[发明专利]基于深度学习的交叉杆端部紧固螺栓丢失故障检测方法

说明书

基于深度学习的交叉杆端部紧固螺栓丢失故障检测方法，涉及货运列车检测技术领域，针对现有技术中交叉杆端部紧固螺栓丢失故障检测效率低，人力成本和时间成本高的问题，本发明的有益效果是：1、采用深度学习模型对交叉杆端部紧固螺栓丢失故障进行检测，能够提高故障检测效率，降低人力成本和时间成本，特别是铁路货车图像都是在复杂环境下拍摄的，使用传统图像算法对图像要求高，存在一定的局限性，深度学习检测方式则能更好的适应复杂图像的故障检测。2、采用TensorRT加速优化深度学习模型结构，设计并行检测图像算法，使故障检测速度大大提高，能够满足铁路实时过车实时故障检测报警。

技术领域

本发明涉及货运列车检测技术领域，具体为一种基于深度学习的交叉杆端部紧固螺栓丢失故障检测方法。

背景技术

货车故障轨边图像检测系统(TFDS)作为全路5T系统的重要组成部分，在防范货车车辆故障方面发挥着重要作用，TFDS的应用使得大量的铁路货车运用故障得到及时发现和处理，但是漏检、误判现象也时有发生，因此抓住多发故障、典型故障的特征，提高检车故障的效率急需解决。

交叉杆端部紧固螺栓是固定底部转向架交叉杆的重要锁紧装置，由于货车运行过程中，交叉杆随着震动的产生，交叉杆端部螺栓会逐渐松动，导致锁紧板位置会发生偏转，严重者会出现锁紧板脱落丢失，交叉杆端部紧固螺栓丢失等危机行车安全的故障。因此为了避免发生故障，采用近年来日趋成熟的深度学习方式，现有技术中交叉杆端部紧固螺栓丢失故障检测效率低，人力成本和时间成本高。

发明内容

本发明的目的是：针对现有技术中交叉杆端部紧固螺栓丢失故障检测效率低，人力成本和时间成本高的问题，提出一种基于深度学习的交叉杆端部紧固螺栓丢失故障检测方法。

本发明为了解决上述技术问题采取的技术方案是：

基于深度学习的交叉杆端部紧固螺栓丢失故障检测方法，包括：

步骤一：获取交叉杆端部紧固螺栓的高清线阵图像，并建立样本数据集；

步骤二：对样本数据集进行数据扩增；

步骤三：对数据集中的图像进行标记；

步骤四：建立TensorFlow Object Detection API深度学习目标检测模型，并将原始图像和标记数据生成数据集，用于模型训练；

步骤五：读取TFDS货车图像检测系统服务器上的过车图像，粗定位出紧固螺栓部件区域子图像，通过调用子图像，将子图像输入到训练好的模型中，进行实时的故障检测，模型对子图像检测出属于正常螺栓的概率为a，属于螺栓丢失的概率为b，a和b的概率范围用0到1的数值表示，并且检测到的正常类或者丢失类的概率互相之间是不相关的个体；

步骤六：首先将螺栓正常阈值设定为0.97，丢失阈值设定为0.9，疑似丢失阈值设定为0.5，然后根据模型输出的阈值进行判断：

若检测到丢失类的概率b，并且b0.9，则认为存在紧固螺栓丢失情况，直接报警给TFDS检测平台；若0.5b0.9，则判定属于疑似丢失情况，并继续判断是否可以检测到正常类的概率a，若检测到正常类的概率a，则判定正常类的概率a是否大于0.97，若a0.97，则不报警，若a0.97，则报警给TFDS检测平台；

若检测到正常类的概率a0.1，且丢失类的概率b0.1，则认定子图像可能存在异常，未检测到有用信息，直接报警给TFDS检测平台；

若以上情况均不存在，则认为该车紧固螺栓图像正常，继续进行下一辆车的紧固螺栓部件检测。

进一步的，所述步骤三中采用LabelImg工具对数据集中的图像进行标记。

进一步的，所述数据集格式为pascal voc。