实施例还提供了基于识别结果确定区域图像的故障检测结果的具体实施方式:
基于预先训练得到的第三神经网络模型对区域图像进行实例分割,或者,基于区域生长法提取区域图像中的破损区域,得到破损区域所覆盖的像素数量。上述第三神经网络模型是基于标注有破损区域的车身侧面图像样本训练得到的,将采集到的车身侧面图像输入训练后的第三神经网络模型中进行破损区域实例分割,或者采用区域生长法对车身图像进行图像分割提取破损区域,可以得到车身侧面图像中破损区域的各像素点坐标及像素点数量。
基于破损区域所覆盖的像素数量确定破损区域的实际破损面积。当区域图像为侧门图像时,获取侧门图像中列车侧门所覆盖的像素数量,基于列车侧门所覆盖的像素数量、破损区域所覆盖的像素数量及列车侧门的实际尺寸确定破损区域的实际破损面积;当区域图像为下侧门图像时,获取下侧门图像中列车下侧门所覆盖的像素数量,基于列车下侧门所覆盖的像素数量、破损区域所覆盖的像素数量及列车下侧门的实际尺寸确定破损区域的实际破损面积。
由于破损区域通常位于侧门区域或下侧门区域,且当图像传感器位置固定和焦距时,侧门和下侧门所覆盖的像素数量为固定值,当破损区域在侧门上时,根据破损区域所覆盖的像素数量与侧门所覆盖的像素数量的比例,以及侧门的面积(根据列车侧门的实际尺寸得到),可以确定破损区域的实际破损面积;当破损区域在下侧门上时,根据破损区域所覆盖的像素数量与下侧门所覆盖的像素数量的比例,以及下侧门的面积(根据列车下侧门的实际尺寸得到),可以确定破损区域的实际破损面积。
根据破损区域的实际破损面积得到对应的告警等级。诸如,当实际破损面积小于第一面积时,确定对应的告警等级为中级告警,当实际破损面积大于等于第一面积时,确定对应的告警等级为高级告警。上述第一面积可以根据侧门或下侧门的实际面积确定,诸如可以是100cm2~400cm2之间的任意值,诸如当实际破损面积为50cm2或100cm2时,确定对应的告警等级为中级告警,当实际破损面积为600cm2时,确定对应的告警等级为高级告警。
为了实现对货运列车的全面检测,上述车身图像包括车厢仰视图,参见如图3所示的图像传感器分布示意图,可以在铁路轨道的特定位置设置6个高速摄像机,分别采集货运列车两侧的车身侧面图像、车厢俯视图和车厢仰视图。本实施例提供的货运列车故障检测方法还包括:基于预先训练得到的第四神经网络模型识别车厢仰视图中的列车侧门和/或列车下侧门,得到识别结果;当第四神经网络模型识别到列车侧门时,确定故障检测结果包括侧门外涨;和/或,当第四神经网络模型识别到列车下侧门时,确定故障检测结果包括下侧门外涨。将标注有侧门外涨和/或下侧门外涨的车厢仰视图样本输入第四神经网络模型中进行训练,当货运列车到达特定位置时,通过铁道旁地上安装的高速摄像机,将自下而上采集到的车厢仰视图输入第四神经网络模型中,检测车厢仰视图的侧门区域是否存在侧门外涨,和/或,检测车厢仰视图的下侧门区域是否存在下侧门外涨的故障。当货运列车的任一车厢检测到侧门外涨或下侧门外涨的故障时,确定对应的告警等级为高级告警,将出现侧门外涨或下侧门外涨的车厢的车身图像、故障类型及对应的高级警告发送至检修终端。在实际应用中,上述第三神经网络模型与上述第四神经网络模型,可以是同一个神经网络模型。
在实际应用中,还可以利用YOLO系列算法对车厢俯视图进行目标检测,检测车厢中的运煤布是否完全遮盖煤炭,或者,根据车厢俯视图检测车厢的煤炭装载高度是否超过预设高度位置,当车厢的煤炭装载高度超过预设高度位置时,生成对应的中级告警。
为了实现对货运列车故障的全面检测,本实施例提供的货运列车故障检测方法还包括:
获取车厢俯视图中的车厢框线,以车厢框线的端点为起点进行直线拟合,得到拟合线段。通过货运列车上方的图像传感器采集车厢俯视图,利用实例分割算法从车厢俯视图中分割出货运列车的车厢区域,并提取车厢区域的车厢框线,获取框线的端点进行直线拟合(通过车厢区域框线的端点对车厢长度框线进行拟合,当车厢上横梁未发生外涨时,拟合得到的直线与车厢长度框线重合,当车厢上横梁发生外涨时,拟合得到的直线会逐渐偏离车厢长度框线)。
基于拟合线段与车厢框线的位置关系,判断车厢俯视图对应的目标车厢是否存在上横梁外涨的故障;如果是,确定故障检测结果包括目标车厢上横梁外涨。获取拟合得到的拟合线段的长度L1(即拟合线段与车厢区域长度框线的重合长度,该拟合线段为未偏离车厢框线的线段),获取车厢长度框线L2,当L1<L2时,确定车厢俯视图对应的目标车厢存在上横梁外涨的故障,确定目标车厢的故障检测结果包括上横梁外涨。
