CN116188449A - 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备 - Google Patents
铁路货车缓解阀拉杆开口销丢失故障识别方法及设备 Download PDFInfo
- Publication number
- CN116188449A CN116188449A CN202310236956.0A CN202310236956A CN116188449A CN 116188449 A CN116188449 A CN 116188449A CN 202310236956 A CN202310236956 A CN 202310236956A CN 116188449 A CN116188449 A CN 116188449A
- Authority
- CN
- China
- Prior art keywords
- pin
- pull rod
- image
- cotter
- data set
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/817—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level by voting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
铁路货车缓解阀拉杆开口销丢失故障识别方法及设备,属于铁路货车部件检测技术领域。本发明为了解决现有的直接利用深度学习模型进行开口销丢失故障的识别存在容易受到外界因素的影响而导致检测效果不佳的问题。本发明首先获取待检测的含缓解阀拉杆开口销部件位置的局部区域图像,然后输入神经网络模型对开口销所在区域进行精定位;对精定位后的开口销周围区域进行截取得到子区域图像;然后将子区域图像分别做不同角度的旋转,得到包含未做旋转的子区域图像共计J张待检测开口销区域图像;分别对每张待检测开口销区域图像进行特征提取,各自对应的特征;最后利用多个分类器融合的加权分类网络进行分类,得到缓解阀拉杆开口销丢失检测结果。
Description
技术领域
本发明属于铁路货车部件检测技术领域,具体涉及一种缓解阀拉杆开口销丢失故障识别方法及设备。
背景技术
列车制动系统是列车的重要组成部分,其性能的好坏和制动能力的大小直接涉及列车能否安全运行,缓解阀拉杆作为制动系统中的重要部件其稳定性十分重要。货车运行一段时间后,可能出现缓解阀拉杆开口销丢失,对行车安全产生影响。因此需要在运行过程中对缓解阀拉杆开口销状态进行检测。
采用人工逐张看图的检车作业方式存在受人员素质、责任心影响,错漏检问题时有发生,作业质量难以保证,以及人工成本巨大、效率低下等问题。所以针对缓解阀拉杆开口销丢失故障的自动化检测具有重要意义。随着深度学习技术的发展,可以通过深度学习技术实现故障自动识别和报警,能够有效提高检车作业质量和效率。现有的深度学习技术不仅能够实现分割任务还可以实现分类识别任务,因此可以直接利用深度学习技术对铁路货车部件进行直接检测,从而直接判断铁路货车是否丢失或损坏(直接输出分类结果,如丢失类、变形类等),这种方法虽然方便,但是针对于例如开口销这种比较小部件的检测效果却不是特别理想,尤其是其非常容易受到油污或天气等的影响,会进一步降低检测准确率,误检率和漏检率较高;同时这种方式的深度学些模型也是非常难训练的,不仅需要大量的训练样本,而且即使利用大量的训练样本得到的模型也经常出现过拟合或欠拟合的问题。
发明内容
本发明为了解决现有的直接利用深度学习模型进行开口销丢失故障的识别存在容易受到外界因素的影响而导致检测效果不佳的问题。
一种铁路货车缓解阀拉杆开口销丢失故障识别方法,包括以下步骤:
S1、获取待检测的含缓解阀拉杆开口销部件位置的局部区域图像,记为待检测原图像,然后输入神经网络模型对开口销所在区域进行精定位;对精定位后的开口销周围区域进行截取,得到“子区域图像”;
S2、将子区域图像分别做不同角度的旋转,得到包含未做旋转的子区域图像共计J张待检测开口销区域图像;
S3、分别对每张待检测开口销区域图像进行特征提取,得到J张待检测开口销区域图像各自对应的特征;然后利用多个分类器融合的加权分类网络进行分类;
利用多个分类器融合的加权分类网络进行分类的处理过程包括以下步骤:
J张待检测开口销区域图像各自对应的特征分别输入J个线性SVM弱分类器,J个线性SVM弱分类器通过加权方式组合,根据J个线性SVM弱分类器Mj给出的预测结果Lj和该分类器的投票权重wj,进行加权给出分类预测结果,从而判断缓解阀拉杆开口销是否丢失。
进一步地,所述特征提取器包括输入层、隐藏层、输出层,特征提取器的特征提取包括两个过程:
(1)输入层到隐藏层的编码过程:
对于输入x,通过编码函数得到编码h:
h=sf(W1x+b1)
其中,sf为编码函数,z表示编码函数的自变量;W1为输入层和隐藏层之间的权重,b1为输入层和隐藏层之间的偏置;
