CN114463258B - 一种基于深度学习技术的机车车辆闸片磨耗检测方法 - Google Patents
一种基于深度学习技术的机车车辆闸片磨耗检测方法 Download PDFInfo
- Publication number
- CN114463258B CN114463258B CN202111593416.5A CN202111593416A CN114463258B CN 114463258 B CN114463258 B CN 114463258B CN 202111593416 A CN202111593416 A CN 202111593416A CN 114463258 B CN114463258 B CN 114463258B
- Authority
- CN
- China
- Prior art keywords
- brake pad
- pixel
- edge
- edge coordinates
- algorithm
- 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 23
- 238000005516 engineering process Methods 0.000 title claims abstract description 13
- 238000005096 rolling process Methods 0.000 title claims abstract description 10
- 238000013135 deep learning Methods 0.000 title claims abstract description 8
- 238000005299 abrasion Methods 0.000 title claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000003708 edge detection Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习技术的机车车辆闸片磨耗检测方法。现有闸片图像检测技术存在准确度低以及场景适应性差的问题。本发明通过设计AI语义分割网络,获得闸片的像素点边缘坐标及闸片类型;利用亚像素边缘提取算法,得到亚像素边缘坐标;将亚像素边缘坐标输入标定计算模块,并基于概率统计的异常值剔除算法,得到闸片厚度。本发明基于人工智能算法,算法适应性好,可以适应不同的光照、不同的闸片类型,检测准确率高,便于推广应用。
Description
技术领域
本发明属于计算机检测技术领域,特别涉及一种基于深度学习技术的机车车辆闸片磨耗检测方法。
背景技术
闸片为机车车辆制动系统的核心部件,当闸片磨损到一定程度就会失效,影响机车车辆的制动性能和运行安全,因此需对机车车辆闸片厚度进行定期检测和更换。人工测量存在劳动强度大、操作不便、效率低、检测准确度低和数据误读等问题,且易发生闸片超限服役或提前更换的现象。
基于非接触式传统图像算法进行测量的优势在于不再依赖于人工,而是通过图像算法进行自动检测,可以保障测量一致性;但不同的车型会装不同类型的闸片,即便是同一种车型,也存在安装的闸片类型不统一的情况;传统的图像算法在闸片定位问题上可以使用模板匹配、特征提取、特征匹配等技术,针对闸片厚度分割问题上可以采用基于阈值、区域生长、区域分裂合并等技术,但由于光照、污水、油渍等干扰,对图像检测技术造成很大影响,同时算法的检测正确率不高。
发明内容
本发明提供一种基于深度学习技术的机车车辆闸片磨耗检测的方法,解决传统图像检测技术准确度低以及场景适应性差的问题。
为了达到上述目的,本发明所采用的技术方案为:
一种基于深度学习技术的机车车辆闸片磨耗检测方法,具体包括如下步骤:
步骤一:根据检测需求,通过AI目标检测网络定义闸片磨耗体区域,并对闸片进行数据标注;
步骤二:设计AI语义分割网络,利用所述闸片标注数据进行模型训练,并保存训练好的模型;
步骤三:设备采集到的二维闸片图像数据通过无线或者有线的方式,传输至AI闸片语义分割网络,所述AI闸片语义分割网络输出闸片的像素点边缘坐标及闸片类型;
步骤四:利用亚像素边缘提取算法,得到所述二维闸片图像数据像素点边缘坐标的亚像素边缘坐标;
步骤五:将所述二维闸片图像数据的亚像素边缘坐标输入标定计算模块;所述标定计算模块分离出所述二维闸片图像数据亚像素边缘坐标中左右边缘匹配的坐标点,组成直线段;所述标定计算模块通过已经标定好的参数,将所述直线段的像素长度转换成物理长度;最后基于概率统计的异常值剔除算法,剔除所述直线段中的异常直线段,得到所有保留直线段的长度平均值即为闸片厚度;
步骤六:将所述闸片厚度输入闸片厚度超限报警模块,根据报警阈值决策出是否存在闸片厚度到限的情况。
具体地,所述步骤二包括:
1)采用20层残差编码结构进行闸片分割,所述20层残差编码结构的通道数为[64,256,512,512];
