[發明專利]基于機器學習的鐵路貨車鉤尾框托板脫落故障檢測方法

有效

• 申請號: 202011473522.5
• 申請日: 2020-12-15
• 公開（公告）號: CN112488039B
• 公開（公告）日: 2021-08-06
• 發明（設計）人: 鄧艷
• 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: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N20/10
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 時起磊

基于機器學習的鐵路貨車鉤尾框托板脫落故障檢測方法，涉及鐵路貨車故障檢測領域。本發明是為了解決現有鐵路貨車鉤尾框托板脫落的故障檢測采用人工檢查圖像的方式進行效率和準確率低的問題。本發明包括：獲取以車軸為參考位置的鉤尾框托板上邊緣子圖和下邊緣子圖，利用訓練好的AdaBoost?SVM級聯分類器對鉤尾框托板上邊緣子圖和下邊緣子圖進行螺栓丟失檢測，并將有丟失故障的圖像中托板位置映射到整列貨車圖像上，生成報文后上傳平臺。本發明主要用于檢測鐵路貨車鉤尾框托板脫落故障。

技術領域

本發明涉及鐵路貨車故障檢測領域，特別涉及基于機器學習的鐵路貨車鉤尾框托板脫落故障檢測方法。

背景技術

隨著鐵路運輸行業的發展，鐵路貨車的故障檢測成為鐵路運輸領域關注的重點。鐵路貨車鉤尾框屬于貨車的車鉤部分，起到連接兩節貨車的作用。當鐵路貨車載重量較大時，會對鐵路貨車的鉤尾框造成較重的損耗，進而容易造成鉤尾框托板的脫落，因此合理的鉤尾框托板脫落故障檢測方法是十分必要的

目前鐵路貨車鉤尾框托板脫落的故障檢測主要采用人工檢查圖像的方式進行，人工檢測效率較低，且檢車人員在工作過程中極易出現疲勞、遺漏等情況，因此很容易造成漏檢、錯檢的情況的發生，進而造成檢測的準確率低，從而影響行車安全。

發明內容

本發明目的是為了解決現有鐵路貨車鉤尾框托板脫落的故障檢測采用人工檢查圖像的方式進行效率和準確率低的問題，而提出了基于機器學習的鐵路貨車鉤尾框托板脫落故障檢測方法，具體過程為：

獲取以車軸為參考位置的鉤尾框托板上邊緣子圖和下邊緣子圖，利用訓練好的AdaBoost-SVM級聯分類器對鉤尾框托板上邊緣子圖和下邊緣子圖進行螺栓丟失檢測，并將有丟失故障的圖像中托板位置映射到整列貨車圖像上，生成報文后上傳平臺；

獲得以車軸為參考位置的鉤尾框托板上邊緣子圖和下邊緣子圖，具體過程為：

步驟一、定位鉤尾框托板圖像中鉤尾框托板位置，提取ROI區域：

步驟一一、獲取鐵路貨車線陣圖像：

步驟一二、定位鉤尾框托板位置，提取ROI區域：

根據整體鐵路貨車識別系統框架提供的軸距信息定位以車軸為參考位置的鐵路貨車線陣圖像中鉤尾框托板的位置，并提取ROI區域；

步驟二、獲取以車軸為參考位置的鉤尾框托板上邊緣子圖和下邊緣子圖：

對鉤尾框托板的ROI區域圖像進行上下邊緣截取，獲得上邊緣帶螺栓的區域子圖和下邊緣帶螺栓的區域子圖；

訓練好的AdaBoost-SVM級聯分類器，通過以下方式獲得：

步驟三、獲取樣本圖像；

步驟四、提取樣本圖像的HOG特征；

步驟五、運用提取到的HOG特征訓練AdaBoost-SVM級聯分類器。

本發明的有益效果為：

本發明利用圖像自動識別的方式代替人工檢測，并且選擇改進HOG算法對托板固定螺絲丟失時的空洞進行特征提取，提取出更加準確的特征信息，提高了故障識別算法的準確率。本發明對HOG算法進行增強，提高特征之間的對比度，增加了算法的泛化能力。本發明將提取到的特征量訓練好的AdaBoost-SVM級聯分類器對板固定螺絲丟失時的空洞進行檢測和定位，減少了分類訓練的時間和過擬合的風險，保證了分類的效率和識別程序的穩定性，提升了故障檢測方法的效率和準確率。

附圖說明

圖1為故障識別總體流程圖；

圖2為故障識別具體流程圖；

圖3為AdaBoost-SVM級聯分類算法描述圖。

具體實施方式