CN115439451B - 一种铁路货车转向架弹簧托板的去噪检测方法 - Google Patents

Abstract

一种铁路货车转向架弹簧托板的去噪检测方法，涉及铁路货车检测技术领域。本发明是为了解决对铁路货车转向架的故障检测时，容易漏检、错检，影响行车安全的问题。本发明将被测车辆的被测图像输入至训练好的检测模型中，获得检测结果。其中，利用U‑Net建立噪声数据集与无噪声数据集之间的映射关系，并用迭代的方式训练去噪模型，经过训练好的去噪模型去噪后的转向架弹簧托板子图为被测图像。本发明适用于对铁路货车进行故障检测。

Description

一种铁路货车转向架弹簧托板的去噪检测方法

技术领域

本发明属于铁路货车检测技术领域，尤其涉及检测过程的去噪技术。

背景技术

铁路货车是一种常见的交通工具，每日有大量的货车在线上运行。转向架是轨道车辆结构中最为重要的部件之一，其主要作用如下：

(1)增加车辆的载重、长度与容积，并提高列车运行速度。

(2)保证在正常运行条件下，车体都能可靠地坐落在转向架上，通过轴承装置使车轮沿钢轨的滚动转化为车体沿线路运行的平动。

(3)支撑车体，承受并传递从车体至车轮之间或从轮轨至车体之间的各种载荷及作用力，并使轴重均匀分配。

(4)保证车辆安全运行，能灵活地沿直线线路运行及顺利地通过曲线。

(5)转向架的结构要便于弹簧减振装置的安装，使之具有良好的减振特性，以缓和车辆和线路之间的相互作用，减小振动和冲击，减小动应力，提高车辆运行平稳性和安全性。

(6)充分利用轮轨之间的粘着，传递牵引力和制动力，放大制动缸所产生的制动力，使车辆具有良好的制动效果，以保证在规定的距离之内停车。

(7)转向架是车辆的一个独立部件，在转向架于车体之间尽可能减少联接件。

在各种外界环境的影响下，无法避免各部件产生故障。基于转向架的重要，其故障更是会严重危及行车安全，如果未及时发现故障可能产生严重后果。目前对转向架的故障识别，主要是用人眼对整车进行故障查找，查找范围大、部件多、车辆多、故障形态多，所以这项工作是一个重复性强且强度高易疲劳的机械性作业。当工人疲劳时很容易造成漏检、错检的出现，影响行车安全。

发明内容

本发明是为了解决对铁路货车转向架的故障检测时，容易漏检、错检，影响行车安全的问题，现提供一种铁路货车转向架弹簧托板的去噪检测方法。

一种铁路货车转向架弹簧托板的去噪检测方法，将被测车辆的被测图像输入至训练好的检测模型中，获得检测结果；所述被测图像是经过训练好的去噪模型去噪后的转向架弹簧托板子图。

进一步的，上述去噪模型的训练过程如下：

步骤一：将噪声数据集{x₁+n₁,x₂+n₂,...,x_i+n_i}作为输入，将无噪声数据集{x₁,x₂,...,x_i}作为输出，利用U-Net建立噪声数据集{x₁+n₁,x₂+n₂,...,x_i+n_i}与无噪声数据集{x₁,x₂,...,x_i}之间的映射关系，作为初始去噪模型F₀，

步骤二：将去噪模型F_k-1的输出{F_k-1(x₁),F_k-1(x₂),...,F_k-1(x_i)}作为去噪模型F_k的输入，其中k＝1,2......，

步骤三：判断去噪模型F_k的输出{F_k(x₁),F_k(x₂),...,F_k(x_i)}是否为能够还原真实纹理信息的图像，是则将去噪模型F_k作为训练好的去噪模型，否则使k＝k+1，然后返回步骤二。

进一步的，将各种状态下无使用痕迹的转向架弹簧托板子图作为无噪声数据集{x₁,x₂,...,x_i}，在无噪声数据集{x₁,x₂,...,x_i}中添加噪声n_i，获得噪声数据集{x₁+n₁,x₂+n₂,...,x_i+n_i}。

进一步的，上述获得所述转向架弹簧托板子图的方法为：

采集铁路货车各部位的高清线阵灰度图像，在所述高清线阵灰度图像中截取含有转向架的部分作为转向架子图，在转向架子图中截取含有转向架弹簧托板的部分，作为转向架弹簧托板子图。

进一步的，利用faster-rcnn目标检测算法在转向架子图中截取含有转向架弹簧托板的部分。

进一步的，上述噪声n_i为使用痕迹，在无噪声数据集{x₁,x₂,...,x_i}中添加噪声n_i的方法为：利用PS的方式分别在无噪声数据集{x₁,x₂,...,x_i}的每个图像中添加使用痕迹。

