[发明专利]一种基于深度学习的上拉杆故障检测方法

说明书

一种基于深度学习的上拉杆故障检测方法，它属于上拉杆故障检测技术领域。本发明解决了采用现有方法进行上拉杆故障检测时容易出现错、漏检以及检测效率低的问题。本发明首先采集待检测的列车图像，并从采集的图像中获取感兴趣区域图像；然后对感兴趣区域图像进行增强处理，获得增强处理后的感兴趣区域图像；对图像进行分割后，通过改进SSD模型输出分割后子图像中制动缸部件位置；并根据制动缸位置提取出包含上拉杆的待识别图像；最后采用FasterRCNN模型和Unet模型对待识别图像中的上拉杆进行故障识别。本发明可以应用于上拉杆故障检测。

技术领域

本发明属于上拉杆故障检测技术领域，具体涉及一种基于深度学习的上拉杆故障检测方法。

背景技术

上拉杆是铁路车辆制动系统的重要部件，在列车制动时起到传递制动力的作用。车辆制动时制动缸输出的制动力通过制动杠杆传递到上拉杆，上拉杆通过圆销与转向架移动杠杆相连，转向架移动杠杆再将制动力传递给闸瓦，闸瓦摩擦车轮产生制动。若上拉杆在制动过程中断裂，则制动力不能传递给闸瓦，车辆失去制动能力，无法停车，造成行车安全事故。

目前主要采取人工逐张看图的检车作业方式，这种方式受人员素质、责任心、劳动强度等因素的影响，错、漏检问题时有发生，作业质量难以保证，以及存在着人工成本巨大、效率低下等问题。因此，针对上拉杆故障的自动化检测具有重要意义。通过结合图像处理和深度学习技术，实现故障自动识别和报警，可有效提高检车作业质量和效率。

发明内容

本发明的目的是为解决采用现有方法进行上拉杆故障检测时容易出现错、漏检以及检测效率低的问题，而提出了一种基于深度学习的上拉杆故障检测方法。

本发明为解决上述技术问题所采取的技术方案是：一种基于深度学习的上拉杆故障检测方法，所述方法包括以下步骤：

步骤一、采集待检测的列车图像，并从采集的列车图像中获取感兴趣区域图像；

步骤二、对感兴趣区域图像进行增强处理，获得增强处理后的感兴趣区域图像；

步骤三、对增强处理后的感兴趣区域图像进行分割，获得对感兴趣区域图像分割后的子图像；

步骤四、将获得的对感兴趣区域图像分割后的子图像输入训练好的改进SSD模型，通过训练好的改进SSD模型的输出层来输出子图像中制动缸部件的位置；

所述改进SSD模型的每两个卷积层之间均添加一个深度残差结构；

步骤五、在增强处理后的感兴趣区域图像中，根据步骤四获得的制动缸部件的位置以及制动缸与上拉杆之间的组装关系，从增强处理后的感兴趣区域图像中提取出包含上拉杆的待识别图像；

步骤六、将步骤五提取出的包含上拉杆的待识别图像输入训练好的FasterRCNN模型，若FasterRCNN模型未检测到上拉杆接头或扁铁位置，则发生上拉杆折断故障，生成报文并上传至报警平台。

本发明的有益效果是：

本发明将自动识别技术引入铁路货车故障检测，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，提高故障检测的质量和检测效率。

由于上拉杆存在不同程度的遮挡情况，而且不同型号的上拉杆的形态也有所却别，将深度学习算法应用故障自动识别中，相较传统的机器视觉检测方法具有更高的准确性、稳定性。

针对不同站点相机、光照条件的不同的情况，本发明设计了一种光照自适应调节策略，用以减少不同站点间图像的差异，提高检测精度，避免错、漏检问题的发生。

对SSD定位网络结构进行改进，并对损失函数进行修改，加快了模型训练的收敛速度，同时提高了定位速度和精度。对检测网络进行改进，提高了模型的检测速度和精度。

附图说明