[發(fā)明專利]一種鐵路貨車轉(zhuǎn)向架彈簧托板折斷故障圖像識別方法

有效

• 申請?zhí)枺?/td>: 201911272273.0
• 申請日: 2019-12-12
• 公開（公告）號: CN111091542B
• 公開（公告）日: 2020-11-27
• 發(fā)明（設(shè)計）人: 馬元通
• 申請（專利權(quán)）人: 哈爾濱市科佳通用機電股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06K9/46;G06K9/62
• 代理公司: 哈爾濱市松花江專利商標事務(wù)所 23109
• 代理人: 牟永林

一種鐵路貨車轉(zhuǎn)向架彈簧托板折斷故障圖像識別方法，涉及貨運列車檢測技術(shù)領(lǐng)域，針對現(xiàn)有技術(shù)中采用的人工逐張看圖的檢車作業(yè)方式檢查轉(zhuǎn)向架彈簧托板是否折斷時效率低的問題，包括步驟一：獲取途徑貨車的線陣圖像；步驟二：對轉(zhuǎn)向架彈簧托板位置進行粗定位，并將其作為樣本數(shù)據(jù)集；步驟三：對樣本數(shù)據(jù)集進行數(shù)據(jù)擴增和標記，得到標記信息集，并結(jié)合原始圖像，對圖像分割神經(jīng)網(wǎng)絡(luò)模型和圖像分類神經(jīng)網(wǎng)絡(luò)模型進行訓練；步驟四：利用訓練好的圖像分割神經(jīng)網(wǎng)絡(luò)模型和圖像分類神經(jīng)網(wǎng)絡(luò)模型進行故障識別。本發(fā)明根據(jù)項目內(nèi)容，對使用的分割網(wǎng)絡(luò)模型進行修改，在保證效果的前提下，提高了檢測效率。

技術(shù)領(lǐng)域

本發(fā)明涉及貨運列車檢測技術(shù)領(lǐng)域，具體為一種鐵路貨車轉(zhuǎn)向架彈簧托板折斷故障圖像識別方法。

背景技術(shù)

轉(zhuǎn)向架彈簧托板折斷是彈簧托板的一種故障形態(tài)，彈簧托板把左右側(cè)架連接在一起，提高了轉(zhuǎn)向架的抗菱剛度。同時，左右側(cè)架通過其頂部導框搖動座分別支撐在前后兩承載鞍上，成為橫向可同步擺動的吊桿。兩側(cè)架擺動時，搖枕橫向移動，為限制搖枕過大的橫向位移，防止搖枕竄出，在彈簧托板上設(shè)置了止擋板，通過止擋與搖枕下部三角擋的配合，限制搖枕的最大橫向位移，起到安全擋的作用。當轉(zhuǎn)向架彈簧托板折斷時將影響其功用，給貨車行車安全帶來隱患。當前采用的人工逐張看圖的檢車作業(yè)方式，存在受人員素質(zhì)、責任心影響，錯漏檢問題時有發(fā)生，作業(yè)質(zhì)量難以保證，以及人工成本巨大、效率低下等問題。

所以針對轉(zhuǎn)向架彈簧托板折斷故障的自動化檢測具有重要意義。通過結(jié)合圖像處理和深度學習技術(shù)，實現(xiàn)故障自動識別和報警，有效提高檢車作業(yè)質(zhì)量和效率。

發(fā)明內(nèi)容

本發(fā)明的目的是：針對現(xiàn)有技術(shù)中采用的人工逐張看圖的檢車作業(yè)方式檢查轉(zhuǎn)向架彈簧托板是否折斷時效率低的問題，提出一種鐵路貨車轉(zhuǎn)向架彈簧托板折斷故障圖像識別方法。

本發(fā)明為了解決上述技術(shù)問題采取的技術(shù)方案是：一種鐵路貨車轉(zhuǎn)向架彈簧托板折斷故障圖像識別方法,包括以下步驟：

步驟一：獲取途徑貨車的線陣圖像；

步驟二：對轉(zhuǎn)向架彈簧托板位置進行粗定位，并將其作為樣本數(shù)據(jù)集；

步驟三：對樣本數(shù)據(jù)集進行數(shù)據(jù)擴增和標記，得到標記信息集，并結(jié)合原始圖像，對圖像分割神經(jīng)網(wǎng)絡(luò)模型和圖像分類神經(jīng)網(wǎng)絡(luò)模型進行訓練；

步驟四：利用訓練好的圖像分割神經(jīng)網(wǎng)絡(luò)模型和圖像分類神經(jīng)網(wǎng)絡(luò)模型進行故障識別，所述故障識別的過程為：首先根據(jù)車型信息及部件所在區(qū)域的先驗知識，提取出包含彈簧托板的子區(qū)域圖像，然后加載對應(yīng)轉(zhuǎn)向架類型的圖像分割網(wǎng)絡(luò)和圖像分類網(wǎng)絡(luò)，之后利用圖像分割網(wǎng)絡(luò)對子區(qū)域圖像中的彈簧托板部件進行提取，利用分類模型對像素提取后的彈簧托板圖像進行故障判定。

進一步的，所述數(shù)據(jù)擴增包括旋轉(zhuǎn)、平移、縮放和鏡像。

進一步的，所述圖像分割神經(jīng)網(wǎng)絡(luò)模型包括四個下采樣層，四個上采樣層和卷積層，

下采樣層一：利用32通道的3×3大小的卷積核進行卷積，ReLU激活函數(shù)，進行池化，并與上采樣層四融合；

下采樣層二：利用64通道的3×3大小的卷積核進行卷積，ReLU激活函數(shù)，并進行池化并與上采樣層三融合；

下采樣層三：利用128通道的3×3大小的卷積核進行卷積，ReLU激活函數(shù)，并進行池化并與上采樣層二融合；

下采樣層四：利用256通道的3×3大小的卷積核進行卷積，ReLU激活函數(shù)，并進行池化并與上采樣層一融合；

卷積層：利用512通道的3×3大小的卷積核進行卷積并利用ReLU激活函數(shù)；

上采樣層一：利用256通道的3×3大小的卷積核進行反卷積，并利用ReLU激活函數(shù)；