[發明專利]鐵路貨車輪輪輞及踏面的破損識別方法

在審

• 申請號: 201911272801.2
• 申請日: 2019-12-12
• 公開（公告）號: CN111080614A
• 公開（公告）日: 2020-04-28
• 發明（設計）人: 王斐
• 申請（專利權）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
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 于歌

鐵路貨車輪輪輞及踏面的破損識別方法，涉及物聯網技術領域。本發明是為了解決現有人工對貨車進行故障檢測時，容易檢測結果不準確，進而容易導致故障不能夠及時發現的問題。本發明所述的鐵路貨車輪輪輞及踏面的破損識別方法，利用圖像自動識別的方式代替人工檢測，提高故障識別檢測效率、準確率，降低人力成本。將深度學習應用到部件定位及故障檢測中，能夠有效提高算法的魯棒性和準確率。在對Faster rcnn深度學習網絡進行訓練后，采用tensorRT對網絡進行加速優化，既保證了預測的準確率，又保證了其運行效率。

技術領域

本發明屬于物聯網技術領域。

背景技術

車輪是介于輪胎和車橋之間承受負荷的旋轉件，通常由輪輞和輪輻組成。輪輞俗稱輪圈或輪轂，是固定輪胎及連接輪胎與車軸的中間部件。車輪踏面是指車輪與鋼軌頂面的接觸部分。軌道車輛的車輪在運行中長期受到較大的交變應力，其內部可能產生裂紋或磨損，容易導致車輛發生故障。

目前對于貨車故障檢測一般采用人工排查的方式。由于排查過程中受到作業人員的業務素質、責任心、勞動強度等因素影響較大，因此容易發生漏檢或簡化作業等情況。而對于貨車輪輪輞及踏面出現裂紋時，往往人工難以及時發現，進而容易造成貨車輪輪輞及踏面的進一步惡化、甚至丟失或折斷，此時，故障不能被及時發現，進而引發嚴重的車輛故障。

發明內容

本發明是為了解決現有人工對貨車進行故障檢測時，容易檢測結果不準確，進而容易導致故障不能夠及時發現的問題，現提供鐵路貨車輪輪輞及踏面的破損識別方法。

鐵路貨車輪輪輞及踏面的破損識別方法，包括以下步驟：

訓練數據集建立步驟：

采集不同型號鐵路貨車處于不同時間、地點和環境下的車輪圖片建立樣本庫，所述車輪圖片包括正常狀態下的車輪圖片和故障狀態下的車輪圖片，

分別將每一幅圖片劃分出8～10個區域，對每個區域是否存在故障進行標注、并生成相應的標簽文件，

利用所有的車輪圖片及其對應的標簽文件建立Faster rcnn目標檢測網絡的訓練數據集；

權重訓練步驟：

將訓練數據集代入Faster rcnn目標檢測網絡模型中，對Faster rcnn目標檢測網絡模型進行訓練，獲得Faster rcnn目標檢測網絡模型權重值，并將該權重值代入Fasterrcnn目標檢測網絡模型中，完成模型訓練；

圖片采集步驟：采集待識別的車輪圖片作為檢測圖片；

故障識別步驟：將檢測圖片輸入訓練好的Faster rcnn目標檢測網絡模型中，獲得識別結果。

進一步的，上述權重訓練步驟中，在完成模型訓練之后，還使用tensorRT對訓練好的模型進行優化。

進一步的，上述樣本庫中不僅包括采集到的圖片，還包括對采集到的圖片進行拉伸、旋轉和鏡像后的圖片。

進一步的，上述權重訓練步驟中，Faster rcnn目標檢測網絡采用Inception v2預訓練網絡模型進行訓練。

進一步的，上述圖片采集步驟中，將所有檢測圖片的尺寸進行統一，對于每節有8個車輪的列車，將每節貨車的車輪圖像均融合成大小為(8,512,512,3)的矩陣。

本發明所述的鐵路貨車輪輪輞及踏面的破損識別方法，利用圖像自動識別的方式代替人工檢測，提高故障識別檢測效率、準確率，降低人力成本。將深度學習應用到部件定位及故障檢測中，能夠有效提高算法的魯棒性和準確率。在對Faster rcnn深度學習網絡進行訓練后，采用tensorRT對網絡進行加速優化，既保證了預測的準確率，又保證了其運行效率。