[发明专利]基于深度学习的大规模列车移位故障检测方法及系统

说明书

本发明提供了一种基于深度学习的大规模列车移位故障检测方法和系统。所述检测方法包括：采集列车部件移位图像并传入深度学习框架中训练出列车部件分类模型并获得部件剪切图；将剪切图进行标注并传入深度学习框架中训练出部件轮廓分割模型；采集待检测图像传入所述列车部件分类模型中进行预测，根据分类及定位自动检测部件并剪切；将所述剪切图传入部件轮廓分割模型中分割出部件的内外轮廓，并获得相对位置信息；设定相对位置信息的阈值并根据内外轮廓相对位置信息进行逻辑判断，判断列车部件是否发生移位故障。与现有技术相比，本发明有效解决对海量列车部件数据的自动检测，提高检测效率和准确度，降低人力物力成本。

【技术领域】

本发明涉及故障自动检测领域，尤其涉及大规模列车移位故障检测领域。

【背景技术】

高速列车安全高效的运行一直以来都是一个重大问题。列车长期持续行驶上千公里，列车磨耗加快，震动加剧，性能参数快速蜕变等，这些因素严重威胁列车安全运行，降低了列车安全系数，引发列车运营期间的安全事故。由于这些因素不可避免，所以只有及时对列车关键部位进行检修，发现故障，才能确保列车安全运行，保障乘客安全。

列车关键部位故障主要包括移位，丢失，腐蚀，变形，破损等，移位故障作为主要列车故障之一直接影响到列车运行安全性。当前主要通过技术人员获取图片进行侦察与分析来判断部件移位故障，这个侦察与分析的过程十分复杂，而且非常耗费人力。由于我国列车数量众多，因此需要大量工作人员全天24小时检查数以百万计的图片，但即使这样，大量发生部件移位故障的列车也会被遗漏，而各种恶劣天气，更是加重了工作人员检查故障的难度。

目前一些研究人员也提出了某些技术手段，基于信号处理及简单的图像处理方法对列车部件移位故障进行自动侦察与诊断。但是这些传统的信号处理方法和图像处理的方法在处理的数据量及精准性上有着很大的局限性。

随着深度学习的发展，能够使观测值，例如一幅图像，可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务,例如，人脸识别或面部表情识别。深度学习还能够用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。此时深度学习开始进入列车移位故障检测人员的视野。在数据量日益增长的大数据环境下，迫切需要寻求一种自动检测大规模列车部件移位故障的方法,因此一种基于深度学习的大规模列车移位故障检测方法应运而生。

【发明内容】

目前现有技术的信号处理方法和图像处理的方法在处理列车部件故障的数据量及精准性上有着很大的局限性，针对大数据场景下模型训练和故障检测对海量数据训练及检测效率低、可容性差的问题，本发明提供了一种自动检测大规模列车部件移位故障的方法和系统。

一种基于深度学习的大规模列车移位故障检测方法，所述检测方法包括以下步骤：

步骤S1，采集列车部件图像：收集海量列车部件图像作为图像集；

步骤S2，提供深度学习目标检测模型和深度学习语义分割模型；

步骤S3，通过训练获得列车部件分类模型：将所述图像集中的列车部件图像输入到所述深度学习目标检测模型中，训练出可以对列车部件进行精准识别的列车部件分类模型；

步骤S4，通过训练获得部件轮廓分割模型：利用所述列车部件分类模型对所述训练图像集进行分类和定位，根据定位的结果自动获取所述训练图像集中各个部件的剪切图，对剪切图进行标注并输入到所述深度学习语义分割模型中，训练出可以分割列车部件得到列车部件的内部轮廓和外部轮廓的部件轮廓分割模型；

步骤S5，故障检测：将待检测图像输入到所述列车部件分类模型中，通过所述列车部件分类模型对所述待检测图像中各部件进行分类和定位，根据定位结果构建包含各部件图像的部件池，然后将所述部件池输入到所述部件轮廓分割模型中，分割各部件的内部轮廓和外部轮廓，并得到两者的相对位置信息；