The invention discloses a TFDS fault automatic recognition method, this method is based on deep learning theory, formed by convolution neural network model of a two cascaded network model: the first level is easy to multi class fault area synchronous positioning, combined with multi fault area spatial relationship constraints, multi fault target region accurately the second level for the fault location; network model, fault and non fault judgment for the first level positioning area. The invention provides a TFDS synchronous multi class fault automatic recognition method without the need for different fault identification methods were designed, using convolutional neural network theory in deep learning, through feature extraction training methods adaptively, capable of simultaneous localization and fault diagnosis of multiple faults, and has the advantages of high efficiency and strong robustness.
【技术实现步骤摘要】
本专利技术涉及铁路检测领域,特别涉及货车故障轨边图像的故障自动识别方法。
技术介绍
为了推进铁路现代化建设,提高列检故障发现率,降低列检人员劳动强度,原铁道部大力推广了一系列列车运行故障图像动态检测系统。目前,货车运行故障图像动态检测系统(TFDS)已在全路推广使用,通过布置在轨道上的多个工业相机对运行列车的两侧和底部进行图像采集,通过专用网络将图像传输至监控室服务器。在监控室,列检人员通过图像复示终端软件观察所采集图像,判断是否存在故障。然而,TFDS系统只负责采集、传输、存储图像,由于故障的复杂和多样性以及图像质量的影响,TFDS还不能实现对故障的自动识别。在TFDS故障自动识别方面,一些学者针对某些特定故障提出了一些故障自动识别方法。孙国栋等在专利号为201210558987.X的专利技术专利“一种TFDS挡键丢失故障自动识别方法”中提出了一种TFDS挡键丢失故障自动识别方法,该方法通过Hough圆变换来对列车轮轴和通孔进行定位,并依据轮轴、通孔以及挡键区域间的几何关系间接标定挡键目标区域,再根据挡键目标区域的灰度级变化来判断挡键是否丢失。张益等在专利号为201110166974.3的专利技术专利“一种货车下心盘螺栓丢失故障识别装置及其识别方法”中提出了一种心盘螺栓丢失的故障识别方法,该方法首先定位候选区域,接着提取候选区域图像特征,再对特征数据进行识别运算。通常,大多数故障识别的过程分为两步:目标区域的定位和故障判定。目标区域的定位是故障识别的第一步,且在故障判定中起着关键性的作用。现有目标区域的定位方法大多数基于模板匹配、图像分割、边缘检测等方 ...
【技术保护点】
一种TFDS故障自动识别方法,其特征在于,该方法由一个二级级联的基于卷积神经网络模型构成,第一级为多类易故障区域同步定位的网络模型,实现多类易故障区域的同步定位;第二级为故障判别网络模型,对第一级网络模型中定位的区域进行故障和非故障的判断;二级级联的模型能够实现对多类故障进行先定位后判断的同步故障自动识别,具体包括以下步骤:a、收集铁路货车故障图像动态检测系统,即TFDS采集的图像,建立训练样本集和测试样本集,对训练样本集制作标注文件,并对训练样本集将待检测的目标区域裁剪并先按类别归类,每个类别再按故障和非故障归类;b、建立第一级多类易故障区域同步定位的网络模型,使用步骤a中的训练样本集、测试样本集及标注文件针对多类易故障区域对所述多类易故障区域同步定位的网络模型进行训练;c、建立目标区域的空间位置关系约束,结合已训练的第一级多类易故障区域同步定位的网络模型,利用目标区域的空间位置关系约束精确定位待检测的目标区域;d、建立第二级故障判别的网络模型,并用步骤a中裁剪且归类好的待检测的目标区域针对不同故障类别对所述故障判别的网络模型分别进行训练,步骤b和c定位出待检测目标区域,本步骤训练好 ...
【技术特征摘要】
1.一种TFDS故障自动识别方法,其特征在于,该方法由一个二级级联的基于卷积神经网络模型构成,第一级为多类易故障区域同步定位的网络模型,实现多类易故障区域的同步定位;第二级为故障判别网络模型,对第一级网络模型中定位的区域进行故障和非故障的判断;二级级联的模型能够实现对多类故障进行先定位后判断的同步故障自动识别,具体包括以下步骤:a、收集铁路货车故障图像动态检测系统,即TFDS采集的图像,建立训练样本集和测试样本集,对训练样本集制作标注文件,并对训练样本集将待检测的目标区域裁剪并先按类别归类,每个类别再按故障和非故障归类;b、建立第一级多类易故障区域同步定位的网络模型,使用步骤a中的训练样本集、测试样本集及标注文件针对多类易故障区域对所述多类易故障区域同步定位的网络模型进行训练;c、建立目标区域的空间位置关系约束,结合已训练的第一级多类易故障区域同步定位的网络模型,利用目标区域的空间位置关系约束精确定位待检测的目标区域;d、建立第二级故障判别的网络模型,并用步骤a中裁剪且归类好的待检测的目标区域针对不同故障类别对所述故障判别的网络模型分别进行训练,步骤b和c定位出待检测目标区域,本步骤训练好的故障判别网络模型对待检测目标区域进行故障或非故障的判断,得到故障和非故障的判别概率;e、级联步骤b和c的易故障目标区域的定位和步骤d的故障判别过程,将训练好的第一级多类易故障区域同步定位的网络模型和训练好的第二级多类故障判别的网络模型级联,第一级模型输出的待检测目标区域输入第二级相应故障类别的模型中进行判断,实现对多类故障的先定位后判断的同步故障自动识别。2.根据权利要求1所述的方法,其特征在于:步骤e所述的对多类故障的先定位后判断的同步故障自动识别过程采用端对端的形式,即输入TFDS采集的原始图像,直接输出故障的判别结果,实现对多故障的同步自动识别,其中,具体级联的过程为:第一级为一个多类易故障区域同步定位的网络模型,此模型的输出经过空间位置关系的约束获得精确定位的目标区域;第一级连接第二级多个训练好的故障判别网络模型,第一级输出的...
【专利技术属性】
技术研发人员:孙军华,肖钟雯,
申请(专利权)人:北京航空航天大学,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。