2)采用联合分割损失函数进行模型训练,所述联合分割损失函数为Loss=iouloss+diceloss+focalloss,所述iouloss负责整块目标区域的监督,所述diceloss负责边缘分割的监督,所述focalloss负责像素级的分割监督;
3)保存训练好的模型。
具体地,所述亚像素边缘提取算法包括如下步骤:
步骤一:边缘检测滤波算子进行边缘检测
1)将所述二维闸片图像数据像素点边缘坐标进行灰度化处理;
2)通过高斯平滑滤波器对所述二维闸片图像数据像素点边缘坐标进行图像去噪;
3)计算位于±45°、±90°及±135°方向的二维闸片图像数据边缘像素点坐标的梯度幅值和方向;
4)通过非极大值抑制算法,去除非边界上的点;
5)通过滞后阈值算法,确定真正的边界;
步骤二:通过三次样条插值运算,将步骤一中得到的边缘坐标进行细分
步骤三:将步骤二中细分得到的边缘坐标进行边缘细化,即可得到闸片边缘坐标的亚像素边缘坐标。
本发明的有益效果:
1)通过非接触式光学成像方法获取到闸片图像,然后利用深度学习技术,通过大量的样本训练出一个闸片分割网络,然后利用分割结果,结合标定信息计算出闸片的厚度,通过亚像素提取,提高了计算精度;
2)适用于非接触式测量,对被检测目标无损伤;
3)基于人工智能算法,算法适应性好,可以适应不同的光照、不同的闸片类型,检测准确率高,便于推广应用。
附图说明
图1本发明检测流程示意图;
具体实施方式
下面结合具体实施方式对本发明进行详细的说明。
本发明基于传统算法的弊端,通过深度神经网络提取特征,直接实现端到端的检测,能够实现高速度、高精度的闸片定位分类与分割,并通过标定得到闸片真实物理厚度值,具有快速准确复用性强的特点。
如图1检测流程示意图所示,本发明具体包括如下步骤:
步骤一:根据检测需求,通过AI目标检测网络定义闸片磨耗体区域,并对闸片进行数据标注;
步骤二:设计AI语义分割网络,利用闸片标注数据进行模型训练,并保存训练好的模型;
AI语义分割网络针对闸片分割任务具有特定的检测结构与损失函数。
该语义分割网络在经典网络unet的基础上做出优化,unet网络编码阶段采用conv+bn+relu的结构,该结构直接使用到闸片分割中效果不佳,无法达到分割精度要求,基于此设计了20层的残差编码结构,如下表所示:
随着网络层数的加深,感受野的扩大,网络会学习到更多的语义信息,丢失部分的边缘位置信息,考虑到该点,对该残差结构的通道数也做出了调整,由原始[64,128,256,512]调整为[64,256,512,512]。通过增加中间网络对边缘信息的关注达到提升分割效果的目的。
训练阶段,为了让网络更加关注到边缘信息的提取,设计了联合的分割损失函数。Loss=iouloss+diceloss+focalloss
其中iouloss负责整块目标区域的监督,diceloss负责边缘分割的监督,focalloss负责像素级的分割监督。通过该联合损失函数进一步优化整体分割效果。
步骤三:设备采集到的二维闸片图像数据通过无线或者有线的方式,传输至AI闸片语义分割网络,AI闸片语义分割网络输出闸片的像素点边缘坐标及闸片类型;
步骤四:利用亚像素边缘提取算法,得到二维闸片图像数据像素点边缘坐标的亚像素边缘坐标;
步骤五:将二维闸片图像数据的亚像素边缘坐标输入标定计算模块;标定计算模块分离出二维闸片图像数据亚像素边缘坐标中左右边缘匹配的坐标点,组成直线段;标定计算模块通过已经标定好的参数,将直线段的像素长度转换成物理长度;最后基于概率统计的异常值剔除算法,剔除所述直线段中的异常直线段,得到所有保留直线段的长度平均值即为闸片厚度;
具体步骤是先找到左右匹配的直线段(左端点和右端点),利用标定参数计算出直线段的长度;假设一共找到N条直线段,由于测量结果服从正态分布,因此可以通过密度区间,剔除异常数值,最后求取所有正常数值的平均值;
步骤六:将所述闸片厚度输入闸片厚度超限报警模块,根据报警阈值决策出是否存在闸片厚度到限的情况。
其中,步骤四中亚像素边缘提取算法具体包括如下步骤:
步骤一:边缘检测滤波算子进行边缘检测
边缘其实就是图像上灰度级变化很快的点的集合,这些点往往梯度很大。根据闸片类型特征,设计出合适的边缘检测算子,即可通过图像卷积运算的到图像中的边缘信息。鉴于采集到的图像闸片均为竖向排列,同时闸片存在一定的弯曲,因此通过设计合理的卷积算子的尺寸和形状,即可实现针对闸片进行边缘检测的边缘算法。本文边缘检测算子基于传统的canny算法进行改进,同时由于闸片没有水平边缘,因此剔除掉水平边缘的,最终筛选出闸片的边界。基本流程如下:
1)将二维闸片图像数据像素点边缘坐标进行灰度化处理;
2)通过高斯平滑滤波器对二维闸片图像数据像素点边缘坐标进行图像去噪;
3)计算位于±45°、±90°及±135°方向的二维闸片图像数据边缘像素点坐标的梯度幅值和方向;
4)通过非极大值抑制算法,去除非边界上的点;
非极大值抑制就是是一种去除非极大值的算法,可以将计算的边界变细。在获得梯度的方向和大小之后,应该对整幅图像做一个扫描,去除那些非边界上的点。对每一个像素进行检查,看这个点的梯度是不是周围具有相同梯度方向的点中最大的;若强度最大,则保留。
5)通过滞后阈值算法,确定真正的边界。