获取目标车厢的连续多帧车厢侧视图,基于各车厢侧视图中的上横梁位置及拟合线段的长度,确定目标车厢的上横梁外涨值,根据上横梁外涨值确定对应的告警等级。计算重合长度L1与车厢长度框线L2的比值a1,采集该车厢连续多帧的车厢侧面图像,设该车厢上横梁与车厢侧面图像左边框产生交点的图像总共有m帧图像,记录每一帧车厢侧面图像中该车厢上横梁与车厢侧面图像左边框的交点的坐标位置,车厢上横梁与车厢侧面图像左边框的交点的纵坐标y变化较大时,确定该车厢出现上横梁外涨的故障,计算该车厢的上横梁外涨比例其中,yi为第i帧车厢侧面图像中车厢上横梁与车厢侧面图像左边框的交点的纵坐标值,/>为各纵坐标值的平均值,/>w1和w2为权重值,可以根据实际情况中拟合直线及上横梁与车厢侧面图像左边框的交点的纵坐标变化值对车厢外涨值的影响大小进行设定,根据上述得到的上横梁外涨比例及车厢的实际尺寸可以确定上横梁的外涨值,当上横梁外涨比例达到预设阈值时,可以确定上横梁的外涨值达到告警阈值(诸如,车厢空载时外涨值的告警阈值可以是80mm,车厢载货时外涨值的告警阈值可以是150mm)。利用预先训练得到的第五神经网络模型识别车厢是否装载货物,当车厢未装载货物,且上横梁的外涨值大于等于80mm时,确定该故障对应的告警等级为高级告警;或者,当车厢装载货物,且上横梁的外涨值大于等于150mm时,确定该故障对应的告警等级为高级告警。
在一种具体的实施方式中,本实施例提供的货运列车故障检测方法,还包括:将货运列车的故障检测结果发送至检修终端。负责故障检测的电子设备将货运列车各个车厢的车身图像及对应的故障检测结果发送至服务器,服务器将货运列车各个车厢的车身图像及对应的故障检测结果发送至检修终端,该检修终端可以是检修工作人员持有的移动终端,以将车身图像及故障检测结果展示给检修工作人员。由于车身图像中包括货运列车的车厢编号等车厢信息,检修人员根据接收到的各个车厢的故障检测结果可以准确定位各个故障的位置及故障类型,检修人员根据各个故障的位置及故障类型携带相应的维修工具对货运列车车厢进行维修。
接收检修终端发送的修理结果、漏检信息或错检信息;其中,漏检信息包括漏检位置图像和漏检位置故障类型,错检信息包括修正后的故障类型及告警等级。当检修终端接收到负责故障检测的电子设备发送的车身图像及其对应的故障检测结果后,将车身图像及其对应的故障检测结果显示给检修人员,检修人员核实故障检测结果中的告警等级是否符合修理范围等级,若该故障对应的告警等级符合修理范围等级,携带相应工具对车厢进行维修,并将修理结果(修理后的车身图像)发送至负责故障检测的电子设备,若检修人员在维修过程中发现故障检测结果之外的漏检故障,将该漏检位置图像和漏检位置故障类型发送至负责故障检测的电子设备,以便使用漏检位置图像对电子设备中的神经网络模型进行训练,提升故障检测的准确率;若该故障对应的告警等级不符合修理范围等级,检修人员使用错判处理流程,对车身图像的故障检测结果进行修改,并将修改后的结果提交至检修终端,以使检修终端将错检信息发送至负责故障检测的电子设备,更新车身故障图像库。
本实施例提供的上述货运列车故障检测方法,解决了货运列车需要停车人工检修流程复杂、过多时长的问题,加快了检修速度,通过设置多个图像传感器全面采集货运列车的车身侧面图像、车厢仰视图和车厢俯视图,提高了检修精度,避免了货运列车漏检错修的问题,使得列车车身外损问题可以及时发现并有据可查。
在前述实施例的基础上,本实施例提供了一种应用前述货运列车故障检测方法对运煤货运列车进行检修的示例,参见如图4所示的货运列车检修流程图,具体可参照如下步骤402~步骤406执行:
步骤402:利用多个高速摄像机采集货运列车的车身图像。
上述车身图像可以是通过视频流解析得到的图像,该车身图像包括车身侧面图像、车厢俯视图和车厢仰视图。高速摄像机将采集到的图像视频通过光纤或无线基站传输至AI识别模型中。
上述高速摄像机可以是自动调焦的云台相机,能够将需要识别的部位局部放大,从而采集识别局部部位的车损情况,例如铆钉位置、合页位置等。上述云台相机可以是电动云台,可以扩大摄像机的监控范围。电动云台是由两台执行电动机来实现,电动机接受来自控制电路的信号精确地运行定位,在控制信号的作用下,云台上的摄像机既可自动扫描监控区域。监控摄像机用云台控制可以对摄像机视角、焦距进行调节,无需监控人员人工标定区域和距离。
步骤404:利用AI识别模型对车身图像进行故障检测,并将故障检测结果发送至AI业务模型中。
利用AI识别模型对车身侧面图像、车厢俯视图和车厢仰视图进行智能分析,得到各车厢编号对应的故障类型及其告警等级。AI识别模型在进行故障识别时,还可以与云台相机进行协作,当AI识别模型检测到目标时,可以根据目标大小、清晰度能,调整云台摄像机拍摄角度,并对画面进行拉伸缩放,并以此来追踪运动列车上的目标并使得被跟踪目标始终在监控录像的视野中心,实现对视野中的检测目标进行检测识别、跟踪。
步骤406:AI业务模型将故障检测结果输出至检修终端,并接收检修终端反馈的修理结果、漏检信息或错检信息。
当AI业务模型接收到AI视频识别模型输出的识别结果后,按既定规则输出至检修终端并发出对应的告警信息,检修人员接收到告警信息后,完成检修,并且还增设漏报警错判别的功能,将这些信息提交至检修终端。
