铁路货车缓解阀拉杆开口销丢失故障识别方法及设备技术

铁路货车缓解阀拉杆开口销丢失故障识别方法及设备，属于铁路货车部件检测技术领域。本发明专利技术为了解决现有的直接利用深度学习模型进行开口销丢失故障的识别存在容易受到外界因素的影响而导致检测效果不佳的问题。本发明专利技术首先获取待检测的含缓解阀拉杆开口销部件位置的局部区域图像，然后输入神经网络模型对开口销所在区域进行精定位；对精定位后的开口销周围区域进行截取得到子区域图像；然后将子区域图像分别做不同角度的旋转，得到包含未做旋转的子区域图像共计J张待检测开口销区域图像；分别对每张待检测开口销区域图像进行特征提取，各自对应的特征；最后利用多个分类器融合的加权分类网络进行分类，得到缓解阀拉杆开口销丢失检测结果。口销丢失检测结果。口销丢失检测结果。

【技术实现步骤摘要】
铁路货车缓解阀拉杆开口销丢失故障识别方法及设备


[0001]本专利技术属于铁路货车部件检测
，具体涉及一种缓解阀拉杆开口销丢失故障识别方法及设备。

技术介绍

[0002]列车制动系统是列车的重要组成部分，其性能的好坏和制动能力的大小直接涉及列车能否安全运行，缓解阀拉杆作为制动系统中的重要部件其稳定性十分重要。货车运行一段时间后，可能出现缓解阀拉杆开口销丢失，对行车安全产生影响。因此需要在运行过程中对缓解阀拉杆开口销状态进行检测。
[0003]采用人工逐张看图的检车作业方式存在受人员素质、责任心影响，错漏检问题时有发生，作业质量难以保证，以及人工成本巨大、效率低下等问题。所以针对缓解阀拉杆开口销丢失故障的自动化检测具有重要意义。随着深度学习技术的发展，可以通过深度学习技术实现故障自动识别和报警，能够有效提高检车作业质量和效率。现有的深度学习技术不仅能够实现分割任务还可以实现分类识别任务，因此可以直接利用深度学习技术对铁路货车部件进行直接检测，从而直接判断铁路货车是否丢失或损坏(直接输出分类结果，如丢失类、变形类等)，这种方法虽然方便，但是针对于例如开口销这种比较小部件的检测效果却不是特别理想，尤其是其非常容易受到油污或天气等的影响，会进一步降低检测准确率，误检率和漏检率较高；同时这种方式的深度学些模型也是非常难训练的，不仅需要大量的训练样本，而且即使利用大量的训练样本得到的模型也经常出现过拟合或欠拟合的问题。

