[發明專利]一種基于深度學習的動車組車輛故障動態圖像檢測方法

在審

• 申請號: 202010633539.6
• 申請日: 2020-07-06
• 公開（公告）號: CN111767913A
• 公開（公告）日: 2020-10-13
• 發明（設計）人: 韓一輝;王文
• 申請（專利權）人: 中興飛流信息科技有限公司
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06K9/62;G06N3/08;G01M17/08
• 代理公司: 北京衛智暢科專利代理事務所(普通合伙) 11557
• 代理人: 陳佳

本發明公開了一種基于深度學習的動車組車輛故障動態圖像檢測方法，先通過深度學習目標檢測算法直接對動車組車體故障進行初步檢測，然后配合車體在正常狀態和故障狀態下的邏輯判斷對動車組車輛故障動態圖像進行綜合分析，最終根據分析結果判斷車體是否發生故障并作出預警，本發明涉及交通車輛檢修技術領域。該基于深度學習的動車組車輛故障動態圖像檢測方法，通過利用深度學習目標檢測算法對車體異常進行檢測并配合車體正常狀態和故障狀態下的邏輯判斷綜合分析動車組車輛故障動態圖像，最終得到故障判定結果，具有速度快、準確度高、穩定性高的優勢，同時提高了動車所作業質量和作業效率，加強了動車檢修中發現隱性故障的能力。

技術領域

本發明涉及交通車輛檢修技術領域，具體為一種基于深度學習的動車組車輛故障動態圖像檢測方法。

背景技術

隨著我國鐵路進入跨越式發展新時期，高速動車組飛奔在中國廣袤大地上，在高速運行的狀態下，任何細小、細微的故障都有可能引發重大事故，傳統的以人為主的檢查作業方式容易造成漏檢，檢車作業質量和效率難以得到保障，增加了發生動車組運行安全隱患的概率，因此提高動車組在長交路及高速運行中部件狀態的檢測和異常預警的能力，提高動車組檢修質量和效率，加強動車組檢修作業質量的監控至關重要，目前動車組檢查作業面臨三大困難：

第一，動車組新型運行模式導致檢測能力不足，動車組折返運行時缺少對車體部件狀態的檢測手段，對故障產生初期的預警能力和隱蔽故障的發現能力不足；

第二，動車組高度復雜凸顯了檢測能力的不足，動車組部件結構復雜度高，檢修范圍大，細小部件數量多，檢測量大，動車出庫保障壓力大；

第三，異地檢修作業質量監控難，對于長交路的動車組經常需要在異地檢修，這就要求配屬運用所對于部件信息需要及時掌握和記錄，這就涉及到不同鐵路局不同運用所之間的眾多人員，間接加大了對檢修作業質量的監控難度。

與本發明最相似的實現方案為專利“CN201410843157.0”-《一種動車組運行狀態圖像監控故障自動識別方法》，該發明提供了一種動車組運行狀態圖像監控故障自動識別方法，將當前動車組運行故障圖像檢測系統TEDS設備近期采集的該動車組歷史監控圖像作為時間歷史圖、同一線路上該動車組最近經過的其它TEDS設備采集的監控圖像作為空間歷史圖、當前TEDS設備采集的該動車組監控圖像作為當前圖，將時間歷史圖、空間歷史圖分別與當前圖進行圖像配準，獲取時間歷史配準圖及空間歷史配準圖，將時間歷史配準圖進行加權平均作為歷史標準圖，將空間歷史配準圖進行加權計算作為故障權重矩陣，將當前圖與歷史標準圖進行變化檢測獲取特征差異矩陣，利用特征差異矩陣與故障權重矩陣計算得到故障標記矩陣，具有能夠有效提高動車組運行故障自動識別率、降低誤判率的優點。

目前動車組車輛故障動態圖像檢測系統主要是利用軌邊安裝的高速面陣相機和高速線陣相機，采集動車組車體底部、車體兩側等可視部位圖像，采用自動識別技術識別車體故障，實現故障的分級報警，同時圖像通過網絡實時傳輸至室內監測終端，由人工對異常報警進行確認和故障提交，但是現有的技術存在以下問題：第一，自動識別技術分為圖像配準和圖像特征分析比對兩個階段，圖像配準需要借助車體歷史圖像作為參考，因此需要建立相應車體的數據庫，前期工作量巨大；第二，圖像特征分析比對利用先驗的相似性度量對圖像的特征進行比較，即可得出圖像變化區域及變化程度，對車體的亮度、角度、距離等較為敏感，容易產生誤報；第三，人工對異常報警確認需要大量的人力，工作量極大，而且對人的專業素質和注意力要求極高，容易產生漏報。