(2)隐藏层到输出层的解码过程:
对于编码h,通过解码函数得到特征提取结果x′:
x′=sg(W2h+b2)
sg(z′)=z′
其中,sg为解码函数,z′表示解码函数的自变量;W2为隐藏层和输出层之间的权重,b2为隐藏层和输出层之间的偏置。
进一步地,S2将子区域图像分别做不同角度的旋转时,将子区域图像按照90°、180°、270°分别做旋转。
进一步地,所述多个分类器融合的加权分类网络通过以下方式获得:
首先,利用已知的子区域图像对应待检测开口销区域图像构建第二数据集,将第二数据集通过特征提取器进行提取特征,得到特征数据集;将特征数据集分为:特征训练集Ftr、特征验证集Fv;
根据特征训练集Ftr中的特征训练线性SVM弱分类器Mj;根据训练得到的弱分类器Mj在特征验证集Fv上的表现,计算Mj的投票权重wj;
F1j表示每个弱分类器在特征验证集Fv上的表现;
其中,P为准确率,R为召回率。
进一步地,所述多个分类器融合的加权分类网络进行加权给出分类预测结果如下:
其中,CLj为进行加权给出分类预测结果。
进一步地,所述的对开口销所在区域进行精定位的神经网络模型为tiny-yolov3。
进一步地,所述的对开口销所在区域进行精定位的神经网络模型的训练过程包括以下步骤:
首先,获取待检测的含缓解阀拉杆开口销部件位置的局部区域图像,记为原图像;进而构建样本图像数据集,样本图像数据集包括原图像集与标记数据集;
标记数据集为包含部件的矩形子区域信息,通过人工标记的方式获取;
原图像集与标记数据集之间是一一对应的,即每个原图像对应一个标记数据;
然后将原图像作为输入,将标记数据作为标签,基于样本数据集对开口销精定位模型tiny-yolov3进行训练。
进一步地,对开口销精定位模型tiny-yolov3进行训练之前,对样本数据集进行扩增,利用扩增后的样本数据集训练开口销精定位模型tiny-yolov3。
进一步地,获取待检测的含缓解阀拉杆开口销部件位置的局部区域图像的过程包括以下步骤:
首先获取货车侧部的图像,然后根据先验知识对缓解阀拉杆开口销位置进行粗定位,进而从侧部的图像中截取包含缓解阀拉杆开口销部件位置的局部区域图像。
一种铁路货车缓解阀拉杆开口销丢失故障识别设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现所述的一种铁路货车缓解阀拉杆开口销丢失故障识别方法。
有益效果:
1、将自动识别技术引入货车故障检测,实现故障自动识别及报警,人工只需对报警结果进行确认,有效节约人力成本,提高作业质量和作业效率。
2、将深度学习算法和多个分类器融合的加权分类网络同时应用到缓解阀拉杆开口销丢失故障自动识别中,深度学习算法用于部件的精确定位,然后基于精确定位的图像特征,利用多个分类器融合的加权分类网络对缓解阀拉杆开口销丢失进行检测,可有有效的控制受到外界因素的影响,相较于直接使用分类网络识别效果更好,相较传统的机器视觉检测方法,本发明具有更高的准确性、稳定性。
3、在两种方式结合进行检测的过程中,本发明设计了一种包含输入层、隐藏层、输出层的特征提取器对开口销区域图像进行特征提取。相较于人工设计的特征提取器更加适合形状多变,角度不同的开口销的识别,也能够提高检测结果的准确性。
附图说明
图1为实施例的流程示意图。
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可以相互组合。
具体实施方式一:
本实施方式为一种铁路货车缓解阀拉杆开口销丢失故障识别方法,包括以下步骤:
S1、获取待检测的含缓解阀拉杆开口销部件位置的局部区域图像,记为待检测原图像,然后输入神经网络模型对开口销所在区域进行精定位;对精定位后的开口销周围区域进行截取,得到“子区域图像”;
S2、将子区域图像分别做不同角度的旋转,得到包含未做旋转的子区域图像共计J张待检测开口销区域图像;
S3、分别对每张待检测开口销区域图像进行特征提取,得到J张待检测开口销区域图像各自对应的特征;然后利用多个分类器融合的加权分类网络进行分类;
利用多个分类器融合的加权分类网络进行分类的处理过程包括以下步骤:
J张待检测开口销区域图像各自对应的特征分别输入J个线性SVM弱分类器,J个线性SVM弱分类器通过加权方式组合,根据J个线性SVM弱分类器Mj给出的预测结果Lj和该分类器的投票权重wj,进行加权给出分类预测结果,从而判断缓解阀拉杆开口销是否丢失。
具体实施方式二:
本实施方式为一种铁路货车缓解阀拉杆开口销丢失故障识别方法,特征提取器包括输入层、隐藏层、输出层,特征提取器的特征提取包括两个过程:
(1)输入层到隐藏层的编码过程:
对于输入x,通过编码函数得到编码h:
h=sf(W1x+b1)
其中,sf为编码函数,z表示编码函数的自变量;W1为输入层和隐藏层之间的权重,b1为输入层和隐藏层之间的偏置;
(2)隐藏层到输出层的解码过程:
对于编码h,通过解码函数得到特征提取结果x′:
x′=sg(W2h+b2)