AI业务模型中还有统计分析功能,以日、周、月、年为周期,对修理结果、漏检信息或错检信息进行汇聚分析,建立设备全生命周期健康状态评估模型和风险预测模型,为设备保养、日常巡检、经营生产提供决策支持。
对应于上述实施例所提供的货运列车故障检测方法,本发明实施例提供了一种货运列车故障检测装置,参见图5所示的一种货运列车故障检测装置结构示意图,该装置包括以下模块:
图像处理模块51,用于获取货运列车的车身图像,并对车身图像进行区域分割,得到车身各个区域的区域图像。
目标识别模块52,用于获取区域图像对应的目标检测模型,基于目标检测模型对区域图像进行目标识别,得到识别结果。
故障检测模块53,用于基于识别结果确定区域图像的故障检测结果。
本实施例提供的上述货运列车故障检测装置,通过获取货运列车的车身图像,对车身图像进行区域分割,可以将包括有较多零部件的车身图像划分为多个区域图像,通过选取各区域图像对应的目标检测模型,分别对各区域图像进行目标识别,可以在提升故障识别准确率的同时,快速确定各区域图像的故障检测结果,提升了货运列车的故障检测效率。
在一种实施方式中,上述图像处理模块51,进一步用于基于预先训练得到的神经网络模型识别车身侧面图像中的各车厢的车厢框架;基于各车厢框架的位置对车身图像进行区域划分,得到车身各个区域的区域图像。
在一种实施方式中,上述目标识别模块52,进一步用于在区域图像为侧门图像时,基于预先训练得到的第一神经网络模型识别侧门图像中的各侧门零部件,得到各侧门零部件的识别结果;当区域图像为下侧门图像时,基于预先训练得到的第二神经网络模型识别下侧门图像中的各下侧门零部件,得到各下侧门零部件的识别结果。
在一种实施方式中,上述故障检测模块53,进一步用于基于各侧门零部件的识别结果,确定货运列车的侧门区域中各侧门零部件对应的故障类型和告警等级;基于各下侧门零部件的识别结果,确定货运列车的下侧门区域中各下侧门零部件对应的故障类型和告警等级。
在一种实施方式中,上述识别结果包括车身破损区域;上述故障检测模块53,进一步用于基于预先训练得到的第三神经网络模型对区域图像进行实例分割,或者,基于区域生长法提取区域图像中的破损区域,得到破损区域所覆盖的像素数量;基于破损区域所覆盖的像素数量确定破损区域的实际破损面积;根据破损区域的实际破损面积得到对应的告警等级。
在一种实施方式中,上述故障检测模块53,进一步用于在区域图像为侧门图像时,获取侧门图像中列车侧门所覆盖的像素数量,基于列车侧门所覆盖的像素数量、破损区域所覆盖的像素数量及列车侧门的实际尺寸确定破损区域的实际破损面积;当区域图像为下侧门图像时,获取下侧门图像中列车下侧门所覆盖的像素数量,基于列车下侧门所覆盖的像素数量、破损区域所覆盖的像素数量及列车下侧门的实际尺寸确定破损区域的实际破损面积。
在一种实施方式中,上述车身图像包括车厢俯视图和车厢仰视图;上述装置还包括:
第一外涨检测模块,用于获取车厢俯视图中的车厢框线,以车厢框线的端点为起点进行直线拟合,得到拟合线段;基于拟合线段与车厢框线的位置关系,判断车厢俯视图对应的目标车厢是否存在上横梁外涨的故障;如果是,确定故障检测结果包括目标车厢上横梁外涨;获取目标车厢的连续多帧车厢侧视图,基于各车厢侧视图中的上横梁位置及拟合线段的长度,确定目标车厢的上横梁外涨值,根据上横梁外涨值确定对应的告警等级。
第二外涨检测模块,用于基于预先训练得到的第四神经网络模型识别车厢仰视图中的列车侧门和/或列车下侧门,得到识别结果;当第四神经网络模型识别到列车侧门时,确定故障检测结果包括侧门外涨;和/或,当第四神经网络模型识别到列车下侧门时,确定故障检测结果包括下侧门外涨。
本实施例提供的上述货运列车故障检测装置,解决了货运列车需要停车人工检修流程复杂、过多时长的问题,加快了检修速度,通过设置多个图像传感器全面采集货运列车的车身侧面图像、车厢仰视图和车厢俯视图,提高了检修精度,避免了货运列车漏检错修的问题,使得列车车身外损问题可以及时发现并有据可查。
本实施例所提供的装置,其实现原理及产生的技术效果和前述实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
对应于前述实施例所提供的方法和装置,本发明实施例还提供了一种电子设备。如图6所示的电子设备结构示意图,电子设备包括处理器61、存储器62,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例提供的方法的步骤。
参见图6,电子设备还包括:总线64和通信接口63,处理器61、通信接口63和存储器62通过总线64连接。处理器61用于执行存储器62中存储的可执行模块,例如计算机程序。