滞后阈值是要确定哪些边界才是真正的边界。这时我们需要设置两个阈值:minVal和maxVal。当图像的灰度梯度高于maxVal时被认为是真的边界,那些低于minVal的边界会被抛弃。如果介于两者之间的话,就要看这个点是否与某个被确定为真正的边界点相连,如果是就认为它也是边界点,如果不是就抛弃。
步骤二:通过三次样条插值运算,将步骤一中得到的边缘坐标进行细分
亚像素是将像素这个基本单位再进行细分,它是比像素还小的单位,从而提高了图像分辨率。通常情况下,亚像素边缘点存在于图像中逐渐发生过度变化的区域,可以利用多项式拟合等多种方法获得边缘点的亚像素位置。亚像素可以理解为在摄像系统硬件条件不变的情况下,用算法来提高边缘检测精度的方法;
步骤三:将步骤二中细分得到的边缘坐标进行边缘细化,即可得到闸片边缘坐标的亚像素边缘坐标。
本发明的内容不限于实例所列举,本领域普通技术人员通过阅读本发明说明书而对本发明技术方案采取的任何等效的变换,均为本发明的权利要求所涵盖。
Claims (1)
1.一种基于深度学习技术的机车车辆闸片磨耗检测方法,其特征在于:具体包括如下步骤:
步骤一:根据检测需求,通过AI目标检测网络定义闸片磨耗体区域,并对闸片进行数据标注;
步骤二:设计AI语义分割网络,利用所述闸片标注数据进行模型训练,并保存训练好的模型;
步骤三:设备采集到的二维闸片图像数据通过无线或者有线的方式,传输至AI闸片语义分割网络,所述AI闸片语义分割网络输出闸片的像素点边缘坐标及闸片类型;
步骤四:利用亚像素边缘提取算法,得到所述二维闸片图像数据像素点边缘坐标的亚像素边缘坐标;
步骤五:将所述二维闸片图像数据的亚像素边缘坐标输入标定计算模块;所述标定计算模块分离出所述二维闸片图像数据亚像素边缘坐标中左右边缘匹配的坐标点,组成直线段;所述标定计算模块通过已经标定好的参数,将所述直线段的像素长度转换成物理长度;最后基于概率统计的异常值剔除算法,剔除所述直线段中的异常直线段,得到所有保留直线段的长度平均值即为闸片厚度;
步骤六:将所述闸片厚度输入闸片厚度超限报警模块,根据报警阈值决策出是否存在闸片厚度到限的情况;
所述步骤二具体包括:
1)采用20层残差编码结构进行闸片分割,所述20层残差编码结构的通道数为[64,256,512,512];
2)采用联合分割损失函数进行模型训练,所述联合分割损失函数为Loss=iouloss+diceloss+focalloss,所述iouloss负责整块目标区域的监督,所述diceloss负责边缘分割的监督,所述focalloss负责像素级的分割监督;
3)保存训练好的模型;
所述亚像素边缘提取算法包括如下步骤:
步骤一:边缘检测滤波算子进行边缘检测
1)将所述二维闸片图像数据像素点边缘坐标进行灰度化处理;
2)通过高斯平滑滤波器对所述二维闸片图像数据像素点边缘坐标进行图像去噪;
3)计算位于±45°、±90°及±135°方向的二维闸片图像数据边缘像素点坐标的梯度幅值和方向;
4)通过非极大值抑制算法,去除非边界上的点;
5)通过滞后阈值算法,确定真正的边界;
步骤二:通过三次样条插值运算,将步骤一中得到的边缘坐标进行细分;
步骤三:将步骤二中细分得到的边缘坐标进行边缘细化,即可得到闸片边缘坐标的亚像素边缘坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111593416.5A CN114463258B (zh) | 2021-12-23 | 2021-12-23 | 一种基于深度学习技术的机车车辆闸片磨耗检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111593416.5A CN114463258B (zh) | 2021-12-23 | 2021-12-23 | 一种基于深度学习技术的机车车辆闸片磨耗检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114463258A CN114463258A (zh) | 2022-05-10 |
CN114463258B true CN114463258B (zh) | 2024-04-30 |
Family
ID=81407483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111593416.5A Active CN114463258B (zh) | 2021-12-23 | 2021-12-23 | 一种基于深度学习技术的机车车辆闸片磨耗检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463258B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115909182B (zh) * | 2022-08-09 | 2023-08-08 | 哈尔滨市科佳通用机电股份有限公司 | 一种动车组闸片磨损故障图像识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732536A (zh) * | 2015-03-18 | 2015-06-24 | 广东顺德西安交通大学研究院 | 一种基于改进形态学的亚像素边缘检测方法 |