sg(z′)=z′
其中,sg为解码函数,z′表示解码函数的自变量;W2为隐藏层和输出层之间的权重,b2为隐藏层和输出层之间的偏置。
其他步骤和参数与具体实施方式一相同。
具体实施方式三:
本实施方式为一种铁路货车缓解阀拉杆开口销丢失故障识别方法,S2将子区域图像分别做不同角度的旋转时,将子区域图像按照90°、180°、270°分别做旋转。
其他步骤和参数与具体实施方式一或二相同。
具体实施方式四:
本实施方式为一种铁路货车缓解阀拉杆开口销丢失故障识别方法,多个分类器融合的加权分类网络通过以下方式获得:
首先,利用已知的子区域图像对应待检测开口销区域图像构建第二数据集,将第二数据集通过特征提取器进行提取特征,得到特征数据集;将特征数据集分为:特征训练集Ftr、特征验证集Fv;
根据特征训练集Ftr中的特征训练线性SVM弱分类器Mj;根据训练得到的弱分类器Mj在特征验证集Fv上的表现,计算Mj的投票权重wj;
F1j表示每个弱分类器在特征验证集Fv上的表现;
其中,P为准确率,R为召回率。
其他步骤和参数与具体实施方式一至三之一相同。
具体实施方式五:
本实施方式为一种铁路货车缓解阀拉杆开口销丢失故障识别方法,多个分类器融合的加权分类网络进行加权给出分类预测结果如下:
其中,CLj为进行加权给出分类预测结果。
其他步骤和参数与具体实施方式一至四之一相同。
具体实施方式六:
本实施方式为一种铁路货车缓解阀拉杆开口销丢失故障识别方法,对开口销所在区域进行精定位的神经网络模型为tiny-yolov3。
其他步骤和参数与具体实施方式一至五之一相同。
具体实施方式七:
本实施方式为一种铁路货车缓解阀拉杆开口销丢失故障识别方法,对开口销所在区域进行精定位的神经网络模型的训练过程包括以下步骤:
首先,获取待检测的含缓解阀拉杆开口销部件位置的局部区域图像,记为原图像;进而构建样本图像数据集,样本图像数据集包括原图像集与标记数据集;
标记数据集为包含部件的矩形子区域信息,通过人工标记的方式获取;
原图像集与标记数据集之间是一一对应的,即每个原图像对应一个标记数据;
然后将原图像作为输入,将标记数据作为标签,基于样本数据集对开口销精定位模型tiny-yolov3进行训练。
其他步骤和参数与具体实施方式一至六之一相同。
具体实施方式八:
本实施方式为一种铁路货车缓解阀拉杆开口销丢失故障识别方法,对开口销精定位模型tiny-yolov3进行训练之前,对样本数据集进行扩增,利用扩增后的样本数据集训练开口销精定位模型tiny-yolov3。
其他步骤和参数与具体实施方式一至七之一相同。
具体实施方式九:
本实施方式为一种铁路货车缓解阀拉杆开口销丢失故障识别方法,获取待检测的含缓解阀拉杆开口销部件位置的局部区域图像的过程包括以下步骤:
首先获取货车侧部的图像,然后根据先验知识对缓解阀拉杆开口销位置进行粗定位,进而从侧部的图像中截取包含缓解阀拉杆开口销部件位置的局部区域图像。
其他步骤和参数与具体实施方式一至八之一相同。
具体实施方式十:
本实施方式为一种铁路货车缓解阀拉杆开口销丢失故障识别设备,所述设备包括处理器和存储器,应当理解,包括本发明描述的任何包括处理器和存储器的设备,设备还可以包括其他通过信号或指令进行显示、交互、处理、控制等以及其他功能的单元、模块;
所述存储器中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现所述的一种铁路货车缓解阀拉杆开口销丢失故障识别方法,方法的具体步骤和参数与具体实施方式一至九之一相同。
应当理解,指令包括本发明描述的任何方法对应的计算机程序产品、软件或计算机化方法;所述指令可以用于编程计算机系统,或其他电子装置。存储器可以包括其上存储有指令的可读介质,包括但不限于磁存储介质,光存储介质;磁光存储介质包括只读存储器ROM、随机存取存储器RAM、可擦除可编程存储器(例如,EPROM和EEPROM)以及闪存层,或者适合于存储电子指令的其他类型的介质。
实施例
结合图1说明本实施例,本实例所述的铁路货车缓解阀拉杆开口销丢失故障识别方法,包括以下步骤:
步骤1、线阵图像获取:
分别在货车轨道侧部搭建高清设备,对高速通过的货车进行拍摄,获取货车侧部的图像。采用线扫描,可实现图像无缝拼接,生成视野大、精度高的二维图像。
步骤2、部件粗定位:
根据货车轴距信息、车型信息对缓解阀拉杆开口销位置进行粗定位,从侧部的图像(侧部大图)中截取包含缓解阀拉杆开口销部件位置的局部区域图像,记为原图像,可有效减少故障识别所需时间、提升识别准确率。
步骤3、建立原始样本数据集:
由于货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。并且,不同站点拍摄的图像可能存在差异。因此,在训练图像数据集的搜集的过程中,要保证多样性,尽量搜集其在各种条件、不同站点的图像。
每个样本图像数据集包括:原图像集与标记数据集。
标记数据集中的标记数据为包含部件的矩形子区域信息,通过人工标记的方式获取。