其中,存储器62可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线64可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器62用于存储程序,所述处理器61在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器61中,或者由处理器61实现。
处理器61可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器61中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器61可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等。还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable GateArray,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器62,处理器61读取存储器62中的信息,结合其硬件完成上述方法的步骤。
本发明实施例提供了一种计算机可读介质,其中,所述计算机可读介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,所述计算机可执行指令促使所述处理器实现上述实施例所述的方法。
本发明实施例所提供的货运列车故障检测方法、装置及电子设备的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种货运列车故障检测方法,其特征在于,包括:
获取货运列车的车身图像,并对所述车身图像进行区域分割,得到车身各个区域的区域图像;
获取所述区域图像对应的目标检测模型,基于所述目标检测模型对所述区域图像进行目标识别,得到识别结果;
基于所述识别结果确定所述区域图像的故障检测结果;
所述车身图像包括车厢俯视图;所述方法还包括:
获取所述车厢俯视图中的车厢框线,以所述车厢框线的端点为起点进行直线拟合,得到拟合线段;
基于所述拟合线段与所述车厢框线的位置关系,判断所述车厢俯视图对应的目标车厢是否存在上横梁外涨的故障;
如果是,确定所述故障检测结果包括目标车厢上横梁外涨;
获取所述目标车厢的连续多帧车厢侧视图,基于各所述车厢侧视图中的上横梁位置及所述拟合线段的长度,确定所述目标车厢的上横梁外涨值,根据所述上横梁外涨值确定对应的告警等级。
2.根据权利要求1所述的方法,其特征在于,所述对所述车身图像进行区域分割,得到车身各个区域的区域图像的步骤,包括:
基于预先训练得到的神经网络模型识别车身侧面图像中的各车厢的车厢框架;
基于各所述车厢框架的位置对所述车身图像进行区域划分,得到车身各个区域的区域图像。
3.根据权利要求1所述的方法,其特征在于,所述获取所述区域图像对应的目标检测模型,基于所述目标检测模型对所述区域图像进行目标识别,得到识别结果的步骤,包括:
当所述区域图像为侧门图像时,基于预先训练得到的第一神经网络模型识别所述侧门图像中的各侧门零部件,得到各所述侧门零部件的识别结果;
当所述区域图像为下侧门图像时,基于预先训练得到的第二神经网络模型识别所述下侧门图像中的各下侧门零部件,得到各所述下侧门零部件的识别结果。
4.根据权利要求3所述的方法,其特征在于,所述基于所述识别结果确定所述区域图像的故障检测结果的步骤,包括:
基于各所述侧门零部件的识别结果,确定所述货运列车的侧门区域中各所述侧门零部件对应的故障类型和告警等级;
基于各所述下侧门零部件的识别结果,确定所述货运列车的下侧门区域中各所述下侧门零部件对应的故障类型和告警等级。
5.根据权利要求1所述的方法,其特征在于,所述识别结果包括车身破损区域;所述基于所述识别结果确定所述区域图像的故障检测结果的步骤,包括:
基于预先训练得到的第三神经网络模型对所述区域图像进行实例分割,或者,基于区域生长法提取所述区域图像中的破损区域,得到所述破损区域所覆盖的像素数量;
基于所述破损区域所覆盖的像素数量确定所述破损区域的实际破损面积;
根据所述破损区域的实际破损面积得到对应的告警等级。
6.根据权利要求5所述的方法,其特征在于,所述基于所述破损区域所覆盖的像素数量确定所述破损区域的实际破损面积的步骤,包括:
当所述区域图像为侧门图像时,获取所述侧门图像中列车侧门所覆盖的像素数量,基于所述列车侧门所覆盖的像素数量、所述破损区域所覆盖的像素数量及所述列车侧门的实际尺寸确定所述破损区域的实际破损面积;
当所述区域图像为下侧门图像时,获取所述下侧门图像中列车下侧门所覆盖的像素数量,基于所述列车下侧门所覆盖的像素数量、所述破损区域所覆盖的像素数量及所述列车下侧门的实际尺寸确定所述破损区域的实际破损面积。
7.根据权利要求1所述的方法,其特征在于,所述车身图像包括车厢仰视图;所述方法还包括:
基于预先训练得到的第四神经网络模型识别所述车厢仰视图中的列车侧门和/或列车下侧门,得到识别结果;
