铁路货车滚动轴承轴端螺栓丢失故障的检测方法技术

铁路货车滚动轴承轴端螺栓丢失故障的检测方法，属于图像处理领域，本发明专利技术为解决采用Faster Rcnn网络模型对货车易丢失部件进行分类检测训练效率低、训练精度低、分类检测速度低的问题。本发明专利技术方法包括以下步骤：步骤一、采集货车滚动轴承轴端螺栓过车图像作为待检测图像；步骤二、将步骤一的待检测图像输入至目标分类检测模型进行分类判断，输出待检测图像为丢失类置信度和正常类置信度；步骤三、判断待检测图像为丢失类置信度是否大于丢失类设定阈值，若是，进行故障报警；若否，执行步骤四；步骤四、判断待检测图像为正常类置信度是否大于正常类设定阈值，若是，返回执行步骤一，继续处理下一张检测图像；若否，进行故障报警。

The detection method of the loss of the bolts on the axle end of the rolling bearing of the railway freight car

【技术实现步骤摘要】
铁路货车滚动轴承轴端螺栓丢失故障的检测方法
本专利技术属于图像处理领域，涉及铁路货车螺栓丢失检测技术。
技术介绍
近年来随着我国铁路事业的飞速发展，铁路货车也在向着重载、高速的方向发展着，在货车高速运行过程中，轮轴区域出现故障日益增多，特别是滚动轴承轴端螺栓起着非常关键的作用，它是侧部转向架轮轴上重要的组成部分，主要作用是将轴端前盖固定在规定位置上，由于受货物装卸、外物撞击、施封锁锁紧功能失效等情况出现，轴端螺栓在轮轴运行过程中会因震动逐渐脱离固定位置，轴端螺栓开始松动窜出，严重时甚至会出现螺栓丢失的严重故障，一旦出现故障就会危及到铁路运输安全。为了避免发生故障，在日常检测时会针对性的对滚动轴承轴端螺栓进行检查，人工读图这种人工检测方式易出现人工检车时疲劳、责任心等问题导致的故障发现不及时，效率低下等诸多问题。因此，目前存在使用智能模型进行分类输出故障类型的技术，比如采用图1所示的FasterRcnn(FasterRegionConvolutionalNeuralNetworks，更快的区域卷积神经网络)模型进行目标分类，FasterR本文档来自技高网...

【技术保护点】
1.铁路货车滚动轴承轴端螺栓丢失故障的检测方法，其特征在于，该方法包括以下步骤：/n步骤一、采集货车滚动轴承轴端螺栓过车图像作为待检测图像；/n步骤二、将步骤一的待检测图像输入至目标分类检测模型进行分类判断，输出待检测图像为丢失类置信度和正常类置信度；/n所述目标分类检测模型采用Faster Rcnn网络模型进行训练构建，Faster Rcnn网络模型采用视觉几何组VGG16卷积神经网络作为基础网络，分别提取卷积神经网络层中conv4和conv5两层的特征图，这两层特征图加权融合形成的特征图用于给后续的区域建议网络RPN层和全连接层；/n步骤三、判断待检测图像为丢失类置信度是否大于丢失类设定阈...

【技术特征摘要】
1.铁路货车滚动轴承轴端螺栓丢失故障的检测方法，其特征在于，该方法包括以下步骤：
步骤一、采集货车滚动轴承轴端螺栓过车图像作为待检测图像；
步骤二、将步骤一的待检测图像输入至目标分类检测模型进行分类判断，输出待检测图像为丢失类置信度和正常类置信度；
所述目标分类检测模型采用FasterRcnn网络模型进行训练构建，FasterRcnn网络模型采用视觉几何组VGG16卷积神经网络作为基础网络，分别提取卷积神经网络层中conv4和conv5两层的特征图，这两层特征图加权融合形成的特征图用于给后续的区域建议网络RPN层和全连接层；
步骤三、判断待检测图像为丢失类置信度是否大于丢失类设定阈值，若是，进行故障报警；若否，执行步骤四；
步骤四、判断待检测图像为正常类置信度是否大于正常类设定阈值，若是，返回执行步骤一，继续处理下一张检测图像；若否，进行故障报警。


2.根据权利要求1所述铁路货车滚动轴承轴端螺栓丢失故障的检测方法，其特征在于，构建步骤二中目标分类检测模型所需训练...

【专利技术属性】
技术研发人员：金佳鑫，
申请(专利权)人：哈尔滨市科佳通用机电股份有限公司，
类型：发明
国别省市：黑龙;23