原图像集与标记数据集之间是一一对应的,即每个原图像对应一个标记数据。
步骤4、数据集扩增:
样本数据集的建立虽然包括各种条件下的图像,但为提高算法的稳定性,仍需要对样本数据集进行数据扩增。使用水平翻转和竖直翻转增强图片的多样性;调整图像亮度和对比度,减少光照不均的影响,突出缺陷的边缘特征;使用直方图均衡化增强图像对比度;添加高斯模糊和随机噪声,提升模型的泛化能力。
每对一个原图像进行扩增,对应也得到一个标记数据;
步骤5、开口销子图区域定位:
由于缓解阀拉杆图像中存在众多零部件,因此需要首先实现目标的精确定位,然后再进行故障检测。本发明采用深度学习检测模型tiny-yolov3对开口销所在区域进行定位。将原图像作为输入,将标记数据作为标签,利用扩增后的数据集训练开口销精定位模型tiny-yolov3;
YOLO网络是一种基于回归的目标检测网络,将输入图像分割成多个网格,每个单元格负责检测待检测目标的外接矩形框中心点落在该网格内的目标。YOLOv3是YOLO系列目标检测算法的第三版,相比之前的YOLOv1和YOLOv2,其检测精度有显著提升,特别是针对小目标的检测效果。为提升检测开口销的定位速度,本发明选用tiny-yolov3,该网络具有网络结构简单、计算量小的特点。
在测试和实际使用时,获取待检测的含缓解阀拉杆开口销部件位置的局部区域图像,记为待检测原图像,然后输入训练好的tiny-yolov3对开口销所在区域进行精定位;对精定位后的开口销周围区域进行截取,得到“子区域图像”;步骤6、检测图像生成:
将子区域图像按照90°、180°、270°分别做旋转,得到包含未做旋转的原图共计4张待检测开口销区域图像。
步骤7、开口销特征提取:
分别对每张待检测开口销区域图像进行特征提取,本发明设计了一种包含输入层、隐藏层、输出层的特征提取器。
特征提取器的特征提取包括两个过程:
(1)输入层到隐藏层的编码过程:
对于输入x,通过编码函数得到编码h:
h=sf(W1x+b1)
其中,sf为编码函数,z表示编码函数的自变量;W1为输入层和隐藏层之间的权重,b1为输入层和隐藏层之间的偏置。
(2)隐藏层到输出层的解码过程:
对于编码h,通过解码函数得到特征提取结果x′:
x′=sg(W2h+b2)
sg(z′)=z′
其中,sg为解码函数,z′表示解码函数的自变量;W2为隐藏层和输出层之间的权重,b2为隐藏层和输出层之间的偏置。
步骤8、开口销丢失故障判定:
在提取到开口销区域特征后,通常输入分类网络即可得到分类结果,但由于开口销形状、方向的多样性,直接使用分类网络的效果不理想。因此本发明提出了一个将多个分类器融合的加权分类网络,将4个线性SVM弱分类器通过加权方式组合,每个弱分类器分别对应未旋转、旋转90°、旋转180°和旋转270°的检测图像。其中每个弱分类器的加权系数是依据分类器在验证集中的表现计算的,为可靠的弱分类器赋予高权值,从而提高加权分类网络的可靠性。
加权分类网络的训练过程如下:
首先,利用子区域图像对应待检测开口销区域图像(旋转和未旋转的)构建第二数据集,将第二数据集通过特征提取器进行提取特征,得到特征数据集;将特征数据集分为:特征训练集Ftr、特征验证集Fv和特征测试集Fte。其中特征训练集用于训练弱分类器,特征验证集用于计算线性SVM弱分类器的权重,特征测试集用于评价加权分类网络的性能。
根据特征训练集Ftr中的特征训练线性SVM弱分类器Mj;根据训练得到的弱分类器Mj在特征验证集Fv上的表现,计算Mj的投票权重wj。
F1j表示每个弱分类器在特征验证集Fv上的表现;
其中,P为准确率,R为召回率,TP为故障样本正确识别的数目,FP为正常样本误识别的数目,FN为故障样本未识别的数目。
针对特征测试集的测试样本,根据线性SVM弱分类器Mj给出的预测结果Lj和该分类器的投票权重wj,进行加权给出分类预测结果CLj,根据预测结果即可判定开口销是否丢失:
步骤9、故障信息上传:
根据故障信息,将故障位置和故障类别生成报文,并上传至报警平台。
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 (10)
1.一种铁路货车缓解阀拉杆开口销丢失故障识别方法,其特征在于,包括以下步骤:
S1、获取待检测的含缓解阀拉杆开口销部件位置的局部区域图像,记为待检测原图像,然后输入神经网络模型对开口销所在区域进行精定位;对精定位后的开口销周围区域进行截取,得到“子区域图像”;
S2、将子区域图像分别做不同角度的旋转,得到包含未做旋转的子区域图像共计J张待检测开口销区域图像;
S3、分别对每张待检测开口销区域图像进行特征提取,得到J张待检测开口销区域图像各自对应的特征;然后利用多个分类器融合的加权分类网络进行分类;
利用多个分类器融合的加权分类网络进行分类的处理过程包括以下步骤:
J张待检测开口销区域图像各自对应的特征分别输入J个线性SVM弱分类器,J个线性SVM弱分类器通过加权方式组合,根据J个线性SVM弱分类器Mj给出的预测结果Lj和该分类器的投票权重wj,进行加权给出分类预测结果,从而判断缓解阀拉杆开口销是否丢失。