当所述第四神经网络模型识别到所述列车侧门时,确定故障检测结果包括侧门外涨;
和/或,
当所述第四神经网络模型识别到所述列车下侧门时,确定故障检测结果包括下侧门外涨。
8.一种货运列车故障检测装置,其特征在于,应用于权利要求1-7任一项所述的方法,所述装置包括:
图像处理模块,用于获取货运列车的车身图像,并对所述车身图像进行区域分割,得到车身各个区域的区域图像;
目标识别模块,用于获取所述区域图像对应的目标检测模型,基于所述目标检测模型对所述区域图像进行目标识别,得到识别结果;
故障检测模块,用于基于所述识别结果确定所述区域图像的故障检测结果。
9.一种电子设备,其特征在于,包括:处理器和存储装置;
所述存储装置上存储有计算机程序,所述计算机程序在被所述处理器运行时执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011210552.7A CN112508034B (zh) | 2020-11-03 | 2020-11-03 | 货运列车故障检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011210552.7A CN112508034B (zh) | 2020-11-03 | 2020-11-03 | 货运列车故障检测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508034A CN112508034A (zh) | 2021-03-16 |
CN112508034B true CN112508034B (zh) | 2024-04-30 |
Family
ID=74955304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011210552.7A Active CN112508034B (zh) | 2020-11-03 | 2020-11-03 | 货运列车故障检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508034B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113220537B (zh) * | 2021-06-02 | 2022-11-11 | 上海节卡机器人科技有限公司 | 一种软件监控方法、装置、设备及可读存储介质 |
CN113393442B (zh) * | 2021-06-17 | 2023-05-16 | 东云睿连(武汉)计算技术有限公司 | 列车零部件异常检测方法、系统、电子设备及存储介质 |
CN114241476A (zh) * | 2021-12-20 | 2022-03-25 | 山东矩阵软件工程股份有限公司 | 一种列车车况检查方法、系统及相关装置 |
CN114202730A (zh) * | 2022-01-08 | 2022-03-18 | 深圳安锐科技有限公司 | 一种基于深度学习和多传感器数据融合的高速列车车型动态识别控制系统 |
CN114219051B (zh) * | 2022-02-23 | 2022-05-06 | 成都明途科技有限公司 | 图像分类方法、分类模型的训练方法、装置及电子设备 |
CN115063903A (zh) * | 2022-06-08 | 2022-09-16 | 深圳市永达电子信息股份有限公司 | 一种铁路货列厢体异常监测方法以及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2350523A1 (en) * | 1998-11-12 | 2000-05-25 | Stn Atlas Elektronik Gmbh | Method for detecting damage in railway traffic |
WO2015131661A1 (zh) * | 2014-03-07 | 2015-09-11 | 刘健 | 长超站台的轨道列车及其编组系统 |
KR101602376B1 (ko) * | 2015-09-15 | 2016-03-11 | 투아이시스(주) | 열차 결함 모니터링 시스템 |
CN106226050A (zh) * | 2016-07-15 | 2016-12-14 | 北京航空航天大学 | 一种tfds故障自动识别方法 |
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 |
CN107576510A (zh) * | 2017-09-01 | 2018-01-12 | 武汉华威专用汽车检测有限责任公司 | 基于激光测量位移的车厢性能检测方法及检测系统 |
