一种铁路货车承载鞍挡边折断故障检测方法及系统与流程

本发明涉及一种货车承载鞍挡边折断故障检测方法。属于货运列车检测技术领域。

背景技术：

承载鞍是货车部件中重要的一部分，当承载鞍挡边发生折断时，可能产生危机行车安全的情况。在承载鞍挡边折断故障检测中，现有的方式采用人工检查图像的方式进行故障检测。由于检车人员在工作过程中极易出现疲劳、遗漏等情况，造成漏检、错检的出现，影响行车安全。

由于承载鞍结构不规则，且相对复杂，同时由于承载鞍所在部位光线问题，以及存在污渍等因素的影响，图像中承载鞍挡边不易与承载鞍其他部分区别出来，即使能够区分，其也存在较大误差，准确率度较低，所以直接采用现有的图像自动检测的方式进行承载鞍挡边折断故障进行检测时，检测准确率较低。

技术实现要素：

本发明是为了解决人工检查图像的方式进行载鞍挡边折断故障检测存在效率低、准确率低的问题，以及现有的图像自动检测方式检测承载鞍挡边折断故障存在准确率低的问题。

一种铁路货车承载鞍挡边折断故障检测方法，包括以下步骤：

采集图像并截取包括承载鞍挡边和滚动轴承前盖部件在内的子图像；

将子图像放入数据集；对数据集中的全部图像进行标记，标记时需要标记两部分，一部分是承载鞍挡边区域，另一部分是承载鞍附近的滚动轴承前盖部件；

利用数据集对深度学习网络模型进行训练，得到最优的权重系数；通过训练好的权重系数，确定承载鞍挡边和滚动轴承前盖分割的深度学习网络模型；

在检测过程中，采集图像并截取包括承载鞍挡边和滚动轴承前盖部件在内的子图像，记为待检测承载鞍挡边图像；

利用承载鞍挡边和滚动轴承前盖分割的深度学习网络模型对待检测承载鞍挡边图像进行预测，分别得到承载鞍挡边和滚动轴承前盖的分割结果，进而实现承载鞍挡边折断故障的判断。

进一步地，实现承载鞍挡边折断故障的判断的过程包括以下步骤：

在滚动轴承前盖的分割结果中，使用质心算法计算滚动轴承前盖的中心；根据滚动轴承前盖的水平方向的对称中心，即为承载鞍挡边的水平方向的对称中心，将滚动轴承前盖的水平中心作为承载鞍挡边的水平对称中心；以水平方向对称中心作为分割点，分别计算两侧挡边的长度，比较两侧的长度，如果大于预先设定的阈值，则为故障；否则为正常的承载鞍挡边图像。

进一步地，所述比较两侧的长度，如果大于预先设定的阈值，则为故障的具体判断过程如下：

针对分割得到的承载鞍挡边区域及滚动轴承前盖区域，分别计算承载鞍挡边区域的高度h1、宽度w1、水平中心点坐标x1，滚动轴承前盖区域高度h0、宽度w0、水平中心点坐标x1；

若|h1-h0|＞高度预设值，判断为故障；

若|w1-w0|＞宽度预设值，判断为故障；

若|x1-x0|＞位置预设值，判断为故障。

进一步地，所述深度学习网络模型的确定过程如下：

构建深度学习网络模型：

第1步：将图像输入模型，图像的大小为32的整数倍，并将其作为输入层；

第2步：使用32通道，3×3大小的卷积核对输入层进行卷积得到conv1层，同时再次使用32通道，3×3大小的卷积核对conv1层进行卷积，更新conv1层；

第3步：对conv1层进行最大值池化得到pool1层；

第4步：使用32通道，3×3大小的卷积核对pool1层进行卷积得到conv2层，同时再次使用32通道，3×3大小的卷积核对conv2层进行卷积，更新conv2层；

第5步：对conv2层进行最大值池化得到pool2层；

第6步：使用64通道，3×3大小的卷积核对pool2层进行卷积得到conv3层，同时再次使用64通道，3×3大小的卷积核对conv3层进行卷积，更新conv3层；

第7步：对conv3层进行最大值池化得到pool3层；

第8步：使用64通道，3×3大小的卷积核对pool3层进行卷积得到conv4层，同时再次使用64通道，3×3大小的卷积核对conv4层进行卷积，更新conv4层；