2.根据权利要求1所述的一种铁路货车缓解阀拉杆开口销丢失故障识别方法,其特征在于,所述特征提取器包括输入层、隐藏层、输出层,特征提取器的特征提取包括两个过程:
(1)输入层到隐藏层的编码过程:
对于输入x,通过编码函数得到编码h:
h=sf(W1x+b1)
其中,sf为编码函数,z表示编码函数的自变量;W1为输入层和隐藏层之间的权重,b1为输入层和隐藏层之间的偏置;
(2)隐藏层到输出层的解码过程:
对于编码h,通过解码函数得到特征提取结果x′:
x′=sg(W2h+b2)
sg(z')=z'
其中,sg为解码函数,z′表示解码函数的自变量;W2为隐藏层和输出层之间的权重,b2为隐藏层和输出层之间的偏置。
3.根据权利要求2所述的一种铁路货车缓解阀拉杆开口销丢失故障识别方法,其特征在于,S2将子区域图像分别做不同角度的旋转时,将子区域图像按照90°、180°、270°分别做旋转。
6.根据权利要求4所述的一种铁路货车缓解阀拉杆开口销丢失故障识别方法,其特征在于,所述的对开口销所在区域进行精定位的神经网络模型为tiny-yolov3。
7.根据权利要求6所述的一种铁路货车缓解阀拉杆开口销丢失故障识别方法,其特征在于,所述的对开口销所在区域进行精定位的神经网络模型的训练过程包括以下步骤:
首先,获取待检测的含缓解阀拉杆开口销部件位置的局部区域图像,记为原图像;进而构建样本图像数据集,样本图像数据集包括原图像集与标记数据集;
标记数据集为包含部件的矩形子区域信息,通过人工标记的方式获取;
原图像集与标记数据集之间是一一对应的,即每个原图像对应一个标记数据;
然后将原图像作为输入,将标记数据作为标签,基于样本数据集对开口销精定位模型tiny-yolov3进行训练。
8.根据权利要求7所述的一种铁路货车缓解阀拉杆开口销丢失故障识别方法,其特征在于,对开口销精定位模型tiny-yolov3进行训练之前,对样本数据集进行扩增,利用扩增后的样本数据集训练开口销精定位模型tiny-yolov3。
9.根据权利要求8所述的一种铁路货车缓解阀拉杆开口销丢失故障识别方法,其特征在于,获取待检测的含缓解阀拉杆开口销部件位置的局部区域图像的过程包括以下步骤:
首先获取货车侧部的图像,然后根据先验知识对缓解阀拉杆开口销位置进行粗定位,进而从侧部的图像中截取包含缓解阀拉杆开口销部件位置的局部区域图像。
10.一种铁路货车缓解阀拉杆开口销丢失故障识别设备,其特征在于,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如权利要求1至9任意一项所述的一种铁路货车缓解阀拉杆开口销丢失故障识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310236956.0A CN116188449B (zh) | 2023-03-13 | 2023-03-13 | 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310236956.0A CN116188449B (zh) | 2023-03-13 | 2023-03-13 | 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116188449A true CN116188449A (zh) | 2023-05-30 |
CN116188449B CN116188449B (zh) | 2023-08-08 |
Family
ID=86452184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310236956.0A Active CN116188449B (zh) | 2023-03-13 | 2023-03-13 | 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188449B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332089A (zh) * | 2011-06-23 | 2012-01-25 | 北京康拓红外技术股份有限公司 | 一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法 |
CN103218627A (zh) * | 2013-01-31 | 2013-07-24 | 沈阳航空航天大学 | 一种图像检测方法及设备 |
CN104021394A (zh) * | 2014-06-05 | 2014-09-03 | 华北电力大学(保定) | 基于Adaboost算法的绝缘子图像识别方法 |
CN107633199A (zh) * | 2017-08-07 | 2018-01-26 | 浙江工业大学 | 一种基于深度学习的苹果采摘机器人果实目标检测方法 |
