一种基于深度学习的铁路货车轴承甩油故障检测方法技术

本发明专利技术提供一种基于深度学习的铁路货车轴承甩油故障检测方法，包括以下步骤：获取轴承区域图像，构建训练集；搭建轴承甩油故障检测网络；对所述训练集进行预处理，分批送入所述故障检测网络进行训练，通过调整参数得到最终的故障检测模型；获取待检测图像，处理后输入所述故障检测模型，计算异常分数，得到轴承甩油故障检测结果。本发明专利技术准确率高、实时性高的自动化检测方法，其解决了现阶段只能通过动态检车员肉眼识别图像判断故障带来的视觉疲劳造成误检漏检的问题。以深度卷积神经网络为基础，采取了自编码器与生成对抗网络的结构，自编码器与生成对抗网络结合能够较为自然地重建特定分布的图片，这对于故障检测具有更为强大的特征提取能力。强大的特征提取能力。强大的特征提取能力。

【技术实现步骤摘要】
一种基于深度学习的铁路货车轴承甩油故障检测方法


[0001]本专利技术涉及铁路货车图像识别与故障检测
，特别涉及一种基于深度学习的铁路货车轴承甩油故障检测方法。

技术介绍

[0002]随着国民经济的发展与铁路运输需求的不断提高，铁路货运规模不断扩大，而铁路货车故障直接影响了列车运行安全。滚动轴承作为铁路货车侧架的重要组成部位，容易出现甩油、挡键丢失等故障，轻则影响列车行驶，重则造成行车事故。
[0003]通常情况下，铁路货车的故障检测是通过动态检车员与高速摄像机抓拍系统相结合的方式来完成的。动态检车员通过检查高速摄像机抓拍后的图像，肉眼判断货车是否出现故障，对故障部位进行标记，从而对重点故障进行预报，保障货车的运行安全。此种情况下，动态检车员每天需要查看大量重复的整车图片，极其容易产生视觉疲惫从而导致人工漏判、误判。
[0004]因此需要设计一种准确度高、实时性高的自动化检测方法。

