闸瓦折断目标检测方法技术

闸瓦折断目标检测方法，本发明专利技术涉及铁路货车故障检测方法。本发明专利技术的目的是为了解决现有方法对列车闸瓦图像进行检查，存在成本高、效率低下、准确性低的问题。过程为：一、线阵图像获取；二、粗定位；三、生成对抗网络DCGAN，基于对抗网络DCGAN生成故障图像；对抗网络由判别模型和生成模型两部分组成，其中判别器中采用下采样的卷积，生成器中采用上采样的卷积；具体过程为：三一：构建对抗网络DCGAN判别模型；三二：构建对抗网络DCGAN生成模型；四、建立深度学习训练数据集；五、故障目标分割；六、基于训练好的分割网络模型进行预测，得到故障部件的信息。本发明专利技术的有益效果为：本发明专利技术用于铁路货车故障检测领域。

Detection method of brake shoe breaking target

【技术实现步骤摘要】
闸瓦折断目标检测方法
本专利技术涉及铁路货车故障检测方法。
技术介绍
高速发展的铁路货车运输行业，其安全运输毫无疑问是最重要的。铁路货车制动装置包括空气制动机、基础制动装置和手制动机三部分，这三部分有机地组成铁路货车制动装置的整体。其中的基础制动装置是由制动制动缸鞲鞴推杆以后至闸瓦及期间一系列杠杆、拉杆、制动梁、闸瓦托、闸瓦等部分组成，它的作用就是在铁路货车制动时，将制动缸鞲鞴推杆上的推力增大若干倍后平均地传给各个闸瓦，使闸瓦抱紧轮对踏面。闸瓦由闸瓦背和闸瓦面组成，闸瓦背用于将闸瓦固定在扎瓦托上，闸瓦面用于与轮对踏面发生摩擦。闸瓦等制动装置是严重影响列车安全的重要部件，仅靠检修站人工检查，并不能保证这些部件状态万无一失，且由于人工检修效率低，容易发生遗漏部件、误报等情况，因此采用深度学习自动识别技术能更好地检测闸瓦故障，确保货车行车安全。
技术实现思路
本专利技术的目的是为了解决现有方法对列车闸瓦图像进行检查，存在成本高、效率低下、准确性低的问题，而提出闸瓦折断目标检测方法。闸瓦折断目标检测方法具体过程为：<本文档来自技高网...

【技术保护点】
1.闸瓦折断目标检测方法，其特征在于：所述方法具体过程为：/n步骤一、线阵图像获取；/n步骤二、粗定位；/n步骤三、生成对抗网络DCGAN，基于对抗网络DCGAN生成故障图像；/n对抗网络由判别模型和生成模型两部分组成，其中判别器中采用下采样的卷积，生成器中采用上采样的卷积；具体过程为：/n步骤三一：构建对抗网络DCGAN判别模型；/n步骤三二：构建对抗网络DCGAN生成模型；/n步骤四、建立深度学习训练数据集；/n步骤五、故障目标分割；/n步骤六、基于训练好的分割网络模型进行预测，得到故障部件的信息。/n

【技术特征摘要】
1.闸瓦折断目标检测方法，其特征在于：所述方法具体过程为：
步骤一、线阵图像获取；
步骤二、粗定位；
步骤三、生成对抗网络DCGAN，基于对抗网络DCGAN生成故障图像；
对抗网络由判别模型和生成模型两部分组成，其中判别器中采用下采样的卷积，生成器中采用上采样的卷积；具体过程为：
步骤三一：构建对抗网络DCGAN判别模型；
步骤三二：构建对抗网络DCGAN生成模型；
步骤四、建立深度学习训练数据集；
步骤五、故障目标分割；
步骤六、基于训练好的分割网络模型进行预测，得到故障部件的信息。


2.根据权利要求1所述闸瓦折断目标检测方法，其特征在于：所述步骤一中线阵图像获取；具体过程为：
利用固定设备搭载照相机或摄像机，对运动的铁路货车进行拍摄，拍摄铁路货车的上部、两侧及底部的全车图像；每次只扫描铁路货车的一条线，实现无缝拼接。


3.根据权利要求1或2所述闸瓦折断目标检测方法，其特征在于：所述步骤二中粗定位；具体过程为：
根据硬件的轴距信息和部件的位置先验知识，从全车图像信息中裁剪出待识别闸瓦部件区域。


4.根据权利要求3所述闸瓦折断目标检测方法，其特征在于：所述步骤三一中构建对抗网络DCGAN判别模型；具体过程为：
对抗网络DCGAN判别模型包括7组卷积单元，每组卷积单元包含卷积层、批量规范处理层和激活函数层；卷积大小为4x4，步长为2的卷积层；进行特征提取，同时使用批量规范处理，隐层采用LeakyReLu进行激活，当不激活时，LeakyReLu仍然会有非零输出值；



式中，f(x)为激活函数输出，λ为避免梯度死亡而设置的权重，x为激活函数输入；
步骤三一一：将含有闸瓦折断故障的原始折断故障数据归一化为大小256x256的数据，以8张原始故障数据和伪故障数据作为一组判别模型的输入；
步骤三一二：数据输入到搭建好的判别模型中，进行特征提取，同时使用批量规范处理，隐层采用LeakyReLu进行激活；
步骤三一三：在最后的卷积层输出向量与权值向量相乘，转化为8x1的向量，采用非线性分类器Sigmod函数进行分类，输出为二分类的结果，即原始的故障数据和生成的故障数据判别结果；
步骤三一四：重复步骤三一一至三一三的过程，直到对抗网络DCGAN判别模型生成的故障数据清晰且具有M种形态故障变换为止；
M取值为100。


5.根据权利要求4所述闸瓦折断目标检测方法，其特征在于：所述步骤三二中构建对抗网络DCGAN生成模型；具体过程为：
生成模型结构包括7组转置卷积单元，每组转置卷积单元包含一个卷积核大小为4x4，步长为2的转置卷积层，一个批量规范处理层和激活函数ReLu层；
步骤三二一：100维度的噪声数据经过矩阵运算，转化为二维向量作为生成模型的输入；
步骤三二二：将输入经过卷积核大小为4x4，步长为2的转置卷积层进行填充，在每层转置卷积层输出加入BN层和ReLu层；
步骤三二三：最后转置卷积的输出采用Tanh函数激活，将输出图像的像素归一化到-1～1形成伪故障数据；
步骤三二四：输出为生成的故障图像，传...

【专利技术属性】
技术研发人员：孙晶，
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