[發明專利]一種動車抗蛇行減振器安裝座掛異物故障檢測方法

有效

• 申請號: 202010437731.8
• 申請日: 2020-05-21
• 公開（公告）號: CN111652211B
• 公開（公告）日: 2021-03-23
• 發明（設計）人: 高恩穎
• 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: G06K9/32
• 分類號: G06K9/32;G06K9/62;G06N3/04;G06T7/00;B61F5/24;G01M17/08
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 張換男

1.一種動車抗蛇行減振器安裝座掛異物故障檢測方法，其特征在于，該方法包括以下步驟：

步驟一、在動車軌道周圍布設圖像采集設備，利用圖像采集設備獲取途經動車的線陣圖像；

步驟二、通過標記獲得步驟一采集圖像中包含安裝座位置和異物位置的矩形框，并生成矩形框內圖像的XML文件；

步驟三、同步對矩形框內圖像和矩形框內圖像的XML文件進行擴增，利用擴增后的圖像和XML文件生成數據集，并將生成的數據集隨機分成訓練集和驗證集兩部分；

步驟四、將FasterRCNN網絡模型中的卷積替換為DCN，獲得新的FasterRCNN網絡模型；

利用訓練集對新的FasterRCNN網絡模型進行訓練，直至FasterRCNN網絡模型在驗證集上的識別精度不再提升或達到設置的最大迭代次數時停止訓練，獲得訓練好的FasterRCNN網絡模型；

步驟五、對訓練好的FasterRCNN網絡模型中卷積層的參數進行敏感性分析，根據敏感性分析結果對FasterRCNN網絡模型中卷積層的參數進行裁剪，獲得裁剪后的網絡模型；

所述步驟五中根據敏感性分析結果對FasterRCNN網絡模型中卷積層的參數進行裁剪，獲得裁剪后的網絡模型的具體步驟為：

查看網絡結構，篩選出所有卷積層參數，計算不同裁剪率下，裁剪單個卷積層后模型在驗證集上的Loss，設定可接受范圍內精度損失的閾值，得到一組可裁剪參數及裁剪率，根據可裁剪參數及裁剪率對模型中卷積層參數進行裁剪得到裁剪后的網絡模型；步驟六、生成一個與裁剪之前卷積層參數尺寸一致的mask矩陣，將裁剪后網絡模型的卷積層參數與mask矩陣中對應元素相乘后，將相乘結果作為裁剪后網絡模型的初始參數，并對裁剪后網絡模型重新進行訓練，訓練完成后獲得訓練好的裁剪后網絡模型；

步驟七、若訓練好的裁剪后網絡模型的識別精度達到精度要求，則將訓練好的裁剪后網絡模型作為最終網絡模型，否則重新對FasterRCNN網絡模型中卷積層的參數進行裁剪，并重復步驟六的操作過程，直至裁剪后網絡模型的識別精度達到精度要求，獲得最終網絡模型；

步驟八、采集到待識別的圖像后，根據軸距信息對安裝座位置進行粗定位，獲得粗定位出的圖像，將粗定位出的圖像輸入最終網絡模型，得到對待識別圖像的故障識別結果。

2.根據權利要求1所述的一種動車抗蛇行減振器安裝座掛異物故障檢測方法，其特征在于，所述步驟三中，對矩形框內圖像進行擴增的具體過程為：

步驟三一、對矩形框內圖像進行旋轉、平移、縮放、水平翻轉、垂直翻轉、改變對比度、光照調節和增加噪聲操作；

步驟三二、對矩形框內圖像進行模擬天氣的擴增，生成對應的雨、雪、霧、大風天氣下的圖像；

步驟三三、對矩形框內圖像中的異物進行各種形態的擴增。

3.根據權利要求2所述的一種動車抗蛇行減振器安裝座掛異物故障檢測方法，其特征在于，所述步驟三三的具體過程為：

對矩形框內圖像中的異物進行分割，再對分割后的異物進行擴增，擴增方式包括顏色變換和仿射變換；

將擴增后的異物圖像與隨機抽取的正常圖像中的安裝座區域圖像進行融合，獲得擴增后的故障圖像。

4.根據權利要求3所述的一種動車抗蛇行減振器安裝座掛異物故障檢測方法，其特征在于，所述將FasterRCNN網絡模型中的卷積替換為DCN，其中DCN表示為：

其中，p代表輸入圖像中的位置p，K代表采樣點總個數，p_k為位置p周圍的第k個采樣點預定義的位置偏移量，Δp_k為卷積學習得到的位置p周圍的第k個采樣點的位置偏移量，w_k為位置p周圍的第k個采樣點的權重，Δm_k為位置p周圍的第k個采樣點的調節因子，x(p+p_k+Δp_k)代表位置p+p_k+Δp_k處的輸入特征，y(p)代表對位置p周圍采樣點對應的輸入特征進行加權后的輸出特征。