第9步：对conv4层进行最大值池化得到pool4层；

第10步：使用128通道，3×3大小的卷积核对pool4层进行卷积得到conv5层，同时再次使用128通道，3×3大小的卷积核对conv5层进行卷积，更新conv5层；

第11步：对conv5层进行最大值池化得到pool5层；

第12步：使用64通道，3×3大小的卷积核对pool5层进行卷积得到conv6层，同时再次使用64通道，3×3大小的卷积核对conv6层进行卷积，更新conv6层；

第13步：将conv6层进行4倍上采样、pool4层进行2倍上采样和pool3层进行相结合，得到concat层；

第14步：使用32通道，3×3大小的卷积核对concat层进行卷积得到conv7层，同时再次使用32通道，3×3大小的卷积核对conv7层进行卷积，更新conv7层；

第15步：对conv7层进行8倍上采样，得到upsample层，在上采样的过程中采用“bilinear”算法，可以更好的保留细节信息；

第16步；使用“softmax”激活函数对upsample层进行预测，得到输出层。

将数据集通过上述的深度学习网络模型进行训练，得到最优的权重系数。通过训练好的权重系数，确定承载鞍挡边和滚动轴承前盖分割的深度学习网络模型。

进一步地，所述数据集中的每张子图像的大小需要保持一致，并且图像大小为32的整数倍。

一种铁路货车承载鞍挡边折断故障检测系统，包括：

图像采集单元，用于采集图像并截取包括承载鞍挡边和滚动轴承前盖部件在内的子图像；

分割处理单元，所述分割处理单元使用深度学习网络模型，用于对待检测承载鞍挡边图像进行预测，得到承载鞍挡边和滚动轴承前盖的分割结果；

故障检测单元，用于根据分割承载鞍挡边区域及滚动轴承前盖区域，判断承载鞍挡边是否发生折断；具体过程如下：

在滚动轴承前盖的分割结果中，使用质心算法计算滚动轴承前盖的中心；根据滚动轴承前盖的水平方向的对称中心，即为承载鞍挡边的水平方向的对称中心，将滚动轴承前盖的水平中心作为承载鞍挡边的水平对称中心。以水平方向对称中心作为分割点，分别计算两侧挡边的长度，比较两侧的长度，如果大于预先设定的阈值，则为故障；否则为正常的承载鞍挡边图像。

进一步地，所述的深度学习网络模型如下：

将图像输入模型，图像的大小为32的整数倍，并将其作为输入层；

使用32通道，3×3大小的卷积核对输入层进行卷积得到conv1层，同时再次使用32通道，3×3大小的卷积核对conv1层进行卷积，更新conv1层；

对conv1层进行最大值池化得到pool1层；

使用32通道，3×3大小的卷积核对pool1层进行卷积得到conv2层，同时再次使用32通道，3×3大小的卷积核对conv2层进行卷积，更新conv2层；

对conv2层进行最大值池化得到pool2层；

使用64通道，3×3大小的卷积核对pool2层进行卷积得到conv3层，同时再次使用64通道，3×3大小的卷积核对conv3层进行卷积，更新conv3层；

对conv3层进行最大值池化得到pool3层；

使用64通道，3×3大小的卷积核对pool3层进行卷积得到conv4层，同时再次使用64通道，3×3大小的卷积核对conv4层进行卷积，更新conv4层；

对conv4层进行最大值池化得到pool4层；

使用128通道，3×3大小的卷积核对pool4层进行卷积得到conv5层，同时再次使用128通道，3×3大小的卷积核对conv5层进行卷积，更新conv5层；

对conv5层进行最大值池化得到pool5层；

使用64通道，3×3大小的卷积核对pool5层进行卷积得到conv6层，同时再次使用64通道，3×3大小的卷积核对conv6层进行卷积，更新conv6层；

将conv6层进行4倍上采样、pool4层进行2倍上采样和pool3层进行相结合，得到concat层；

使用32通道，3×3大小的卷积核对concat层进行卷积得到conv7层，同时再次使用32通道，3×3大小的卷积核对conv7层进行卷积，更新conv7层；

对conv7层进行8倍上采样，得到upsample层。

使用“softmax”激活函数对upsample层进行预测，得到输出层。

有益效果：

1、本发明利用图像自动识别的方式代替人工检测，不仅能够提高检测效率、而且能够极大地提高检测准确率。

2、本发明以参照相邻部件位置，判断承载鞍挡边是否折断，解决了现有技术不易将承载鞍图像中承载鞍挡边识别出来或者误差大的问题，降低了承载鞍挡边识别的误差，能够极大地提高检测的准确率，本发明的检测准确率几乎达到100％，漏检率几乎为0。