进一步的，上述噪声数据集包括不同时段、不同自然环境下含有使用痕迹的转向架弹簧托板子图。

进一步的，利用LABELME对各种状态下转向架弹簧托板子图是否含有故障信息进行标记，获得样本集，使用faster-rcnn模型对样本集进行训练，获得检测模型。

进一步的，上述故障信息包括：转向架弹簧托板螺栓折断、转向架弹簧托板螺栓丢失、以及转向架弹簧托板螺栓开口销丢失。

进一步的，根据检测结果，对含有故障的图像进行报警。

本发明的有益效果如下：

利用图像自动识别的方式代替了人工检测的方式，能够解决人工检测长时间重复看图的疲劳问题，提高检测效率与准确率。

附图说明

图1为去噪模型的训练流程图。

具体实施方式

下面将结合本发明实施例中的附图，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作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。

在货车行进过程中，通过轨边设备获取其高清线阵图像。通过硬件得到的信息以及火车部件位置关系，找到所在区域。在该区域根据部件的形态使用深度学习方法进行故障识别。当线上有货车经过时，使用同样方法截取目标所在图像，转向架弹簧托板位于车辆底部边缘，除拍摄硬件设备本身对图像产生的噪声以外，图像还易受行驶路面及气候环境影响，导致背景中存在异物，这种异物也可被视为噪声，影响检测结果，因此需要在检测前对其进行有效的去噪处理。

具体处理方法通过以下实施方式实现。

具体实施方式一：本实施方式所述的一种铁路货车转向架弹簧托板的去噪检测方法，将被测车辆的被测图像输入至训练好的检测模型中，获得检测结果。

被测图像是经过训练好的去噪模型去噪后的转向架弹簧托板子图。

本实施方式使用深度学习的方式进行故障识别可以有效的识别故障。进而代替传统的人工检测，提高检测速度及准确率，可以改善人工工作状态，减少其工作量，人工只需对自动识别报警进行确认。

具体实施方式二：参照图1具体说明本实施方式，本实施方式是对具体实施方式一所述的一种铁路货车转向架弹簧托板的去噪检测方法进行进一步说明，本实施方式中，去噪模型的训练过程如下：

步骤一：将噪声数据集{x₁+n₁,x₂+n₂,...,x_i+n_i}作为输入，将无噪声数据集{x₁,x₂,...,x_i}作为输出，利用U-Net建立噪声数据集{x₁+n₁,x₂+n₂,...,x_i+n_i}与无噪声数据集{x₁,x₂,...,x_i}之间的映射关系，作为初始去噪模型F₀。

步骤二：将去噪模型F_k-1的输出{F_k-1(x₁),F_k-1(x₂),...,F_k-1(x_i)}作为去噪模型F_k的输入，其中，k＝1,2......。

步骤三：判断去噪模型F_k的输出{F_k(x₁),F_k(x₂),...,F_k(x_i)}是否为能够还原真实纹理信息的图像，是则将去噪模型F_k作为训练好的去噪模型，否则使k＝k+1，然后返回步骤二。

本实施方式的迭代过程能够在保证图像纹理清晰，不失真的情况下，有更好的去噪表现。

具体实施方式三：本实施方式是对具体实施方式二所述的一种铁路货车转向架弹簧托板的去噪检测方法进行进一步说明，本实施方式中，

将各种状态下无使用痕迹的转向架弹簧托板子图作为无噪声数据集{x₁,x₂,...,x_i}。

在无噪声数据集{x₁,x₂,...,x_i}中添加噪声n_i，获得噪声数据集{x₁+n₁,x₂+n₂,...,x_i+n_i}。

由于无使用痕迹的转向架弹簧托板子图需要在没有运行过的新车上才能够采集到，但是在实际操作中并没有没运行过的车辆来提供信息，所以只能够选择相对较新的车辆进行图像采集，并在采集的图像上采用人工PS处理的方式去掉使用痕迹，从而获得无使用痕迹的转向架弹簧托板子图。

具体实施方式四：本实施方式是对具体实施方式三所述的一种铁路货车转向架弹簧托板的去噪检测方法进行进一步说明，本实施方式中，获得所述转向架弹簧托板子图的方法为：

在固定的探测站点搭建高速成像设备，获取铁路货车各部位的高清线阵灰度图像。

同种型号的动车，其结构也是相同的，在故障所在大图像中，可以根据轴距信息，截取含有转向架的部分作为转向架子图。

根据轴距信息可知，截取的包含待检测转向架的子图仍是一张很大的图，需要进一步定位转向架弹簧托板，因此需要再次在转向架子图中截取含有转向架弹簧托板的部分，作为转向架弹簧托板子图。

具体实施方式五：本实施方式是对具体实施方式四所述的一种铁路货车转向架弹簧托板的去噪检测方法进行进一步说明，本实施方式中，利用faster-rcnn目标检测算法在转向架子图中取出转向架弹簧托板的部分，进而截取出转向架弹簧托板子图。

