一种铁路货车承载鞍错位故障识别方法技术

本发明专利技术提供一种铁路货车承载鞍错位故障识别方法，解决了现有深度学习方法对承载鞍的关键点检测准确性不高的问题，属于铁路货车故障检测领域。本发明专利技术包括：获取待测过车图像，并截取过车图像中承载鞍的粗定位图像，并对粗定位图像进行对比度、角点与边界特征增强；在增强后的图像上用关键点检测模型获得承载鞍左上、右上、左下、右下、与轴承相交左下、与轴承相交右下、挡边左上、挡边右上的8个关键点的关键点组，使用8个关键点计算承载鞍的倾斜角度，根据倾斜角度是否大于等于阈值判定是否发生错位故障。若发生错位则进行故障报警，否则，待测过车图像的承载鞍未发生错位。过车图像的承载鞍未发生错位。过车图像的承载鞍未发生错位。

【技术实现步骤摘要】
一种铁路货车承载鞍错位故障识别方法


[0001]本专利技术涉及一种铁路货车承载鞍错位故障识别方法，属于铁路货车故障检测


技术介绍

[0002]承载鞍是车辆轮对轴承组件的支承件，用以传递来自车体的载荷，在车辆转向架中具有十分重要的作用。若承载鞍发生错位，将造成承载鞍与外滚动轴承前盖磨耗严重，进而造成重大车辆故障隐患危及行车安全。在承载鞍错位故障检测中，采用人工检查图像的方式进行故障检测。鉴于承载鞍水平倾斜大于等于角度阈值即判定为错位，较小的角度阈值(比如3度)增加了此故障检测难度；不同探测站存在的图像模糊、对比度差、相机角度差异等图像质量不佳导致识别效果不理想问题；另外检车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。近几年，深度学习与人工智能不断发展，在技术上不断成熟。因而，采用深度学习进行承载鞍错位故障识别，可以有效提高检测效率与准确率。但是现有深度学习方法存在对承载鞍的关键点检测准确性不高的问题。