技术实现思路

[0004]本专利技术为了解决现有的直接利用深度学习模型进行开口销丢失故障的识别存在容易受到外界因素的影响而导致检测效果不佳的问题。
[0005]一种铁路货车缓解阀拉杆开口销丢失故障识别方法，包括以下步骤：
[0006]S1、获取待检测的含缓解阀拉杆开口销部件位置的局部区域图像，记为待检测原图像，然后输入神经网络模型对开口销所在区域进行精定位；对精定位后的开口销周围区域进行截取，得到“子区域图像”；
[0007]S2、将子区域图像分别做不同角度的旋转，得到包含未做旋转的子区域图像共计J张待检测开口销区域图像；
[0008]S3、分别对每张待检测开口销区域图像进行特征提取，得到J张待检测开口销区域图像各自对应的特征；然后利用多个分类器融合的加权分类网络进行分类；
[0009]利用多个分类器融合的加权分类网络进行分类的处理过程包括以下步骤：
[0010]J张待检测开口销区域图像各自对应的特征分别输入J个线性SVM弱分类器，J个线性SVM弱分类器通过加权方式组合，根据J个线性SVM弱分类器M
j
给出的预测结果L
j
和该分类器的投票权重w
j
，进行加权给出分类预测结果，从而判断缓解阀拉杆开口销是否丢失。
[0011]进一步地，所述特征提取器包括输入层、隐藏层、输出层，特征提取器的特征提取
包括两个过程：
[0012](1)输入层到隐藏层的编码过程：
[0013]对于输入x，通过编码函数得到编码h：
[0014]h＝s
f
(W1x+b1)
[0015][0016]其中，s
f
为编码函数，z表示编码函数的自变量；W1为输入层和隐藏层之间的权重，b1为输入层和隐藏层之间的偏置；
[0017](2)隐藏层到输出层的解码过程：
[0018]对于编码h，通过解码函数得到特征提取结果x
′
：
[0019]x
′
＝s
g
(W2h+b2)
[0020]s
g
(z
′
)＝z
′
[0021]其中，s
g
为解码函数，z
′
表示解码函数的自变量；W2为隐藏层和输出层之间的权重，b2为隐藏层和输出层之间的偏置。
[0022]进一步地，S2将子区域图像分别做不同角度的旋转时，将子区域图像按照90
°
、180
°
、270
°
分别做旋转。
[0023]进一步地，所述多个分类器融合的加权分类网络通过以下方式获得：
[0024]首先，利用已知的子区域图像对应待检测开口销区域图像构建第二数据集，将第二数据集通过特征提取器进行提取特征，得到特征数据集；将特征数据集分为：特征训练集F
tr
、特征验证集F
v
；
[0025]根据特征训练集F
tr
中的特征训练线性SVM弱分类器M
j
；根据训练得到的弱分类器M
j
在特征验证集F
v
上的表现，计算M
j
的投票权重w
j
；
[0026][0027]F
1j
表示每个弱分类器在特征验证集F
v
上的表现；
[0028][0029]其中，P为准确率，R为召回率。
[0030]进一步地，所述多个分类器融合的加权分类网络进行加权给出分类预测结果如下：
[0031][0032]其中，CL
j
为进行加权给出分类预测结果。
[0033]进一步地，所述的对开口销所在区域进行精定位的神经网络模型为tiny
‑
yolov3。
[0034]进一步地，所述的对开口销所在区域进行精定位的神经网络模型的训练过程包括以下步骤：
[0035]首先，获取待检测的含缓解阀拉杆开口销部件位置的局部区域图像，记为原图像；
进而构建样本图像数据集，样本图像数据集包括原图像集与标记数据集；
[0036]标记数据集为包含部件的矩形子区域信息，通过人工标记的方式获取；
[0037]原图像集与标记数据集之间是一一对应的，即每个原图像对应一个标记数据；
[0038]然后将原图像作为输入，将标记数据作为标签，基于样本数据集对开口销精定位模型tiny
‑
yolov3进行训练。
[0039]进一步地，对开口销精定位模型tiny
‑
yolov3进行训练之前，对样本数据集进行扩增，利用扩增后的样本数据集训练开口销精定位模型tiny
‑
yolov3。
[0040]进一步地，获取待检测的含缓解阀拉杆开口销部件位置的局部区域图像的过程包括以下步骤：
[0041]首先获取货车侧部的图像，然后根据先验知识对缓解阀拉杆开口销位置进行粗定位，进而从侧部的图像中截取包含缓解阀拉杆开口销部件位置的局部区域图像。
[0042]一种铁路货车缓解阀拉杆开口销丢失故障识别设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的一种铁路货车缓解阀拉杆开口销丢失故障识别方法。
[0043]有益效果：
[0044]1、将自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种铁路货车缓解阀拉杆开口销丢失故障识别方法，其特征在于，包括以下步骤：S1、获取待检测的含缓解阀拉杆开口销部件位置的局部区域图像，记为待检测原图像，然后输入神经网络模型对开口销所在区域进行精定位；对精定位后的开口销周围区域进行截取，得到“子区域图像”；S2、将子区域图像分别做不同角度的旋转，得到包含未做旋转的子区域图像共计J张待检测开口销区域图像；S3、分别对每张待检测开口销区域图像进行特征提取，得到J张待检测开口销区域图像各自对应的特征；然后利用多个分类器融合的加权分类网络进行分类；利用多个分类器融合的加权分类网络进行分类的处理过程包括以下步骤：J张待检测开口销区域图像各自对应的特征分别输入J个线性SVM弱分类器，J个线性SVM弱分类器通过加权方式组合，根据J个线性SVM弱分类器M
j
给出的预测结果L
j
和该分类器的投票权重w
j
，进行加权给出分类预测结果，从而判断缓解阀拉杆开口销是否丢失。2.根据权利要求1所述的一种铁路货车缓解阀拉杆开口销丢失故障识别方法，其特征在于，所述特征提取器包括输入层、隐藏层、输出层，特征提取器的特征提取包括两个过程：(1)输入层到隐藏层的编码过程：对于输入x，通过编码函数得到编码h：h＝s
f
(W1x+b1)其中，s
f
为编码函数，z表示编码函数的自变量；W1为输入层和隐藏层之间的权重，b1为输入层和隐藏层之间的偏置；(2)隐藏层到输出层的解码过程：对于编码h，通过解码函数得到特征提取结果x
′
：x
′
＝s
g
(W2h+b2)s
g
(z')＝z'其中，s
g
为解码函数，z
′
表示解码函数的自变量；W2为隐藏层和输出层之间的权重，b2为隐藏层和输出层之间的偏置。3.根据权利要求2所述的一种铁路货车缓解阀拉杆开口销丢失故障识别方法，其特征在于，S2将子区域图像分别做不同角度的旋转时，将子区域图像按照90
°
、180
°
、270
°
分别做旋转。4.根据权利要求1、2或3所述的一种铁路货车缓解阀拉杆开口销丢失故障识别方法，其特征在于，所述多个分类器融合的加权分类网络通过以下方式获得：首先，利用已知的子区域图像对应待检测开口销区域图像构建第二数据集，将第二数据集通过特征提取器进行提取特征，得到特征数据集；将特征数据集分为：特征训练集F
tr<...

【专利技术属性】
技术研发人员：马元通，
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：