CN107766683A (zh) * | 2017-11-29 | 2018-03-06 | 吉林大学 | 一种厢式车车厢底部波纹横梁结构轻量化优化设计方法 |
CN108828518A (zh) * | 2018-03-29 | 2018-11-16 | 上海大学 | 一种货车车厢内部堆垛车定位方法 |
WO2019080055A1 (zh) * | 2017-10-26 | 2019-05-02 | 深圳市锐明技术股份有限公司 | 运输车辆的车厢状态检测方法、车厢状态检测装置及终端 |
CN110264513A (zh) * | 2019-07-23 | 2019-09-20 | 精英数智科技股份有限公司 | 矿车掉道的监控方法、装置、设备和存储介质 |
CN110264470A (zh) * | 2019-05-07 | 2019-09-20 | 平安科技(深圳)有限公司 | 货运列车篷布监测方法、装置、终端及存储介质 |
CN111079747A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车转向架侧架断裂故障图像识别方法 |
CN111326005A (zh) * | 2020-03-04 | 2020-06-23 | 北京百度网讯科技有限公司 | 图像处理方法、装置、计算机设备和介质 |
CN111723706A (zh) * | 2020-06-09 | 2020-09-29 | 杭州古德微机器人有限公司 | 基于树莓派的厢式货车厢门开度监控装置及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009043215A1 (de) * | 2009-09-28 | 2011-05-19 | Siemens Aktiengesellschaft | Verfahren und Anordnung zur Kontrolle von Stromabnehmern, Lichtraumprofilen und horizontaler und vertikaler Fahrdrahtposition an Fahrzeugverbänden |
US9346473B1 (en) * | 2014-11-05 | 2016-05-24 | Herzog Railroad Services, Inc. | Material transport and distribution consist with controlled gated hopper cars and conveyor systems |
-
2020
- 2020-11-03 CN CN202011210552.7A patent/CN112508034B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2350523A1 (en) * | 1998-11-12 | 2000-05-25 | Stn Atlas Elektronik Gmbh | Method for detecting damage in railway traffic |
WO2015131661A1 (zh) * | 2014-03-07 | 2015-09-11 | 刘健 | 长超站台的轨道列车及其编组系统 |
KR101602376B1 (ko) * | 2015-09-15 | 2016-03-11 | 투아이시스(주) | 열차 결함 모니터링 시스템 |
CN106226050A (zh) * | 2016-07-15 | 2016-12-14 | 北京航空航天大学 | 一种tfds故障自动识别方法 |
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 |
CN107576510A (zh) * | 2017-09-01 | 2018-01-12 | 武汉华威专用汽车检测有限责任公司 | 基于激光测量位移的车厢性能检测方法及检测系统 |
WO2019080055A1 (zh) * | 2017-10-26 | 2019-05-02 | 深圳市锐明技术股份有限公司 | 运输车辆的车厢状态检测方法、车厢状态检测装置及终端 |
CN107766683A (zh) * | 2017-11-29 | 2018-03-06 | 吉林大学 | 一种厢式车车厢底部波纹横梁结构轻量化优化设计方法 |
CN108828518A (zh) * | 2018-03-29 | 2018-11-16 | 上海大学 | 一种货车车厢内部堆垛车定位方法 |
CN110264470A (zh) * | 2019-05-07 | 2019-09-20 | 平安科技(深圳)有限公司 | 货运列车篷布监测方法、装置、终端及存储介质 |