CN108363382A (zh) * | 2018-02-09 | 2018-08-03 | 哈尔滨工业大学(威海) | 一种复杂装备故障诊断方法及系统 |
CN108388822A (zh) * | 2018-01-25 | 2018-08-10 | 微梦创科网络科技(中国)有限公司 | 一种检测二维码图像的方法和装置 |
CN109344905A (zh) * | 2018-10-22 | 2019-02-15 | 王子蕴 | 一种基于集成学习的输电设备自动故障识别方法 |
CN111080600A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车弹簧托板上开口销的故障识别方法 |
CN111080608A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车脱轨自动制动阀塞门手把关闭故障图像识别方法 |
CN111551888A (zh) * | 2020-04-23 | 2020-08-18 | 宁夏隆基宁光仪表股份有限公司 | 一种改进型AdaBoost算法的电能表计量数据故障分析方法 |
CN111931819A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种基于深度学习的机器故障的预测和分类方法 |
US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
CN114004252A (zh) * | 2021-10-13 | 2022-02-01 | 苏州大学 | 一种轴承故障诊断的方法、装置以及设备 |
US20230038337A1 (en) * | 2020-02-17 | 2023-02-09 | Robert Bosch Gmbh | Method and device for evaluating an image classifier |
-
2023
- 2023-03-13 CN CN202310236956.0A patent/CN116188449B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332089A (zh) * | 2011-06-23 | 2012-01-25 | 北京康拓红外技术股份有限公司 | 一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法 |
CN103218627A (zh) * | 2013-01-31 | 2013-07-24 | 沈阳航空航天大学 | 一种图像检测方法及设备 |
CN104021394A (zh) * | 2014-06-05 | 2014-09-03 | 华北电力大学(保定) | 基于Adaboost算法的绝缘子图像识别方法 |
CN107633199A (zh) * | 2017-08-07 | 2018-01-26 | 浙江工业大学 | 一种基于深度学习的苹果采摘机器人果实目标检测方法 |
CN108388822A (zh) * | 2018-01-25 | 2018-08-10 | 微梦创科网络科技(中国)有限公司 | 一种检测二维码图像的方法和装置 |
CN108363382A (zh) * | 2018-02-09 | 2018-08-03 | 哈尔滨工业大学(威海) | 一种复杂装备故障诊断方法及系统 |
CN109344905A (zh) * | 2018-10-22 | 2019-02-15 | 王子蕴 | 一种基于集成学习的输电设备自动故障识别方法 |
US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
CN111080600A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车弹簧托板上开口销的故障识别方法 |
CN111080608A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车脱轨自动制动阀塞门手把关闭故障图像识别方法 |
US20230038337A1 (en) * | 2020-02-17 | 2023-02-09 | Robert Bosch Gmbh | Method and device for evaluating an image classifier |
CN111551888A (zh) * | 2020-04-23 | 2020-08-18 | 宁夏隆基宁光仪表股份有限公司 | 一种改进型AdaBoost算法的电能表计量数据故障分析方法 |
CN111931819A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种基于深度学习的机器故障的预测和分类方法 |
