[发明专利]基于虚拟CRH380A模型和深度学习的TEDS故障检测方法

说明书

基于虚拟CRH380A模型和深度学习的TEDS故障检测方法，包括以下步骤：步骤一、拍摄TEDS故障图片以及生成渲染故障图片；步骤二、生成对抗网络转换图片；步骤三、构建训练样本集：将超逼真故障图片与少量的真实故障图片进行混合，使用标记软件对图片进行样本标记，构建训练样本集；步骤四、训练目标检测模型，构建故障检测深度模型；步骤五、进行TEDS故障检测和判定。本发明利用神经网络以及虚拟模型建立EMU动态故障的海量多维特征识别模型库实现高准确度的EMU设备故障的自动检测能力；通过此项目来支持TEDS系统对EMU设备故障的自动检测能力，预估计能使全国铁路动车段能节省人工检测费。

技术领域

本发明涉及无损视觉故障检测技术领域，具体涉及基于虚拟CRH380A模型和深度学习的TEDS故障检测方法。

背景技术

随着我国高速铁路建设的快速发展，动车组（EMU）在高速运行的状态下，车体上任何细微的故障都将存在巨大的安全隐患，因此对EMU在高速运行中部件状态进行检测并实现故障警、提高EMU检修运用质量、加强EMU检修作业质量的监控至关重要。EMU动态故障检测系统（TEDS）利用轨边安装的高速面阵相机和高速线阵相机，采集EMU车体底部、车体两侧裙板、车辆连接装置、转向架等可视部位图像，采用自动识别技术识别车体故障，实现故障的分级报警，同时图像通过网络实时传输至室内监测终端，由人工对异常报警进行确认和故障提交，以提高动车所作业质量和作业效率。

从计算机视觉的角度来讲，TEDS系统现采用的自动识别技术识别车体故障技术，只单纯的停留在低级的图像处理层面：以时间为轴，对EMU同一部件，实现在时间轴上相邻前后两张照片像素对比。有研究人员在EMU运行故障动态图像检测系统设计与实现中采用了尺寸不变特征变换（Scale-Invariant Feature Transform,SIFT）来对故障图片攫取关键点（Keypoint），利用欧氏距离来作为两幅图像中关键点特征向量的相似性匹配判定参照，再采用方向梯度直方图（Histogram of Orientation Gradient, HOG）将两幅匹配后图像进行描述子比较。比较结果超过一定阈值的时候，便被判定图像中含有异常故障。其中欧氏距离算出的阈值和其后的描述子匹配阈值都是需要人工设置。这种单线的像素对比对于静态工件具有较好的识别效果，但对于庞大变化的列车工件来说，这个方法并不适应大规模的EMU结构件故障检测。据统计目前TEDS系统的故障报警准确率只有万分至一至万分之三左右。

因此目前在动车段的维修总调度室（应急中心），依然是人工在手动检测TEDS系统采集下来的图片。这种人工检测的方式不仅有各种各样的遗漏故障，效率低下，而且TEDS分析员都是超负荷工作才能完成超大的工作量。从长期的发展来看，动车数量正在与日俱增，面对如此庞大的工作量，误诊率也会增加。

目前，主流研究提出采用深度学习方法改进TEDS故障检测性能，但对罕见故障的检测能力仍然不足，原因并非是深度学习算法性能弱，而是缺乏大量的齐全的故障图像数据，TEDS系统实际运用中收集的故障图像极度稀缺、故障特征稀疏程度高，越罕见的故障，相应故障图像越稀缺。

发明内容

本发明要解决的技术问题是，克服现有技术存在的上述缺陷，提供一种在TEDS故障样本稀缺的情况下生成大量接近真实的故障图像、达到扩大训练数据集、从而能够精准检测到罕见故障、以及达到故障检测自动化的基于虚拟CRH380A模型和深度学习的TEDS故障检测方法。