一种重载车钩断口失效形式智能模式识别方法技术

本发明专利技术涉及重载车钩断口检测领域，具体涉及一种重载车钩断口模式识别方法，包括利用图像获取模块获取重载车钩断口图像、对获取的图像进行图像标注以及数据增强，建立重载车钩断口图像数据集、基于卷积网络和Transformer构建重载车钩断口失效形式识别模型，利用图像数据集对模型进行训练，并将训练完毕的模型进行离线部署、开发客户端软件，进行实时交互，通过上述方法可以实现对重载车钩断口失效分析的“一键检测”功能，自动、准确、快速地对金属车钩断口进行失效形式识别，获取不同失效形式特征、比例因子等参数，可以避免人员长期工作导致的正确性下降的风险，分析系统可以全年不间断工作，在避免错误的分析结果的前提下，极大降低分析工作时间成本。降低分析工作时间成本。降低分析工作时间成本。

【技术实现步骤摘要】
一种重载车钩断口失效形式智能模式识别方法


[0001]本专利技术涉及重载车钩断口检测领域，具体涉及一种重载车钩断口模式识别方法。

技术介绍

[0002]随着铁路运输技术的快速发展，重载铁路运输在全世界范围内得到广泛普及。车钩作为动力机车与货厢之间或货厢与货厢之间连接的关键部件，发挥着连接与传力的关键角色。在重载列车长期运行的过程中，由于车钩承受的载荷巨大，且受力不均，而极易引发金属材料失效，发生无法预兆的疲劳断裂，造成巨大的经济损失和社会危害。
[0003]车钩断口是金属车钩在发生断裂后形成的一对互补的断裂表面，其中记录着断裂起因、断裂机理、断裂演变过程等多项重要信息，反映着车钩制件的重要特性，是其失效分析的重要证据。因此，对于车钩断裂面形貌、性质、尺寸的精准分析和识别，确定重要断裂位置以及形态特征是金属车钩故障分析的关键性问题，精准的分析其失效原因，提出有针对性的改进和预防措施以更好解决工程生产中遇到的实际问题，很大程度上能够反作用于列车车钩制造业的技术改进和升级，为后续安全、高效的设计制造使用产品提供保障，具有重要的研究价值和意义。
[0004]在当前技术背景下，对于车钩断裂面的性质分析与形态测量，仍然采取人工检查的方法，单纯依靠技术人员的经验积累，粗略划分断裂表面的断裂性质，手工测量断裂区域面积，存在极大的主观性和盲目性。由于金属断口图像形貌特征复杂不一，断裂面纹理具有很大的随机性与突变性，故在对断口图像进行识别时，难以做到统一标准，以往方法泛化能力差，很难做到普适性与通用性。在实际工程应用中，经常因为无法及时准确地研判断裂原因而错过最佳的防范时机，造成事故发生。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提供了一种重载车钩断口失效形式智能模式识别方法与装置；通过一个全过程的重载车钩断口模式识别方法与装置，实现了“一键识别”的功能，大大降低相关工作人员的劳动强度，节省工作人员的时间成本，并为工作人员提供辅助的分析方案，得到高效且可靠的重载车钩断口失效形式分析结果。
[0006]本专利技术为实现上述目的所采用的技术方案是：
[0007]一种重载车钩断口失效形式智能模式识别方法，包括以下步骤：
[0008]S1.利用图像获取模块获取重载车钩断口图像；
[0009]S2.对获取的图像进行图像标注；对标注的图像进行数据增强处理，并建立重载车钩断口图像数据集；
[0010]S3.构建重载车钩断口失效形式识别模型，利用图像数据集对模型进行训练；
[0011]S4.利用训练完成的模型进行断口失效形式识别，并进行标记；
[0012]S5.将断口数据参数显示在客户端界面上并进行保存。
[0013]作为优选，所述步骤S1获取到重载车口断口图像后，对所述图像进行缩放，统一成
256
×
256大小的图像。
[0014]作为优选，所述步骤S3重载车钩断口失效形式识别模型是基于卷积网络和Transformer模型构建的，包括：
[0015]S3
‑
1.利用卷积网络构建特征提取网络，对输入的图像进行局部建模，得到不同尺度的特征图；
[0016]S3
‑
2.利用Transformer模型构建一种特征融合网络，对获得的特征图进行有效融合，得到特征融合网络的输出预测图像。
[0017]作为优选，所述步骤S3
‑
1利用卷积网络构建的特征提取网络通过级联多个卷积层和池化层进行图像特征提取，并获得不同尺度的特征图，具体包括：
[0018]S3
‑1‑
1.输入图像依次经过两个3
×3×
64的卷积层和一个最大池化层，进行卷积和最大池化操作，将图像进行下采样，尺寸缩小为原来的1/2，输出特征图记为stem；
[0019]S3
‑1‑
2.将步骤S3
‑1‑
1获得的特征图依次经过两个3
×3×
128的卷积层和一个最大池化层，进行卷积和最大池化操作，将图像进行下采样，尺寸缩小为原来的1/4，输出特征图记为f1；
[0020]S3
‑1‑
3.将步骤S3
‑1‑
2获得的特征图依次经过两个3
×3×
256的卷积层和一个最大池化层，进行卷积和最大池化操作，将图像进行下采样，尺寸缩小为原来的1/8，输出特征图记为f2；
[0021]S3
‑1‑
4.将步骤S3
‑1‑
3获得的特征图依次经过两个3
×3×
512的卷积层和一个最大池化层，进行卷积和最大池化操作，将图像进行下采样，尺寸缩小为原来的1/16，输出特征图记为f3；
[0022]S3
‑1‑
5.将步骤S3
‑1‑