CN114004252A (zh) * | 2021-10-13 | 2022-02-01 | 苏州大学 | 一种轴承故障诊断的方法、装置以及设备 |
Non-Patent Citations (4)
Title |
---|
CHUL MIN YEUM: "Vision-Based Automated Crack Detection for Bridge Inspection", 《COMPUTER-AIDED CIVIL AND INFRASTRUCTURE ENGINEERING》, vol. 30, pages 759 - 770, XP055706865, DOI: 10.1111/mice.12141 * |
应臣伟: "基于AdaBoostSVM算法的飞机硬着陆故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 1, pages 031 - 162 * |
张祥甫等: "一种视频防抖优化的无人机目标检测系统设计与实现", 《舰船电子工程》, vol. 40, no. 3, pages 43 - 47 * |
程晓倩: "面向类别不平衡数据的工业过程多故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2, pages 140 - 1720 * |
Also Published As
Publication number | Publication date |
---|---|
CN116188449B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A review of applications of visual inspection technology based on image processing in the railway industry | |
Yanan et al. | Rail surface defect detection method based on YOLOv3 deep learning networks | |
CN111080622B (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
CN111652295B (zh) | 一种铁路货车钩尾销托梁脱落故障识别方法 | |
CN111091545B (zh) | 铁路货车滚动轴承轴端螺栓丢失故障的检测方法 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN111080611A (zh) | 一种铁路货车摇枕弹簧折断故障图像识别方法 | |
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 | |
CN111079734B (zh) | 铁路货车三角孔异物检测方法 | |
CN111080612B (zh) | 一种货车轴承破损检测方法 | |
CN111862029A (zh) | 一种铁路动车组垂向减震器螺栓部件故障检测方法 | |
CN111080600A (zh) | 一种铁路货车弹簧托板上开口销的故障识别方法 | |
CN111080613B (zh) | 一种铁路货车浴盆破损故障图像识别方法 | |
CN113516629A (zh) | Tfds通过作业智能检测系统 | |
CN109360188A (zh) | 一种高铁接触网等电位线不良状态的检测方法 | |
CN115797354A (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
CN113674216A (zh) | 一种基于深度学习的地铁隧道病害检测方法 | |
CN115527170A (zh) | 货车脱轨自动制动装置塞门手把关闭故障识别方法及系统 | |
CN111091551A (zh) | 一种铁路货车制动梁支柱开口销丢失故障检测方法 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN115424128A (zh) | 一种货车转向架下拉杆故障图像检测方法及系统 | |
CN111652228B (zh) | 铁路货车枕梁孔异物检测方法 | |
CN114549414A (zh) | 一种针对轨道数据的异常变化检测方法及系统 | |
CN116310358B (zh) | 铁路货车螺栓丢失检测方法、存储介质及设备 | |
CN116188449B (zh) | 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备 |
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 |