[發(fā)明專(zhuān)利]一種鐵路列車(chē)閘瓦釬環(huán)故障的檢測(cè)方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201710344498.7
• 申請(qǐng)日: 2017-05-16
• 公開(kāi)（公告）號(hào): CN107273802B
• 公開(kāi)（公告）日: 2020-05-22
• 發(fā)明（設(shè)計(jì)）人: 李秀花;嚴(yán)明君;陳伯勝;別旭輝
• 申請(qǐng)（專(zhuān)利權(quán)）人: 武漢華目信息技術(shù)有限責(zé)任公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/46;G06K9/62
• 代理公司: 北京眾達(dá)德權(quán)知識(shí)產(chǎn)權(quán)代理有限公司 11570
• 代理人: 劉杰

本發(fā)明公開(kāi)一種鐵路列車(chē)閘瓦釬環(huán)故障的檢測(cè)方法及裝置，其中所述閘瓦釬環(huán)故障的檢測(cè)方法包括:從所述鐵路列車(chē)的圖像中獲取所述鐵路列車(chē)的車(chē)輪軸線坐標(biāo)；根據(jù)所述車(chē)輪軸線坐標(biāo)，從所述鐵路列車(chē)的圖像中獲取與所述閘瓦釬環(huán)相關(guān)的圖塊；采用深度學(xué)習(xí)和支持向量機(jī)相結(jié)合的方法構(gòu)建閘瓦釬環(huán)定位與識(shí)別模型；根據(jù)所述閘瓦釬環(huán)定位與識(shí)別模型，對(duì)所述與所述閘瓦釬環(huán)相關(guān)的圖塊進(jìn)行檢測(cè)，以對(duì)所述鐵路列車(chē)閘瓦釬環(huán)故障進(jìn)行檢測(cè)。本發(fā)明解決了現(xiàn)有方法中閘瓦釬環(huán)故障檢測(cè)準(zhǔn)確率不高的技術(shù)問(wèn)題，實(shí)現(xiàn)了提高閘瓦釬環(huán)故障檢測(cè)的準(zhǔn)確率的技術(shù)效果。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺(jué)和圖像識(shí)別領(lǐng)域，尤其涉及一種鐵路列車(chē)閘瓦釬環(huán)故障的檢測(cè)方法及裝置。

背景技術(shù)

為了保證鐵路列車(chē)的安全性，通常需要對(duì)鐵路列車(chē)進(jìn)行故障檢測(cè)，閘瓦釬環(huán)是列車(chē)基礎(chǔ)制動(dòng)裝置中的部件，閘瓦釬環(huán)的故障將會(huì)影響列車(chē)的制動(dòng)。

現(xiàn)有技術(shù)中，通常是由經(jīng)驗(yàn)豐富的列檢人員來(lái)檢測(cè)閘瓦釬環(huán)是否存在故障，例如丟失、位置偏移、有覆蓋物等，然而人工檢測(cè)的效率較低，為了提高閘瓦釬環(huán)故障的檢測(cè)效率，出現(xiàn)了貨車(chē)閘瓦故障的自動(dòng)識(shí)別方法，上述方法，首先采用圖像分割的方式確定貨車(chē)閘瓦特征區(qū)域，然后使用SVM(support vector machine支持向量機(jī))算法進(jìn)行特征值計(jì)算，再通過(guò)比較提取的特征值與預(yù)置的故障識(shí)別值進(jìn)行比較，判定閘瓦是否存在故障。

然而，申請(qǐng)人發(fā)現(xiàn)，現(xiàn)有的貨車(chē)閘瓦故障的自動(dòng)識(shí)別方法，采用的SVM算法進(jìn)行特征值計(jì)算，然而SVM算法僅適用于訓(xùn)練樣本量較少的情況，對(duì)于大規(guī)模的訓(xùn)練樣本容易導(dǎo)致目標(biāo)漏檢或誤檢，則當(dāng)貨車(chē)車(chē)閘數(shù)量和種類(lèi)較多時(shí)，無(wú)法保證故障檢測(cè)的準(zhǔn)確率。

可見(jiàn)，現(xiàn)有方法中閘瓦釬環(huán)故障檢測(cè)的準(zhǔn)確率不高的技術(shù)問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明提供一種鐵路列車(chē)閘瓦釬環(huán)故障的檢測(cè)方法及裝置，用以解決現(xiàn)有方法中閘瓦釬環(huán)故障檢測(cè)的準(zhǔn)確率不高的技術(shù)問(wèn)題。

第一方面，本發(fā)明實(shí)施例提供了一種鐵路列車(chē)閘瓦釬環(huán)故障的檢測(cè)方法，所述方法包括:

從所述鐵路列車(chē)的圖像中獲取所述鐵路列車(chē)的車(chē)輪軸線坐標(biāo)；

根據(jù)所述車(chē)輪軸線坐標(biāo)，從所述鐵路列車(chē)的圖像中獲取與所述閘瓦釬環(huán)相關(guān)的圖塊；

采用深度學(xué)習(xí)和支持向量機(jī)相結(jié)合的方法構(gòu)建閘瓦釬環(huán)定位與識(shí)別模型；

根據(jù)所述閘瓦釬環(huán)定位與識(shí)別模型，對(duì)所述與所述閘瓦釬環(huán)相關(guān)的圖塊進(jìn)行檢測(cè)，以對(duì)所述鐵路列車(chē)閘瓦釬環(huán)故障進(jìn)行檢測(cè)。

本發(fā)明提供的鐵路列車(chē)閘瓦釬環(huán)故障的檢測(cè)方法，在所述根據(jù)所述車(chē)輪軸線坐標(biāo)，從所述鐵路列車(chē)的圖像中獲取與所述閘瓦釬環(huán)相關(guān)的圖塊之前，還包括：

采用深度學(xué)習(xí)方法構(gòu)建車(chē)型識(shí)別模型；

根據(jù)所述車(chē)型識(shí)別模型，獲得所述鐵路列車(chē)的車(chē)型；

根據(jù)所述車(chē)型，判斷所述鐵路列車(chē)的圖像是否包含閘瓦釬環(huán)。

本發(fā)明提供的鐵路列車(chē)閘瓦釬環(huán)故障的檢測(cè)方法，所述采用深度學(xué)習(xí)方法構(gòu)建車(chē)型識(shí)別模型，包括：

獲取的車(chē)輪區(qū)域圖像塊和搖枕區(qū)域圖像塊；

對(duì)所述車(chē)輪區(qū)域圖像塊和所述搖枕區(qū)域圖像塊進(jìn)行分類(lèi)，獲得車(chē)輪區(qū)域數(shù)據(jù)集和搖枕區(qū)域數(shù)據(jù)集；

當(dāng)所述車(chē)輪區(qū)域數(shù)據(jù)集達(dá)到所述第一預(yù)設(shè)值時(shí)，利用深度卷積神經(jīng)網(wǎng)絡(luò)獲取所述車(chē)輪區(qū)域數(shù)據(jù)集的第一分類(lèi)特征；

當(dāng)所述搖枕區(qū)域數(shù)據(jù)集達(dá)到所述第二預(yù)設(shè)值時(shí)，利用深度卷積神經(jīng)網(wǎng)絡(luò)獲取所述搖枕區(qū)域數(shù)據(jù)集的第二分類(lèi)特征；

分別根據(jù)所述第一分類(lèi)特征和所述第二分類(lèi)特征，獲得車(chē)輪識(shí)別模型和搖枕識(shí)別模型，以所述車(chē)輪識(shí)別模型和搖枕識(shí)別模型作為車(chē)型識(shí)別模型。