CN107833220A (zh) * | 2017-11-28 | 2018-03-23 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN109886935A (zh) * | 2019-01-28 | 2019-06-14 | 南京威翔科技有限公司 | 一种基于深度学习的道面异物检测方法 |
CN110567383A (zh) * | 2019-07-30 | 2019-12-13 | 南京理工大学 | 基于结构森林和亚像素的受电弓磨耗预警系统及检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598672A (zh) * | 2020-11-02 | 2021-04-02 | 坝道工程医院(平舆) | 一种基于深度学习的路面病害图像分割方法和系统 |
-
2021
- 2021-12-23 CN CN202111593416.5A patent/CN114463258B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732536A (zh) * | 2015-03-18 | 2015-06-24 | 广东顺德西安交通大学研究院 | 一种基于改进形态学的亚像素边缘检测方法 |
CN107833220A (zh) * | 2017-11-28 | 2018-03-23 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN109886935A (zh) * | 2019-01-28 | 2019-06-14 | 南京威翔科技有限公司 | 一种基于深度学习的道面异物检测方法 |
CN110567383A (zh) * | 2019-07-30 | 2019-12-13 | 南京理工大学 | 基于结构森林和亚像素的受电弓磨耗预警系统及检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114463258A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN114140462B (zh) | 一种基于图像处理的轴承磨损程度评估方法 | |
CN112233133B (zh) | 基于otsu和区域生长法的电厂高温管道缺陷检测与分割方法 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN110930357B (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
CN115345885B (zh) | 一种金属健身器材外观质量检测方法 | |
CN109766838B (zh) | 一种基于卷积神经网络的步态周期检测方法 | |
CN116758077B (zh) | 一种冲浪板表面平整度在线检测方法及系统 | |
CN116205919A (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN114463258B (zh) | 一种基于深度学习技术的机车车辆闸片磨耗检测方法 | |
CN116958144B (zh) | 一种新能源连接线表面瑕疵区域快速定位方法及系统 | |
CN114842002B (zh) | 一种检测油浸式变压器故障的方法 | |
CN115063620B (zh) | 一种基于比特分层罗茨风机轴承磨损检测方法 | |
CN105184792B (zh) | 一种圆锯片磨损量在线测量方法 | |
CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和系统 | |
CN117094916A (zh) | 一种市政桥梁支座视觉检测方法 | |
Mlyahilu et al. | Morphological geodesic active contour algorithm for the segmentation of the histogram‐equalized welding bead image edges | |
CN111127381B (zh) | 一种受电弓滑板不平行检测方法 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN114092478A (zh) | 一种异常检测方法 | |
CN113610041A (zh) | 一种用于指针式仪表的读数识别方法及设备 | |
CN116205923B (zh) | 基于x-ray的汽车轮毂内部缺陷无损检测方法 |
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 |