【技术实现步骤摘要】
闸调器调整螺杆圆销和圆销开口销丢失检测方法
[0001]本专利技术涉及一种闸调器调整螺杆圆销和圆销开口销丢失检测方法，属于铁路货车故障检测
技术介绍
[0002]相比于传统的采用人工查图的铁路货车故障检测方法，基于深度学习的自动化故障检测的方法能够显著的提升检测的效率，降低成本，同时还能避免由于检车人员疲劳造成的漏检、误检现象。但由于闸调器调整螺杆圆销和圆销开口销丢失位于列车底部，圆销图像目标较小且存在模糊，开口销目标的形态存在多样性，采用传统的Mask R
‑
CNN深度学习分割网络进行故障检测的准确程度较低。
技术实现思路
[0003]针对传统的Mask R
‑
CNN深度学习分割网络进行闸调器调整螺杆圆销和圆销开口销丢失检测的准确程度较低的问题，本专利技术提供一种闸调器调整螺杆圆销和圆销开口销丢失检测方法。
[0004]本专利技术的一种闸调器调整螺杆圆销和圆销开口销丢失检测方法，包括：
[0005]S1、获取过车的铁路货车底部的图像，截取闸调器控...
【技术保护点】
【技术特征摘要】
1.一种闸调器调整螺杆圆销和圆销开口销丢失检测方法，其特征在于，所述方法包括：S1、获取过车的铁路货车底部的图像，截取闸调器控制杆圆销和圆销开口销图像；S2、将截取的图像送入故障检测模型中，故障检测模型输出检测结果；所述故障检测模型为Mask R
‑
CNN网络模型，Mask R
‑
CNN网络模型的骨干网络为ResNet50；故障检测模型训练的方法包括：S21、建立无标签的铁路货车不同部件、不同纹理、不同尺度的图像作为预训练集，对预训练集进行数据增强，使预训练集中的每张图像生成正样本对(x
i
,x
j
)和负样本z
k
；S22、将x
i
和x
j
分别输入至两个骨干网络Encoder中，两个骨干网络Encoder各自提取出特征，并分别输入至一个MLP网络中，两个MLP网络输出的z
i
和z
j
；两个骨干网络Encoder具有相同的架构，其中第一个骨干网络Encoder采用反向传播来更新参数，第二个骨干网络Encoder根据第一个骨干网络Encoder的参数采用动量方法更新参数；两个骨干网络Encoder均为ResNet50；S23、根据两个MLP网络输出的z
i
和z
j
及负样本z
k
，计算损失函数，调整第一个骨干网络Encoder的权重；S24、对闸调器调整螺杆圆销和圆销开口销部分进行标记，并进行数据扩增，获得实例分割有标签样本数据集；S25、采用S21至S23对故障检测模型中的ResNet50预训练完成后，将骨干网络Encoder作为故障检测模型中的ResNet50，再采用实例分割有标签样本数据集对故障检测模型进行训练；S3、如果检测结果中没有检测到闸调器控制杆圆销和圆销开口销，则图像为故障图像，故障报警，否则，无故障。2.根据权利要求1所述的闸调器调整螺杆圆销和圆销开口销丢失检测方法，其特征在于，每个MLP网络为按顺序连接的线性层Linear、批归一化BN、激活函数ReLU、线性层Linear、批归一化BN、激活函数ReLU、线性层Linear组成。3.根据权利要求1所述的闸调器调整螺杆圆销和圆销开口销丢失检测方法，其特征在于，S24中进行数据扩增的方法包括：方法1、对圆销开口销图像先进行拉普拉斯梯度计算，对满足梯度要求的图像采用概率方法进行高斯模糊；方法2、复制圆销开口销图像到新场景下；方法3、利用方法1和方法2获得的图像随机进行图像亮度调整、自适应直方图均衡概念化和加噪操作。4.根据权利要求3所述的闸调器调整螺杆圆销和圆销开口销丢失检测方法，其特征在于，S24还包括，对数据扩增后的实例分割有标签样本数据集进行筛选：如果在实例分割有标签样本数据集中某个样本的分割目标预测框置信度小于0.5，则删除该样本；如果在实例分割有标签样本数据集中某个样本的分割目标预测框置信度不小于0.5，且无真值文件，则添加标记信息；如果在实例分割有标签样本数据集中某个样本的分割目标预测框与真值框的IOU大于
设定阈值，但是类别不一致，则修正标记信息；如果在实例分割有标签样本数据集中某个样本没分割出目标，但是存在标记信息，判断标记信息是否合理，如果不合理则删除该样本。5.根据权利要求4所述的闸调器调整螺杆圆销和圆销开口销丢失检测方法，其特征在于，采用分段数据扩增的方法，训练过程中，第1至第...
【专利技术属性】
技术研发人员：孙晶，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。