CN110264513A (zh) * | 2019-07-23 | 2019-09-20 | 精英数智科技股份有限公司 | 矿车掉道的监控方法、装置、设备和存储介质 |
CN111079747A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车转向架侧架断裂故障图像识别方法 |
CN111326005A (zh) * | 2020-03-04 | 2020-06-23 | 北京百度网讯科技有限公司 | 图像处理方法、装置、计算机设备和介质 |
CN111723706A (zh) * | 2020-06-09 | 2020-09-29 | 杭州古德微机器人有限公司 | 基于树莓派的厢式货车厢门开度监控装置及系统 |
Non-Patent Citations (2)
Title |
---|
Analysis on the influencing factors of mechanical characteristics of jointless turnout group in ballasted track of high-speed railway;Gao, L等;Science China-Technological Sciences;第56卷(第2期);499-508 * |
高速动车组制动横梁裂纹故障分析及改进措施;谌亮等;铁道学报;第42卷(第6期);44-49 * |
Also Published As
Publication number | Publication date |
---|---|
CN112508034A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508034B (zh) | 货运列车故障检测方法、装置及电子设备 | |
EP2697738B1 (en) | Method and system of rail component detection using vision technology | |
CN112113978A (zh) | 一种基于深度学习的车载隧道缺陷在线检测系统及方法 | |
KR20210157000A (ko) | 차량 하부 검사 시스템 및 그 방법 | |
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 | |
CN107967445A (zh) | 一种轿车加装天窗的智能检测系统及方法 | |
CN112129236A (zh) | 一种内河船舶安检系统及安检方法 | |
CN112907532B (zh) | 基于Faster RCNN改进的货车车门脱落检测方法 | |
CN112001908B (zh) | 铁路货车枕梁孔搭载异物检测方法 | |
Sawadisavi et al. | Machine-vision inspection of railroad track | |
CN105095851A (zh) | 一种钢卷位置识别方法 | |
CN115880563A (zh) | 车体破损检测方法、装置、电子设备及可读存储介质 | |
CN111114587A (zh) | 一种车站接发列车预警系统及其图像预处理方法 | |
CN114022537A (zh) | 一种用于动态称重区域车辆装载率和偏载率分析方法 | |
CN108918550B (zh) | 一种受电弓打弓缺陷检测方法 | |
CN111091557A (zh) | 一种铁路货车承载鞍挡边折断故障检测方法及系统 | |
CN112686215B (zh) | 一种运载车的轨迹跟踪监测预警系统及方法 | |
CN112102293B (zh) | 铁路货车三角孔异物快速检测方法 | |
Vavilin et al. | Real-time Train Wagon Counting and Number Recognition Algorithm | |
KR102623236B1 (ko) | 컨테이너 터미널 게이트 자동화 컨테이너 데미지 검출 시스템 및 이의 실행방법 | |
CN211346837U (zh) | 一种铁路货检智能检测设备 | |
CN116206238A (zh) | 一种铅封查验方法及其系统 | |
CN116524443A (zh) | 一种基于多维视觉融合的轨道车辆检测方法和装置 | |
CN117689400B (zh) | 一种基于数据标签的超限源头溯源方法及系统 | |
CN212220255U (zh) | 铁路兼顾货运安全检测的车辆自动识别系统 |
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 | ||
GR01 | Patent grant |