具体实施方式六：本实施方式是对具体实施方式三所述的一种铁路货车转向架弹簧托板的去噪检测方法进行进一步说明，本实施方式中，所述噪声n_i为使用痕迹，

所述在无噪声数据集{x₁,x₂,...,x_i}中添加噪声n_i的方法为：

利用PS的方式分别在无噪声数据集{x₁,x₂,...,x_i}的每个图像中添加使用痕迹。

具体实施方式七：本实施方式是对具体实施方式六所述的一种铁路货车转向架弹簧托板的去噪检测方法进行进一步说明，本实施方式中，噪声数据集包括不同时段、不同自然环境下含有使用痕迹的转向架弹簧托板子图。

本实施方式中收集不同时间段不同环境下的图像，获取较多的样本数据量，并保证数据图像中存在各种自然干扰如光照、雨水、泥渍等的图像，保证数据的多样性，使得算法会有更好的鲁棒性。

具体实施方式八：本实施方式是对具体实施方式四所述的一种铁路货车转向架弹簧托板的去噪检测方法进行进一步说明，本实施方式中，利用LABELME对各种状态下转向架弹簧托板子图是否含有故障信息进行标记，获得样本集，使用faster-rcnn模型对样本集进行训练，获得检测模型。

具体实施方式九：本实施方式是对具体实施方式八所述的一种铁路货车转向架弹簧托板的去噪检测方法进行进一步说明，本实施方式中，故障信息包括：转向架弹簧托板螺栓折断、转向架弹簧托板螺栓丢失、以及转向架弹簧托板螺栓开口销丢失。

具体实施方式十：本实施方式是对具体实施方式一所述的一种铁路货车转向架弹簧托板的去噪检测方法进行进一步说明，本实施方式中，根据检测结果，对含有故障的图像进行报警。

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，并且可以设计出其他的布置，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中。

Claims (7)

1.一种铁路货车转向架弹簧托板的去噪检测方法，将被测车辆的被测图像输入至训练好的检测模型中，获得检测结果；

其特征在于，所述被测图像是经过训练好的去噪模型去噪后的转向架弹簧托板子图；

去噪模型的训练过程如下：

步骤一：将噪声数据集{x₁+n₁,x₂+n₂,...,x_i+n_i}作为输入，将无噪声数据集{x₁,x₂,...,x_i}作为输出，利用U-Net建立噪声数据集{x₁+n₁,x₂+n₂,...,x_i+n_i}与无噪声数据集{x₁,x₂,...,x_i}之间的映射关系，作为初始去噪模型F₀，

步骤二：将去噪模型F_k-1的输出{F_k-1(x₁),F_k-1(x₂),...,F_k-1(x_i)}作为去噪模型F_k的输入，其中k＝1,2......，

步骤三：判断去噪模型F_k的输出{F_k(x₁),F_k(x₂),...,F_k(x_i)}是否为能够还原真实纹理信息的图像，是则将去噪模型F_k作为训练好的去噪模型，否则使k＝k+1，然后返回步骤二；

在采集的图像上采用人工PS处理的方式去掉使用痕迹，从而获得无使用痕迹的转向架弹簧托板子图；

将各种状态下无使用痕迹的转向架弹簧托板子图作为无噪声数据集{x₁,x₂,...,x_i}，

在无噪声数据集{x₁,x₂,...,x_i}中添加噪声n_i，获得噪声数据集{x₁+n₁,x₂+n₂,...,x_i+n_i}，

所述噪声n_i为使用痕迹，

所述在无噪声数据集{x₁,x₂,...,x_i}中添加噪声n_i的方法为：

利用PS的方式分别在无噪声数据集{x₁,x₂,...,x_i}的每个图像中添加使用痕迹。

2.根据权利要求1所述的一种铁路货车转向架弹簧托板的去噪检测方法，其特征在于，获得所述转向架弹簧托板子图的方法为：

采集铁路货车各部位的高清线阵灰度图像，在所述高清线阵灰度图像中截取含有转向架的部分作为转向架子图，

在转向架子图中截取含有转向架弹簧托板的部分，作为转向架弹簧托板子图。

3.根据权利要求2所述的一种铁路货车转向架弹簧托板的去噪检测方法，其特征在于，利用faster-rcnn目标检测算法在转向架子图中截取含有转向架弹簧托板的部分。

4.根据权利要求1所述的一种铁路货车转向架弹簧托板的去噪检测方法，其特征在于，噪声数据集包括不同时段、不同自然环境下含有使用痕迹的转向架弹簧托板子图。

5.根据权利要求2所述的一种铁路货车转向架弹簧托板的去噪检测方法，其特征在于，

利用LABELME对各种状态下转向架弹簧托板子图是否含有故障信息进行标记，获得样本集，使用faster-rcnn模型对样本集进行训练，获得检测模型。

6.根据权利要求5所述的一种铁路货车转向架弹簧托板的去噪检测方法，其特征在于，故障信息包括：转向架弹簧托板螺栓折断、转向架弹簧托板螺栓丢失、以及转向架弹簧托板螺栓开口销丢失。

7.根据权利要求1所述的一种铁路货车转向架弹簧托板的去噪检测方法，其特征在于，根据检测结果，对含有故障的图像进行报警。

Images