故障样本生成方法、轴端螺栓故障样本生成方法、装置制造方法及图纸

本发明专利技术公开了一种故障样本生成方法、轴端螺栓故障样本生成方法、装置，该故障样本生成方法包括：选取铁路货车特定车型的待检测拦停类故障不存在的图片，作为待生成图像；从铁路货车图像中截取待检测拦停类故障零件图像；将待检测拦停类故障图像进行图像预处理，生成故障素材图片；在待生成图像中选取待检测拦停类故障零件的位置，将故障素材图片进行仿射变换，保持故障素材图片中故障待检测拦停类故障零件覆盖待生成图像中选取的待检测拦停类故障零件的位置；将仿射变换后的待生成图像与故障素材图片整合，生成待检测拦停类故障图像样本。该方法提高了故障的多形态和样本数量，满足了基于深度学习铁路货车故障识别中故障样本的要求。本的要求。本的要求。

【技术实现步骤摘要】
故障样本生成方法、轴端螺栓故障样本生成方法、装置


[0001]本专利技术涉及铁路列车故障检测
，具体涉及一种故障样本生成方法、轴端螺栓故障样本生成方法、装置。

技术介绍

[0002]目前，铁路货车拦停类故障主要包括制动梁脱落、折断；下拉杆脱落，圆销、开口销丢失；制动梁支柱圆销、开口销丢失；交叉支撑装置盖板、交叉杆体及弹簧托板折断；折角塞门关闭；制动缸及各风缸脱落；平车端板、人力制动机拉杆、轴、轴链脱落；轴承轴端螺栓丢失、折断等部件的故障。拦停类故障部件是铁路货车运行的关键零部件，它的折断或丢失直接影响行车安全。
[0003]基于深度学习的铁路拦停类故障图像识别技术首先要解决的就是模型要很好的泛化性能。也就是说，模型对适应铁路目前所有车型的情况，并且在不同的噪声、光照、污损等背景条件下仍然能够检测出故障。因此，深度学习训练需要样本数据集足够大、故障形态足够全、能够全方位的覆盖所有目标场景。但现实情况下，拦停类故障很少发生，采集到故障图像，故障形态单一，无法满足深度学习训练和验证的需要，不可能获得足够多的样本。r/>[0004]根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种故障样本的生成方法，用于铁路货车拦停类故障样本的生成，其特征在于，包括：选取铁路货车特定车型的待检测拦停类故障不存在的图片，作为待生成图像；获取铁路货车图像，从所述铁路货车图像中截取待检测拦停类故障零件图像；将所述待检测拦停类故障零件图像进行图像预处理，生成故障素材图片；在所述待生成图像中选取待检测拦停类故障零件相应的位置，将所述故障素材图片进行仿射变换，保持所述故障素材图片中拦停类故障零件覆盖所述待生成图像中选取的待检测拦停类故障零件的位置；将仿射变换后的所述待生成图像与所述故障素材图片整合，生成待检测拦停类故障图像样本。2.根据权利要求1所述的方法，其特征在于，所述从所述铁路货车图像中截取待检测拦停类故障零件图像，包括：从所述铁路货车图像选取存在待检测拦停类故障零件折断、或者丢失的图像，标识出待检测拦停类故障零件位置作为所述待检测拦停类故障图像。3.根据权利要求2所述的方法，其特征在于，所述将所述待检测拦停类故障零件图像进行图像预处理，生成故障素材图片，包括：将所述待检测拦停类故障零件图像进行随机缩放、随机旋转、图像镜像和仿射变换后，生成所述故障素材图片。4.根据权利要求1所述的方法，其特征在于，所述将仿射变换后的所述待生成图像与所述故障素材图片整合之前，还包括：将仿射变换后的所述故障素材图片调整亮度，与所述待生成图像的亮度保持一致。5.根据权利要求1所述的方法，其特征在于，所述将仿射变换后的所述待生成图像与所述故障素材图片整合，生成待检测拦停类故障图像样本，包括：采用边缘平滑、直方图均衡化、图像去噪算法，将仿射变换后的所述待生成图像与所述故障素材图片整合，生成所述待检测拦停类故障图像样本。6.一种轴端螺栓故障样本生成方法，其特征在于，包括：选取铁路货车特定车型的前台侧架或后台侧架中不存在轴端螺栓故障的图片，作为待生成图像；...

【专利技术属性】
技术研发人员：宋范忠，居伟强，李光明，朱玉军，孙涛，李敢峰，李月龙，王艳刚，倪俨，王楠，王飞，
申请(专利权)人：北京京天威科技发展有限公司，
类型：发明
国别省市：