4获得的特征图依次经过两个3
×3×
512的卷积层和一个最大池化层，进行卷积和最大池化操作，将图像进行下采样，尺寸缩小为原来的1/32，输出特征图记为f4。
[0023]作为优选，所述步骤S3
‑
2利用Transformer模型构建一种特征融合网络，所述特征融合网络包括多个融合模块和上采样模块，对所获得的特征图进行有效融合，包括以下步骤：
[0024]S3
‑2‑
1.将步骤S3
‑1‑
2获得的特征图f1经过融合模块，利用Transformer模型的全局建模特性，对特征图进行全局建模和特征提取，输入输出前后特征图维度不变，获得特征图t1；
[0025]S3
‑2‑
2.将步骤S3
‑2‑
1获得的特征图t1进行3
×3×
512的卷积和上采样操作，特征图尺寸扩大两倍，并将上采样后的特征图t1与步骤S3
‑1‑
4中获得的特征图f3进行加法融合，将融合后的特征图记为a1；运算式为：
[0026][0027]其中，HCT是混合卷积与transformer的模块，Upsanmple是对特征图进行双线性插值的上采样操作，fi和fi+1是骨干网络输出的不同尺度的特征图,是加法融合；
[0028]S3
‑2‑
3.将步骤S3
‑2‑
2中获得的特征图a1经过融合模块，利用Transformer进行全局建模和特征提取，输出维度不变，获得特征图t2；
[0029]S3
‑2‑
4.将步骤S3
‑2‑
3中获得的特征图t2进行3
×3×
256的卷积和上采样操作，将通道数目压缩一半，特征图尺寸扩大两倍，并将上采样后的特征图t2与步骤S3
‑1‑
3中获得
的特征图f2进行加法融合，将融合后的特征图记为a2；
[0030]S3
‑2‑
5.将步骤S3
‑2‑
4中获得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种重载车钩断口失效形式智能模式识别方法，其特征在于，包括以下步骤：S1.利用图像获取模块获取重载车钩断口图像；S2.对获取的图像进行图像标注；对标注的图像进行数据增强处理，并建立重载车钩断口图像数据集；S3.构建重载车钩断口失效形式识别模型，利用图像数据集对模型进行训练；S4.利用训练完成的模型进行断口失效形式识别，并进行标记；S5.将断口数据参数显示在客户端界面上并进行保存。2.根据权利要求1所述的一种重载车钩断口失效形式智能模式识别方法，其特征在于，所述步骤S1获取到重载车口断口图像后，对所述图像进行缩放，统一成256
×
256大小的图像。3.根据权利要求2所述的一种重载车钩断口失效形式智能模式识别方法，其特征在于，所述步骤S3重载车钩断口失效形式识别模型是基于卷积网络和Transformer模型构建的，包括：S3
‑
1.利用卷积网络构建特征提取网络，对输入的图像进行局部建模，得到不同尺度的特征图；S3
‑
2.利用Transformer模型构建一种特征融合网络，对获得的特征图进行有效融合，得到特征融合网络的输出预测图像。4.根据权利要求3所述的一种重载车钩断口失效形式智能模式识别方法，其特征在于，所述步骤S3
‑
1利用卷积网络构建的特征提取网络通过级联多个卷积层和池化层进行图像特征提取，并获得不同尺度的特征图，具体包括：S3
‑1‑
1.输入图像依次经过两个3
×3×
64的卷积层和一个最大池化层，进行卷积和最大池化操作，将图像进行下采样，尺寸缩小为原来的1/2，输出特征图记为stem；S3
‑1‑
2.将步骤S3
‑1‑
1获得的特征图依次经过两个3
×3×
128的卷积层和一个最大池化层，进行卷积和最大池化操作，将图像进行下采样，尺寸缩小为原来的1/4，输出特征图记为f1；S3
‑1‑
3.将步骤S3
‑1‑
2获得的特征图依次经过两个3
×3×
256的卷积层和一个最大池化层，进行卷积和最大池化操作，将图像进行下采样，尺寸缩小为原来的1/8，输出特征图记为f2；S3
‑1‑
4.将步骤S3
‑1‑
3获得的特征图依次经过两个3
×3×
512的卷积层和一个最大池化层，进行卷积和最大池化操作，将图像进行下采样，尺寸缩小为原来的1/16，输出特征图记为f3；S3
‑1‑
5.将步骤S3
‑1‑
4获得的特征图依次经过两个3
×3×
512的卷积层和一个最大池化层，进行卷积和最大池化操作，将图像进行下采样，尺寸缩小为原来的1/32，输出特征图记为f4。5.根据权利要求4所述的一种重载车钩断口失效形式智能模式识别方法，其特征在于，所述步骤S3
‑
2利用Transformer模型构建一种特征融合网络，所述特征融合网络包括多个融合模块和上采样模块，对所获得的特征图进行有效融合，包括以下步骤：S3
‑2‑
1.将步骤S3
‑1‑
2获得的特征图f1经过融合模块，利用Transformer模型的全局建模特性，对特征图进行全局建模和特征提取，输入输出前后特征图维度不变，获得特征图
t1；S3
‑2‑
2.将步骤S3
‑2‑
1获得的特征图t1进行3
×3×
512的卷积和上采样操作，特征图尺寸扩大两倍，并将上采样后的特征图t1与步骤S3
‑1‑
4中获得的特征图f3进行加法融合，将融合后的特征图记为a1；运算式为：其中，HCT是混合卷积与trans...

【专利技术属性】
技术研发人员：刘晓东，冯强，费继友，李花，徐广尖，刘益彤，
申请(专利权)人：大连交通大学，
类型：发明
国别省市：