人力制动机拉杆链折断故障检测方法技术

一种人力制动机拉杆链折断故障检测方法，属于铁路货车故障检测技术领域。本发明专利技术针对现有检测方法对人力制动机拉杆链折断故障形态与非故障状态的分辨能力差导致故障检测准确度低的问题。包括采用预训练Faster

【技术实现步骤摘要】
人力制动机拉杆链折断故障检测方法


[0001]本专利技术涉及人力制动机拉杆链折断故障检测方法，属于铁路货车故障检测


技术介绍

[0002]传统人工查图的故障检测方法费时费力，人工成本高，且由于检车人员的疲劳、粗心等，会出现漏检、误检现象。采用深度学习的铁路货车故障检测方法可以有效的降低检测成本，提高检测的效率。
[0003]人力制动机拉杆链折断故障形态复杂，由于其故障状态与某些非故障状态差异较小，采用检测网络或现有的分类网络对故障与非故障的分类准确度低。

技术实现思路

[0004]针对现有检测方法对人力制动机拉杆链折断故障形态与非故障状态的分辨能力差导致故障检测准确度低的问题，本专利技术提供一种人力制动机拉杆链折断故障检测方法。
[0005]本专利技术的一种人力制动机拉杆链折断故障检测方法，包括，
[0006]步骤一：采用预训练Faster
‑
Rcnn检测网络由运行中铁路货车的过车图像定位出人力制动机拉杆链部位图像；
[0007]步骤二：采用预训练改进WS
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人力制动机拉杆链折断故障检测方法，其特征在于包括，步骤一：采用预训练Faster
‑
Rcnn检测网络由运行中铁路货车的过车图像定位出人力制动机拉杆链部位图像；步骤二：采用预训练改进WS
‑
DAN分类网络对人力制动机拉杆链部位图像进行分类，获得图像正常类、图像折断类和图像缠绕铁丝类的检测分类结果；所述预训练Faster
‑
Rcnn检测网络和预训练改进WS
‑
DAN分类网络采用样本图像集进行预训练获得；所述改进WS
‑
DAN分类网络在现有WS
‑
DAN分类网络的BAP模块基础上增加坐标注意力机制模块构成；预训练改进WS
‑
DAN分类网络的获得过程包括训练过程和测试推断过程；样本图像输入Faster
‑
Rcnn检测网络后获得的人力制动机拉杆链部位图像作为改进WS
‑
DAN分类网络的输入图像；训练过程和测试过程均包括：将输入图像输入ResNet50特征提取主干网络得到基础特征图，基础特征图经过多个1*1卷积后生成多个局部注意力响应特征图；基础特征图和每一个局部注意力响应特征图分别通过一个坐标注意力机制模块进行融合，得到多个融合后特征图；多个融合后特征图再分别通过全局最大池化得到多个池化后特征图；连接所有池化后特征图得到特征矩阵，将特征矩阵转换为列向量，经全连接层组成的分类器得到分类结果；在训练过程中，改进WS
‑
DAN分类网络基于注意力的数据增强策略采用局部注意力响应特征图对输入图像进行数据增强，获得增强后图像再作为输入图像继续对改进WS
‑
DAN分类网络进行训练；在测试过程中，改进WS
‑
DAN分类网络基于目标定位和细化策略采用局部注意力响应特征图对输入图像进行数据增强，获得增强后图像再作为输入图像继续对改进WS
‑
DAN分类网络进行测试；直到获得满足预设精度的预训练改进WS
‑
DAN分类网络。2.根据权利要求1所述的人力制动机拉杆链折断故障检测方法，其特征在于，样本图像集的获得方法为：获取人力制动机拉杆链正常状态过车图像、人力制动机拉杆链折断状态过车图像和人力制动机拉杆链缠绕铁丝状态过车图像；所述人力制动机拉杆链折断状态过车图像和人力制动机拉杆链缠绕铁丝状态过车图像包括对人力制动机拉杆链正常状态过车图像进行图像处理获得的图像；对人力制动机拉杆链正常状态过车图像、人力制动机拉杆链折断状态过车图像和人力制动机拉杆链缠绕铁丝状态过车图像进行数据扩增操作，得到样本图像并形成样本图像集。3.根据权利要求2所述的人力制动机拉杆链折断故障检测方法，其特征在于，所述数据扩增操作包括对图像进行旋转、裁剪、对比度变换、仿射变换、噪声添加和雨雪模拟。4.根据权利要求1所述的人力制动机拉杆链折断故障检测方法，其特征在于，所述改进WS
‑
DAN分类网络采用ArcFace与center loss相结合的损失函数。5.根据权利要求4所述的人力制动机拉杆链折断故障检测方法，其特征在于，1*1卷积的个数为M，M张局部注意力响应特征图为A
m
，m＝1,2,...,M；
M为32。6.根据权利要求5所述的人力制动机拉杆链折断故障检测方法，其特征在于，改进WS
‑
DAN分类网络对输入图像进行分类得到分类结果的具体过程包括：A
m
∈R
H
×
W
，式中R为实数集，H为基础特征图和局部注意力响应特征图的高，W为基础特征图和局部注意力响应特征图的宽；基础特征图表示为F，F∈R
C
×
H
×
W
，C为基础特征图通道数量；基础特征图F和局部注意力响应特征图为A
m
通过坐标注意力机制模块融合，得到融合后特征图f
m
：f
m
∈R
C
×
H
×
W
；融合后特征图f
m
通过全局最大池化得到池化后特征图g
m
：g
m
∈R1×
C
，连接所有池化后特征图g
m
得到特征矩阵Φ：Φ∈R
M
×
C
，式中CA表示坐标注意力机制；GMP表示全局最大池化；...

【专利技术属性】
技术研发人员：韩旭，
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：