3、本发明整体算法的稳定性高，几乎不受图像质量的影响；而且本发明的运行效率高，能够满足检测实时性的要求。

附图说明

图1为故障检测流程示意图；

图2为深度学习网络模型示意图；

图3为承载鞍挡边区域示意图；

图4为滚动轴承前盖区域示意图。

具体实施方式

具体实施方式一：参照图1具体说明本实施方式，

本实施方式为一种铁路货车承载鞍挡边折断故障检测方法，包括以下步骤：

1、收集数据并标记数据

通过铁路枕边设备，拍摄高清货车整车图像。依据列车的轴距信息及承载鞍挡边位置的先验知识，在货车整车图像中截取包括承载鞍挡边和滚动轴承前盖部件在内的子图像。将子图像放入数据集，每张子图像的大小需要保持一致，并且图像大小为32的整数倍。

由于货车图像易受到雨雪、风沙、泥渍和油渍等自然条件的影响，同时不同转向架类型的承载鞍挡边的形状也会不同。因此在收集承载鞍挡边图像的过程中，须要尽量的包含上述全部情况。

对数据集中的全部图像进行标记，标记时需要标记两部分，一部分是承载鞍挡边区域，另一部分是承载鞍附近的滚动轴承前盖部件。标记滚动轴承前盖区域是因为后续识别挡边折断故障时，将滚动轴承前盖作为参照物，以此来判断其是否为故障。

2、训练数据

如图2所示，构建深度学习网络模型：

第1步：将图像输入模型，图像的大小为32的整数倍，并将其作为输入层；

第2步：使用32通道，3×3大小的卷积核对输入层进行卷积得到conv1层，同时再次使用32通道，3×3大小的卷积核对conv1层进行卷积，更新conv1层；

第3步：对conv1层进行最大值池化得到pool1层；

第4步：使用32通道，3×3大小的卷积核对pool1层进行卷积得到conv2层，同时再次使用32通道，3×3大小的卷积核对conv2层进行卷积，更新conv2层；

第5步：对conv2层进行最大值池化得到pool2层；

第6步：使用64通道，3×3大小的卷积核对pool2层进行卷积得到conv3层，同时再次使用64通道，3×3大小的卷积核对conv3层进行卷积，更新conv3层；

第7步：对conv3层进行最大值池化得到pool3层；

第8步：使用64通道，3×3大小的卷积核对pool3层进行卷积得到conv4层，同时再次使用64通道，3×3大小的卷积核对conv4层进行卷积，更新conv4层；

第9步：对conv4层进行最大值池化得到pool4层；

第10步：使用128通道，3×3大小的卷积核对pool4层进行卷积得到conv5层，同时再次使用128通道，3×3大小的卷积核对conv5层进行卷积，更新conv5层；

第11步：对conv5层进行最大值池化得到pool5层；

第12步：使用64通道，3×3大小的卷积核对pool5层进行卷积得到conv6层，同时再次使用64通道，3×3大小的卷积核对conv6层进行卷积，更新conv6层；

第13步：将conv6层进行4倍上采样、pool4层进行2倍上采样和pool3层进行相结合，得到concat层；

第14步：使用32通道，3×3大小的卷积核对concat层进行卷积得到conv7层，同时再次使用32通道，3×3大小的卷积核对conv7层进行卷积，更新conv7层；

第15步：对conv7层进行8倍上采样，得到upsample层，在上采样的过程中采用“bilinear”算法，可以更好的保留细节信息；

第16步；使用“softmax”激活函数对upsample层进行预测，得到输出层。

利用数据集对上述的深度学习网络模型进行训练，得到最优的权重系数。通过训练好的权重系数，确定承载鞍挡边和滚动轴承前盖分割的深度学习网络模型；

3、利用承载鞍挡边和滚动轴承前盖分割的深度学习网络模型对待检测承载鞍挡边图像进行预测，分别得到承载鞍挡边和滚动轴承前盖的分割结果，此结果用于后续承载鞍挡边折断故障的判断。