技术实现思路

[0005]专利技术目的：本专利技术的目的是为了解决现有的铁路货车轴承甩油故障识别只能由人工肉眼完成的问题，提出了一种基于深度学习的铁路货车轴承甩油故障检测方法，节省了人力物力，方便铁路动态检车员迅速进行故障排查。
[0006]技术方案：本专利技术为实现上述目的采用如下技术方案：一种基于深度学习的铁路货车轴承甩油故障检测方法，其特征在于，所述检测方法包括以下步骤：
[0007]S1：获取轴承区域图像，利用所述图像构建训练集；
[0008]S2：搭建轴承甩油故障检测网络；
[0009]S3：对所述训练集进行预处理，分批送入所述故障检测网络进行训练，通过调整参数得到最终的故障检测模型；
[0010]S4：获取待检测图像，处理后输入所述故障检测模型，计算异常分数，得到轴承甩油故障检测结果。
[0011]优选的，步骤S1中首先通过高速摄像机获取铁路货车运行时的整车图像，包括侧架、中间部、车钩钩缓部位，之后进行部位筛选，选取包含轴承的侧架部位的图像，对获取的侧架部位的图像使用霍夫圆变换进行圆检测，通过设置不同的半径阈值过滤干扰的圆形，定位到侧架部位的轴承区域，将轴承区域进行裁剪，剪裁后的多个轴承区域图像组成故障检测网络的训练集。
[0012]优选的，步骤2中基于深度异常检测算法的研究搭建轴承甩油图像故障检测网络，其由编码器Encoder1、解码器Decoder、编码器Encoder2与判别器Discriminator组成；
[0013]其中：编码器Encoder1由4个卷积层与1个全连接层组成，输入图像通过编码器Encoder1编码为隐空间向量z1；
[0014]解码器Decoder由1个全连接层与4个反卷积层组成，将隐空间向量z1输入解码器，解码成为重建图像；
[0015]编码器Encoder2：编码器Encoder2由4个卷积层与1个全连接层组成，步骤S32生成的重建图像输入编码器Encoder2中，编码为隐空间向量z2；
[0016]判别器Discriminator：判别器Discriminator由4个卷积层与1个全连接层组成，其接收尺寸为64
×
64
×
3的输入图像，输出其真实性得分，该得分代表了该输入图像的真实概率。
[0017]优选的，重建损失l
r
的获取：重建损失是由真实图像与重建图像的差距构成，其中真实图像为正常输入图像，重建图像为解码器Decoder的输出：
[0018][0019]编码损失l
e
的获取：编码损失是由隐空间向量z1与z2的差异构成，其中z1是编码器Encoder1的输出，z2是编码器Encoder2的输出：
[0020]l
e
＝||z1‑
z2||2[0021]对抗损失l
d
的获取：对抗损失是常规的生成对抗网络中判别器的损失，其由输入图像和重建图像经过判别器Discriminator的特征输出差异构成，两者的差异通过二分类的交叉熵代价函数衡量：
[0022][0023]故障检测网络整体损失函数：
[0024]l
total
＝l
r
+l
e
+l
d
。
[0025]优选的，步骤S4中首先对获取的侧架部位的图像使用霍夫圆变换进行圆检测，通过设置不同的半径阈值过滤干扰的圆形，定位到侧架部位的轴承区域，将轴承区域进行裁剪，将图像送至故障检测模型；计算异常分数的方法为：编码异常判别机制、重建异常判别机制或融合异常判别机制。
[0026]优选的，所述编码异常判别机制计算异常分数表示为：
[0027][0028]首先输入图像经过编码器Encoder1产生隐空间向量z1，其次z1经过解码器Decoder与编码器Encoder2得到对应的隐空间向量z2，计算得到z1与z2两者的差异，之后进行规范化即可得到异常分数，其中score
min
和score
max
分别是训练集图像提前输入检测模型得到的分数最小值与最大值；
[0029]对于重建异常判别机制，异常分数表示为：
[0030][0031]重建判别机制代表输入图像与重建图像的差异：首先输入图像经过编码器Encoder1与解码器Decoder得到重建图像，计算得到输入图像与重建图像的差异，之后进行规范化即可得到异常分数。
[0032]优选的，对于融合异常判别机制，异常分数表示为：
[0033]A
t
＝A
r
+αA
e
，其中α为待优化参数。
[0034]有益效果：与现有技术相比，本专利技术的技术方案具有以下有益技术效果：
[0035]1.本专利技术设计了一种基于深度学习的铁路货车轴承甩油故障检测方法，该方法是准确率高、实时性高的自动化检测方法，其解决了现阶段只能通过动态检车员肉眼识别图像判断故障带来的视觉疲劳造成误检漏检的问题。
[0036]2.相较于目前主流的故障检测算法，本方法以深度卷积神经网络为基础，采取了自编码器与生成对抗网络的结构，自编码器与生成对抗网络结合能够较为自然地重建特定分布的图片，这对于故障检测具有更为强大的特征提取能力。
[0037]3.对比于目前大多数故障检测算法，本专利技术采用的数据集均无需标注，同时都是轴承正常数据，也即只采用正常的无标注图片即可训练出轴承甩油故障检测网络。本专利技术解决了故障数据难以获得、标注成本较大等难题。
[0038]4.本专利技术设计了三种异常判别机制，其中融合异常判别机制既考虑到了图像重建差异又能够兼顾图像在高维空间的编码差异，能够提供更为可靠的故障检测结果。
附图说明
[0039]图1是本专利技术的算法流程图。
[0040]图2是本专利技术的网络结构图。
[0041]图3是本专利技术的编码器Encoder结构示意图。
[0042本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的铁路货车轴承甩油故障检测方法，其特征在于，所述检测方法包括以下步骤：S1：获取轴承区域图像，利用所述图像构建训练集；S2：搭建轴承甩油故障检测网络；S3：对所述训练集进行预处理，分批送入所述故障检测网络进行训练，通过调整参数得到最终的故障检测模型；S4：获取待检测图像，处理后输入所述故障检测模型，计算异常分数，得到轴承甩油故障检测结果。2.如权利要求1所述的一种基于深度学习的铁路货车轴承甩油故障检测方法，其特征在于，步骤S1中首先通过高速摄像机获取铁路货车运行时的整车图像，包括侧架、中间部、车钩钩缓部位，从中选取包含轴承的侧架部位的图像，对获取的所述侧架部位的图像使用霍夫圆变换进行圆检测，通过设置不同的半径阈值过滤干扰的圆形，定位到所述侧架部位的轴承区域，对所述轴承区域进行裁剪，剪裁后的多个轴承区域组成故障检测网络的训练集。3.如权利要求2所述的一种基于深度学习的铁路货车轴承甩油故障检测方法，其特征在于，步骤S2首先基于深度异常检测算法搭建轴承甩油图像故障检测网络，所述故障检测网络由编码器Encoder1、解码器Decoder、编码器Encoder2与判别器Discriminator组成；其中所述编码器Encoder1由4个卷积层与1个全连接层组成，输入图像通过所述编码器Encoder1编码为隐空间向量z1；所述解码器Decoder由1个全连接层与4个反卷积层组成，将所述隐空间向量z1输入解码器，解码成为重建图像；所述编码器Encoder2由4个卷积层与1个全连接层组成，所述重建图像输入编码器Encoder2中，编码为隐空间向量z2；所述判别器Discriminator由4个卷积层与1个全连接层组成，所述判别器Discriminator接收来自训练集的图像，输出其真实性得分，该得分代表了该输入图像的真实概率；通过所述编码器Encoder1、解码器Decoder、编码器Encoder2与判别器Discriminator的输出计算重建损失l
r
、编码损失l
e
、对抗损失l
d
。4.如权利要求3所述的一种基于深度学习的铁路货车轴承甩油故障检测方法，其特征在于，所述重建损失l
r
的获取，其中x是真实图像，是重建图像：重建损失是由真实图像与重建图像的差距构成，其中真实图像为输入的图像，重建图像为所述解码器Decoder的输出图像；所述编码损失l
e
的获取：l
e
＝||z1‑
z2||2其中z1是编码器Encoder1的输出，z2是编码器Encoder2的输出；所述对抗损失l
d
的获取，其中D(x)为输入图像经过判别器的输出特征，为重建图
像经过判别器的输出特征：对抗损失是常规的生成对抗网络中判别器的损失，由输入图像和重建图像经过判别...

【专利技术属性】
技术研发人员：杨绿溪，步兆军，张颀，李春国，黄永明，
申请(专利权)人：东南大学，
类型：发明
国别省市：