[发明专利]列车车辆底盘零件异常检测方法和装置、电子设备及介质

说明书

本发明实施例提供了一种列车车辆底盘零件异常检测方法和装置、电子设备及介质。该方法包括：通过相机拍摄获取列车车辆底盘不同视角的图像；采用深度学习算法构建U‑Net异常检测模型；通过U‑Net异常检测模型对图像进行分析，得到列车车辆底盘中目标零件的图像数据，其中，U‑Net异常检测模型包括有EfficientNets网络模型、Autoencoder模块和GAN模块；将图像数据转换成特征向量；将特征向量通过Autoencoder模块进行降维和重建，计算得到重建误差；在确定重建误差超过预设阈值的情况下，则判断目标零件发生列车车辆底盘零件异常事件。因此，能够有效检测不同种类的列车车辆底盘零件异常事件。

技术领域

本发明涉及列车运行安全管理技术领域，尤其涉及一种列车车辆底盘零件异常检测方法和装置、电子设备及介质。

背景技术

目前的列车车辆底盘零件异常检测主要依靠人力检测，人工检测效率低下。现有的检测系统只能检测某一单一事件，不能检测不同种类的异常事件，而且由于列车车辆底盘检测场景复杂，现有的检测方法存在无法有效检测零件异常的问题。

发明内容

本发明实施例的主要目的在于提出一种列车车辆底盘零件异常检测方法和装置、电子设备及介质，能够有效检测不同种类的列车车辆底盘零件异常事件。

为实现上述目的，本发明实施例的第一方面提出了一种列车车辆底盘零件异常检测方法，所述方法包括：

通过相机拍摄获取列车车辆底盘不同视角的图像；

采用深度学习算法构建U-Net异常检测模型；

通过所述U-Net异常检测模型对所述图像进行分析，得到所述列车车辆底盘中目标零件的图像数据，其中，所述U-Net异常检测模型包括有EfficientNets网络模型、Autoencoder模块和GAN模块；

将所述图像数据转换成特征向量；

将所述特征向量通过所述Autoencoder模块进行降维和重建，计算得到重建误差；

在确定所述重建误差超过预设阈值的情况下，则判断所述目标零件发生列车车辆底盘零件异常事件。

在一些实施例，所述U-Net异常检测模型的训练方法如下：

使用Autoencoder模块计算出每个正常样本的重建误差；

使用GAN模块从所述重建误差中生成比所述正常样本数量更多的异常样本；

将所述正常样本和生成的所述异常样本混合在一起，构成一个新的数据集，并使用二分类模型进行训练，得到训练好的所述U-Net异常检测模型。

在一些实施例，在所述通过所述U-Net异常检测模型对所述图像进行分析，得到所述列车车辆底盘中目标零件的图像数据，其中，所述U-Net异常检测模型包括有EfficientNets网络模型、Autoencoder模块和GAN模块之前，还包括：

采用YOLOv7目标检测算法对所述图像进行处理，识别出所述图像中的目标零件。

在一些实施例，所述EfficientNets作为所述U-Net异常检测模型的编码器，用于提高所述U-Net异常检测模型的特征提取和表征能力。

在一些实施例，所述方法还包括：

通过标定算法得到所述目标零件的世界坐标。

在一些实施例，所述通过标定算法得到所述目标零件的世界坐标，包括：

获取所述相机的内部参数；

计算出相机模型垂直于所述目标零件的平移向量；

计算世界坐标系绕图像坐标系的旋转矩阵；