技术实现思路

[0003]针对现有深度学习方法对承载鞍的关键点检测准确性不高的问题，本专利技术提供一种铁路货车承载鞍错位故障识别方法
[0004]本专利技术的一种铁路货车承载鞍错位故障识别方法，包括：
[0005]S1、获取待测过车图像，并截取过车图像中承载鞍的粗定位图像，并对粗定位图像进行对比度、角点与边界特征增强；
[0006]S2、在增强后的承载鞍图像上用关键点检测模型获得承载鞍左上、右上、左下、右下、与轴承相交左下、与轴承相交右下、挡边左上、挡边右上的8个关键点的关键点组，判断当前关键点组中关键点的个数是否为8，若是，使用8个关键点计算承载鞍的倾斜角度，转入S3；若否，进行故障报警；
[0007]关键点检测模型包括轮廓检测模型、关键点估计网络和冗余剔除模型；
[0008]轮廓检测模型对增强后的承载鞍图像进行图像轮廓提取，关键点估计网络对提取的图像轮廓加承载鞍部件框，得到承载鞍部件关键点，若得到1个承载鞍部件框,对承载鞍部件框进行关键点估计，得到8个关键点的关键点组，该8个关键点的关键点组为最终的关键点组，用于计算承载鞍的倾斜角度；若得到多个承载鞍部件框，对每个承载鞍部件框进行关键点估计，得到每个承载鞍部件框对应的8个关键点的关键点组，冗余剔除模型对得到的关键点组进行置信度相似消除、边缘相对距离相近消除和/或位置相近消除，得到最终的关键点组，用于计算承载鞍的倾斜角度；
[0009]S3、根据倾斜角度是否大于等于阈值判定是否发生错位故障；若发生错位则进行故障报警，否则，待测图像的承载鞍未发生错位。
[0010]作为优选，关键点估计网络采用基于SPPE的CNN网络实现。
[0011]作为优选，置信度消除的方法包括：
[0012]对关键点组的置信度进行排序，选择置信度最高的关键点组作为参考关键点组P
i
，其他关键点组作为目标关键点组P
j
；
[0013]消除过程：判断目标关键点组P
j
是否需要被删除，若关键点组P
i
和目标关键点组P
j
的置信度相似度超过设定阈值，则将相应的目标关键点组P
j
删除；
[0014]在剩余的目标关键点组中选择置信度最高的关键点组作为参考关键点组P
i
，其他目标关键点组为P
j
，重复上述消除过程，直至目标关键点组为空；
[0015]其中，关键点组P
i
和目标关键点组P
j
的置信度相似度的计算方式为：
[0016]若关键点组P
j
中第n个关键点的坐标在范围内，目标关键点组P
j
中第n个关键点与关键点组P
i
中对应的第n个关键点的置信度相似度为否则为0，统计目标关键点组P
j
中8个关键点与关键点组P
i
中对应的8个关键点的置信度相似度之和，作为关键点组P
i
和目标关键点组P
j
的置信度相似度；
[0017]σ1表示置信度冗余消除参数，和分别表示关键点组P
i
和目标关键点组P
j
中第n个关键点的置信度，表示关键点组P
i
中第n个关键点的坐标，表示关键点组P
i
检测框的1/10。
[0018]作为优选，边缘相对距离消除的方法：
[0019]对关键点组的置信度进行排序，选择置信度最高的关键点组作为参考关键点组P
i
，其他关键点组作为目标关键点组P
j
；
[0020]消除过程：判断目标关键点组P
j
是否需要被删除，若关键点组P
i
和目标关键点组P
j
的相对距离超过设定阈值，则将相应的目标关键点组P
j
删除；
[0021]在剩余的目标关键点组中选择置信度最高的关键点组作为参考关键点组P
i
，其他目标关键点组为P
j
，重复上述消除过程，直至目标关键点组为空；
[0022]其中，关键点组P
i
和目标关键点组P
j
的相对距离的计算方式为：
[0023]若关键点组P
j
中第n个关键点的坐标在范围内且与最近轮廓的距离大于目标关键点组P
j
中第n个关键点与关键点组P
i
中对应的第n个关键点的相对距离为1，n＝1,2,
…
,8，否则为0，统计目标关键点组P
j
中8个关键点与关键点组P
i
中对应的8个关键点的相对距离之和，作为关键点组P
i
和目标关键点组P
j
的相对距离；
[0024]表示关键点组P
i
中第n个关键点的坐标，表示关键点组P
i
检测框的1/10。
[0025]作为优选，位置相近的关键点消除的方法包括：
[0026]对关键点组的置信度进行排序，选择置信度最高的关键点组作为参考关键点组P
i
，其他关键点组作为目标关键点组P
j
；
[0027]消除过程：判断目标关键点组P
j
是否需要被删除，若关键点组P
i
和目标关键点组P
j
的空间距离为未超过设定阈值，则将相应的目标关键点组P
j
删除；
[0028]在剩余的目标关键点组中选择置信度最高的关键点组作为参考关键点组P
i
，其他目标关键点组为P
j
，重复上述消除过程，直至目标关键点组为空；
[0029]其中，关键点组P
i
和目标关键点组P
j
的空间距离本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种铁路货车承载鞍错位故障识别方法，其特征在于，所述方法包括：S1、获取待测过车图像，并截取过车图像中承载鞍的粗定位图像，并对粗定位图像进行对比度、角点与边界特征增强；S2、在增强后的承载鞍图像上用关键点检测模型获得承载鞍左上、右上、左下、右下、与轴承相交左下、与轴承相交右下、挡边左上、挡边右上的8个关键点的关键点组，判断当前关键点组中关键点的个数是否为8，若是，使用8个关键点计算承载鞍的倾斜角度，转入S3；若否，进行故障报警；关键点检测模型包括轮廓检测模型、关键点估计网络和冗余剔除模型；轮廓检测模型对增强后的承载鞍图像进行图像轮廓提取，关键点估计网络对提取的图像轮廓加承载鞍部件框，得到承载鞍部件关键点，若得到1个承载鞍部件框,对承载鞍部件框进行关键点估计，得到8个关键点的关键点组，该8个关键点的关键点组为最终的关键点组，用于计算承载鞍的倾斜角度；若得到多个承载鞍部件框，对每个承载鞍部件框进行关键点估计，得到每个承载鞍部件框对应的8个关键点的关键点组，冗余剔除模型对得到的关键点组进行置信度相似消除、边缘相对距离相近消除和/或位置相近消除，得到最终的关键点组，用于计算承载鞍的倾斜角度；S3、根据倾斜角度是否大于等于阈值判定是否发生错位故障；若发生错位则进行故障报警，否则，待测过车图像的承载鞍未发生错位。2.根据权利要求1所述的一种铁路货车承载鞍错位故障识别方法，其特征在于，关键点估计网络采用基于SPPE的CNN网络实现。3.根据权利要求1所述的一种铁路货车承载鞍错位故障识别方法，其特征在于，置信度消除的方法包括：对关键点组的置信度进行排序，选择置信度最高的关键点组作为参考关键点组P
i
，其他关键点组作为目标关键点组P
j
；消除过程：判断目标关键点组P
j
是否需要被删除，若关键点组P
i
和目标关键点组P
j
的置信度相似度超过设定阈值，则将相应的目标关键点组P
j
删除；在剩余的目标关键点组中选择置信度最高的关键点组作为参考关键点组P
i
，其他目标关键点组为P
j
，重复上述消除过程，直至目标关键点组为空；其中，关键点组P
i
和目标关键点组P
j
的置信度相似度的计算方式为：若关键点组P
j
中第n个关键点的坐标在范围内，目标关键点组P
j
中第n个关键点与关键点组P
i
中对应的第n个关键点的置信度相似度为否则为0，统计目标关键点组P
j
中8个关键点与关键点组P
i
中对应的8个关键点的置信度相似度之和，作为关键点组P
i
和目标关键点组P
j
的置信度相似度；σ1表示置信度冗余消除参数，和分别表示关键点组P
i
和目标关键点组P
j
中第n个关键点的置信度，表示关键点组P
i
中第n个关键点的坐标，表示关键点组P
i
检测框的1/10。4.根据权利要求1所述的一种铁路货车承载鞍错位故障识别方法，其特征在于，边缘相对距离消除的方法：
对关键点组的置信度进行排序，选择置信度最高的关键点组作为参考关键点组P
i
，其他关键点组作为目标关键点组P
j
；消除过程：判断目标关键点组P
j
是否需要被删除，若关键点组P
i
和目标关键点组P
j
的相对距离超过设定阈值，则将相应的目标关键点组P
j
删除；在剩余的目标关键点组中选择置信度最高的关键点组作为参考关键点组P
i
，其他目标关键点组为P
j
，重复上述消除过程，直至目标关键点组为空；其中，关键点组P
i
和目标关键点组P<...

【专利技术属性】
技术研发人员：刘丹丹，
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：