4、承载鞍挡边折断故障判别

在滚动轴承前盖的分割结果中，使用质心算法计算滚动轴承前盖的中心。根据滚动轴承前盖的水平方向的对称中心，即为承载鞍挡边的水平方向的对称中心，将滚动轴承前盖的水平中心作为承载鞍挡边的水平对称中心；以水平方向对称中心作为分割点，分别计算两侧挡边的长度，比较两侧的长度，如果大于预先设定的阈值，则为故障；否则为正常的承载鞍挡边图像。

在判断承载鞍挡边是否折断的过程中，采用分别分割承载鞍挡边区域及滚动轴承前盖区域，如图3和图4所示，将滚动轴承前盖区域作为参考标准来判断承载鞍挡边是否发生折断，过程如下：

通过分割区域，分别计算承载鞍挡边区域的高度h1、宽度w1、水平中心点坐标x1，滚动轴承前盖区域高度h0、宽度w0、水平中心点坐标x1；

若|h1-h0|＞预设值，判断为故障；

若|w1-w0|＞预设值，判断为故障；

若|x1-x0|＞预设值，判断为故障。

具体实施方式二：

本实施方式为一种铁路货车承载鞍挡边折断故障检测系统，所述系统包括：

图像采集单元，用于采集货车整车图像，并截取包括承载鞍挡边和滚动轴承前盖部件在内的子图像；

分割处理单元，所述分割处理单元使用深度学习网络模型，用于对待检测承载鞍挡边图像进行预测，得到承载鞍挡边和滚动轴承前盖的分割结果；

所述的深度学习网络模型如下：

将图像输入模型，图像的大小为32的整数倍，并将其作为输入层；

使用32通道，3×3大小的卷积核对输入层进行卷积得到conv1层，同时再次使用32通道，3×3大小的卷积核对conv1层进行卷积，更新conv1层；

对conv1层进行最大值池化得到pool1层；

使用32通道，3×3大小的卷积核对pool1层进行卷积得到conv2层，同时再次使用32通道，3×3大小的卷积核对conv2层进行卷积，更新conv2层；

对conv2层进行最大值池化得到pool2层；

使用64通道，3×3大小的卷积核对pool2层进行卷积得到conv3层，同时再次使用64通道，3×3大小的卷积核对conv3层进行卷积，更新conv3层；

对conv3层进行最大值池化得到pool3层；

使用64通道，3×3大小的卷积核对pool3层进行卷积得到conv4层，同时再次使用64通道，3×3大小的卷积核对conv4层进行卷积，更新conv4层；

对conv4层进行最大值池化得到pool4层；

使用128通道，3×3大小的卷积核对pool4层进行卷积得到conv5层，同时再次使用128通道，3×3大小的卷积核对conv5层进行卷积，更新conv5层；

对conv5层进行最大值池化得到pool5层；

使用64通道，3×3大小的卷积核对pool5层进行卷积得到conv6层，同时再次使用64通道，3×3大小的卷积核对conv6层进行卷积，更新conv6层；

将conv6层进行4倍上采样、pool4层进行2倍上采样和pool3层进行相结合，得到concat层；

使用32通道，3×3大小的卷积核对concat层进行卷积得到conv7层，同时再次使用32通道，3×3大小的卷积核对conv7层进行卷积，更新conv7层；

对conv7层进行8倍上采样，得到upsample层。

使用“softmax”激活函数对upsample层进行预测，得到输出层。

故障检测单元，用于根据分割承载鞍挡边区域及滚动轴承前盖区域，判断承载鞍挡边是否发生折断；具体过程如下：

在滚动轴承前盖的分割结果中，使用质心算法计算滚动轴承前盖的中心；根据滚动轴承前盖的水平方向的对称中心，即为承载鞍挡边的水平方向的对称中心，将滚动轴承前盖的水平中心作为承载鞍挡边的水平对称中心。以水平方向对称中心作为分割点，分别计算两侧挡边的长度，比较两侧的长度，如果大于预先设定的阈值，则为故障；否则为正常的承载鞍挡边图像。