一种动车组闸片磨损故障图像识别方法技术

本发明专利技术提供了一种动车组闸片磨损故障图像识别方法，涉及一种利用深度学习网络进行闸片磨耗检测的方，目的是为了现有图像处理方式进行闸片故障检测，容易受到背景噪声以及拍摄图像的质量的干扰，导致闸片磨耗故障检测的准确率低和鲁棒性差的问题，方法具体步骤如下：步骤一、获取不同角度的闸片图像，并对闸片图像进行处理，得到数据集；闸片图像为包括RGB通道和深度通道的图像；处理包括尺寸归一化和翻转；步骤二、提取RGB通道中的RGB特征和深度通道中的深度特征；步骤三、得到深度增强特征和RGB增强特征；并得到闸片图像融合特征；步骤四、计算得到闸片厚度；步骤五、获得厚度差值；若厚度差值大于差值阈值，则判断闸片有磨损故障。障。障。

【技术实现步骤摘要】
一种动车组闸片磨损故障图像识别方法


[0001]本专利技术涉及一种利用深度学习网络进行闸片磨耗检测的方法。

技术介绍

[0002]当动车高速运行时，如果出现闸片脱落、磨耗的情况，可能会引起动车组脱轨事故的发生，严重的时候将危机行车安全和旅客的生命安全，所以对动车组闸片磨耗故障的检测至关重要。
[0003]现有的人工检测时，人员在工作过程中极易出现疲劳、遗漏等情况，造成漏检、错检的出现，影响行车安全。而采用通过二值化闸片图像，提取闸片边缘信息的现有图像处理方式进行故障检测，容易受到背景噪声以及拍摄图像的质量的干扰，导致闸片磨耗故障检测的准确率低和鲁棒性差。

技术实现思路

[0004]本专利技术的目的是为了现有图像处理方式进行闸片故障检测，容易受到背景噪声以及拍摄图像的质量的干扰，导致闸片磨耗故障检测的准确率低和鲁棒性差的问题，提供了一种动车组闸片磨损故障图像识别方法。
[0005]本专利技术提供了一种动车组闸片磨损故障图像识别方法，方法具体步骤如下：
[0006]步骤一、获取不同角度的闸片图像，并对闸片图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动车组闸片磨损故障图像识别方法，其特征在于，所述方法具体步骤如下：步骤一、获取不同角度的闸片图像，并对闸片图像进行处理，得到数据集；闸片图像为包括RGB通道和深度通道的图像；处理包括尺寸归一化和翻转；步骤二、对数据集中的闸片图像进行特征提取，提取RGB通道中的RGB特征和深度通道中的深度特征；步骤三、通过RGB特征对深度特征进行增强，得到深度增强特征；以及通过深度特征对RGB特征进行增强，得到RGB增强特征；并将深度增强特征和RGB增强特征进行融合，得到闸片图像融合特征；步骤四、通过闸片图像融合特征得到闸片边缘图和闸片显著性图，并利用闸片边缘图和闸片显著性图计算得到闸片厚度；步骤五、将闸片厚度与预设的未磨损闸片厚度进行对比，获得厚度差值；若厚度差值大于差值阈值，则判断闸片有磨损故障。2.根据权利要求1所述的一种动车组闸片磨损故障图像识别方法，其特征在于，步骤二中，提取RGB特征的具体方法如下：步骤二一、将RGB图像输入至PVTv2网络的输入端；所述RGB图像为包括RGB通道的图像；所述PVTv2网络包括多级的嵌入层Embedding Layer模块和与Embedding Layer一一对应的金字塔视觉变换PVT模块；第一级Embedding Layer模块的输入端作为PVTv2网络的输入端；每级Embedding Layer模块的输出端均与同级PVT模块的输入端连接；每级PVT模块的输出端均作为PVTv2网络的输出端，且除最后一级PVT模块外，其他级的PVT模块的输出端还与下一级Embedding Layer模块的输入端连接；步骤二二、PVTv2网络的输出端输出RGB特征F
iR
，i∈{i＝1,2,3,4}；其中i为Embedding Layer模块或PVT模块的级数。3.根据权利要求2所述的一种动车组闸片磨损故障图像识别方法，其特征在于，步骤二中，提取深度特征的具体方法如下：步骤21、将深度图像输入至LWDepthNet网络中；所述深度图像为包括深度通道的图像；所述LWDepthNet网络包括Embedding Layer模块、特征提取Feature Extraction模块、多个并行的1*1卷积层和与1*1卷积层和多个多尺度特征提取模块；且1*1卷积层的数量与多尺度特征提取模块的数量均与Embedding Layer模块或PVT模块的级数相等；Embedding Layer模块的输入端作为LWDepthNet网络的输入端；Embedding Layer模块的输出端与Feature Extraction模块的输入端连接，Feature Extraction模块的输出端分别与多个并行的1*1卷积层的输入端连接，且多个1*1卷积层的输出端与多个多尺度特征提取模块的输入端一一对应连接；多个多尺度特征提取模块的输出端作为LWDepthNet网络的输出端；步骤21、LWDepthNet网络的输出端输出深度特征F
iD
。4.根据权利要求3所述的一种动车组闸片磨损故障图像识别方法，其特征在于，步骤三的具体方法如下；步骤三一、将深度特征F
iD
和RGB特征F
iR
输入至深度特征增强模块DFEB，输出得到深度增强特征F
iD_En
；
将深度特征F
iD
和RGB特征F
iR
输入至RGB特征增强模块RFEB，输出得到RGB增强特征F
iR_En
；步骤三二、将深度增强特征F
iD_En
和RGB增强特征F
iR_En
通过融合模块进行融合得到闸片图像融合特征F
iFuse
；所述深度特征增强模块DFEB、RGB特征增强模块RFEB和融合模块均包括于跨模态特征融合模块CMFFM。5.根据权利要求4所述的一种动车组闸片磨损故障图像识别方法，其特征在于，步骤三一中，深度增强特征F
iD_En
的具体表达式为：F
iD_En
＝F
iD
+SA(F
iR
,F
iD
)+CA(F
iR
,F
iD
)并且，SA(F
iR
,F
iD
)＝F
iD
×
Sigmoid(FC(FC(GAP(F
iR
...

【专利技术属性】
技术研发人员：邓艳，
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：