[發明專利]列車車輛底盤零件異常檢測方法和裝置、電子設備及介質

在審

• 申請號: 202310446573.6
• 申請日: 2023-04-23
• 公開（公告）號: CN116542916A
• 公開（公告）日: 2023-08-04
• 發明（設計）人: 劉成沛;孫全俊
• 申請（專利權）人: 五邑大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/80;G06V10/774;G06V10/764;G06V10/82
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 梁國平

本發明實施例提供了一種列車車輛底盤零件異常檢測方法和裝置、電子設備及介質。該方法包括：通過相機拍攝獲取列車車輛底盤不同視角的圖像；采用深度學習算法構建U?Net異常檢測模型；通過U?Net異常檢測模型對圖像進行分析，得到列車車輛底盤中目標零件的圖像數據，其中，U?Net異常檢測模型包括有EfficientNets網絡模型、Autoencoder模塊和GAN模塊；將圖像數據轉換成特征向量；將特征向量通過Autoencoder模塊進行降維和重建，計算得到重建誤差；在確定重建誤差超過預設閾值的情況下，則判斷目標零件發生列車車輛底盤零件異常事件。因此，能夠有效檢測不同種類的列車車輛底盤零件異常事件。

技術領域

本發明涉及列車運行安全管理技術領域，尤其涉及一種列車車輛底盤零件異常檢測方法和裝置、電子設備及介質。

背景技術

目前的列車車輛底盤零件異常檢測主要依靠人力檢測，人工檢測效率低下?，F有的檢測系統只能檢測某一單一事件，不能檢測不同種類的異常事件，而且由于列車車輛底盤檢測場景復雜，現有的檢測方法存在無法有效檢測零件異常的問題。

發明內容

本發明實施例的主要目的在于提出一種列車車輛底盤零件異常檢測方法和裝置、電子設備及介質，能夠有效檢測不同種類的列車車輛底盤零件異常事件。

為實現上述目的，本發明實施例的第一方面提出了一種列車車輛底盤零件異常檢測方法，所述方法包括：

通過相機拍攝獲取列車車輛底盤不同視角的圖像；

采用深度學習算法構建U-Net異常檢測模型；

通過所述U-Net異常檢測模型對所述圖像進行分析，得到所述列車車輛底盤中目標零件的圖像數據，其中，所述U-Net異常檢測模型包括有EfficientNets網絡模型、Autoencoder模塊和GAN模塊；

將所述圖像數據轉換成特征向量；

將所述特征向量通過所述Autoencoder模塊進行降維和重建，計算得到重建誤差；

在確定所述重建誤差超過預設閾值的情況下，則判斷所述目標零件發生列車車輛底盤零件異常事件。

在一些實施例，所述U-Net異常檢測模型的訓練方法如下：

使用Autoencoder模塊計算出每個正常樣本的重建誤差；

使用GAN模塊從所述重建誤差中生成比所述正常樣本數量更多的異常樣本；

將所述正常樣本和生成的所述異常樣本混合在一起，構成一個新的數據集，并使用二分類模型進行訓練，得到訓練好的所述U-Net異常檢測模型。

在一些實施例，在所述通過所述U-Net異常檢測模型對所述圖像進行分析，得到所述列車車輛底盤中目標零件的圖像數據，其中，所述U-Net異常檢測模型包括有EfficientNets網絡模型、Autoencoder模塊和GAN模塊之前，還包括：

采用YOLOv7目標檢測算法對所述圖像進行處理，識別出所述圖像中的目標零件。

在一些實施例，所述EfficientNets作為所述U-Net異常檢測模型的編碼器，用于提高所述U-Net異常檢測模型的特征提取和表征能力。

在一些實施例，所述方法還包括：

通過標定算法得到所述目標零件的世界坐標。

在一些實施例，所述通過標定算法得到所述目標零件的世界坐標，包括：

獲取所述相機的內部參數；

計算出相機模型垂直于所述目標零件的平移向量；

計算世界坐標系繞圖像坐標系的旋轉矩陣；