[發明專利]一種地鐵夾鉗外觀異常檢測的方法

在審

• 申請號: 202011363737.1
• 申請日: 2020-11-27
• 公開（公告）號: CN112465784A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 胡遠江;卜顯利;王志云;劉曉曼;鄒夢;王順;古鵬
• 申請（專利權）人: 廣州運達智能科技有限公司;成都運達科技股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/90;G06N3/04;G06K9/62
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 林菲菲

本發明公開了一種地鐵夾鉗外觀異常檢測的方法，包括：首先利用架設在列車兩側的高速相機采集夾鉗圖像；通過Faster R?CNN對桿件部分先定位然后對桿件部分進行檢測，判斷桿件是否出現異常；Faster R?CNN對夾鉗整圖中的彈簧部分進行定位并截取，如果沒有截取到彈簧部件，可判斷為彈簧丟失，否則將截取獲得的彈簧圖像與對應的正常彈簧圖像進行高度比對，判斷彈簧是否部分缺失；如果彈簧不存在部分缺失異常，將彈簧圖像送入OC?CNN網絡，判斷彈簧是否存在裂紋。本發明提出利用Faster R?CNN與OC?CNN算法對列車夾鉗部分進行異常診斷，能夠有效的避免由于天氣、光照等原因的影響，提高算法的魯棒性。

技術領域

本發明涉及一種檢測技術領域，具體涉及一種地鐵夾鉗外觀異常檢測的方法。

背景技術

近些年，隨著科技發展與時代進步，我國鐵路運輸事業迎來了快速發展，列車運行速度已達到了前所未有的水平。列車在高速運行時任何細微的故障都有可能造成重大事故，這使得對列車外觀零部件的故障檢查和定期維護變得尤為重要。目前，列車的故障巡檢大都是人工模式，一方面人工巡檢會消耗大量的人力物力對企業的盈利造成影響，另一方面巡檢人員長時間導致工作疲勞使得某些故障被忽略從而對列車的安全運行帶來重大隱患。這些原因導致人工巡檢已不能滿足鐵路事業高速發展的需要，因此，有必要將機器視覺應用到列車的故障診斷上面。

目前，基于機器視覺的故障診斷技術在國內外的研究還比較少，特別是針對包含多種類型的復合故障，暫時還沒有一種通用的算法來實現其檢測。目前機器視覺的故障診斷方法包括以下三種：(1)模板匹配：通過計算得到標準模板圖像與待檢測圖像通過相似度，再與設置閾值進行比較，從而判斷異常。(2)機器學習：傳統的機器學習方法包括了特征提取和分類兩個步驟，其中特征提取步驟在不同的應用場景下需要制定不同的特征提取方法，再將提取的特征進行一分類算法判斷故障，由于實際工作場景復雜帶來的特征提取的多樣性通常使得機器學習模型在實際的工作中精度不高，魯棒性不高。(3)深度學習：通過大量的數據對神經網絡進行擬合，能廣泛用于復雜場景下的檢測。神經網絡在實際工作場景下需要獲取大量的正樣本和負樣本進行訓練，但在大多數工作場景中，負樣本極其少見且難以獲得，這使得深度學習在應用場景下面臨一定的局限性。

為了滿足真實場景下的需求，基于計算機視覺的故障診斷方法必須要考慮到以下兩點：(1)檢測精度：作為機器視覺技術代替人工巡檢的關鍵，模型的故障診斷要達到較高的精度，即零漏檢，低誤檢，具備取代人工巡檢的可行性。(2)推理時間：由于機器視覺模型本身的復雜度以及巨大的計算量，模型通常會消耗較多的時間去推理一張高像素的圖片，這對于實際的工業場景顯然不能接受。

發明內容

本發明提出一種用于地鐵夾鉗部分外觀異常檢測的方案，能夠以較高的準確率識別地鐵夾鉗部分是否異常，從而讓工人對應檢修；有效的解決實際場景下負樣本極少，正負樣本極不均衡情況下的異常檢測。

本發明通過下述技術方案實現：

一種地鐵夾鉗外觀異常檢測的方法，包括：

步驟1：采集夾鉗圖像，并對圖像進行預處理，得到預處理后的夾鉗圖像；

步驟2：將預處理后的夾鉗圖像輸入到訓練好的Faster R-CNN中，訓練好的FasterR-CNN對預處理后的夾鉗圖像的桿件部分進行定位，再對桿件部分進行檢測，直接判斷桿件是否存在異常；

步驟3：采用訓練好的Faster R-CNN對預處理后的夾鉗圖像的彈簧部分進行定位并截取，如果沒有截取到彈簧部分時，則判斷為彈簧異常，反之，執行步驟4；

步驟4：將截取到的彈簧圖片與對應的標準彈簧圖片模板進行比對，判斷彈簧是否存在部分缺失的異常，如果彈簧不存在部分缺失的異常，則執行步驟5；

步驟5：將所截取的彈簧圖片輸入到訓練好的OC-CNN網絡中進行分類，判斷彈簧是否存在異常。