[发明专利]一种铁路货车横跨梁组装螺母丢失故障识别方法

说明书

一种铁路货车横跨梁组装螺母丢失故障识别方法,解决了现有人工检查图像的方式对横跨梁组装螺母丢失故障检测造成漏检、错检的问题，属于铁路货车故障检测领域。本发明包括：构建出三角孔样本集和螺母样本集；两个样本集分别利用基于语义分割的U型深度学习网络进行训练，获得两个样本集对应的基于语义分割的U型深度学习网络最优权重；截取出待检测的横跨梁图像的三角孔及三角孔螺母部位，获取待测子图；将待测子图输入至U型深度学习网络中，获得三角孔二值图像；当三角孔处有螺钉托且螺母二值图像中无开口销，进一步判断螺母二值图像中是否存在螺母，若是，则进行横跨梁组装螺母丢失故障报警，若否，等待下一张待检测的横跨梁图像。

技术领域

本发明涉及一种故障识别方法，特别涉及一种铁路货车横跨梁组装螺母丢失故障识别方法，属于铁路货车故障检测领域。

背景技术

铁路货车横跨梁组装螺母丢失故障是一种危及行车安全的故障，在横跨梁组装螺母丢失故障检测中，采用人工检查图像的方式进行故障检测。由于检车人员在工作过程中极易出现疲劳、遗漏等情况，易造成漏检、错检。

发明内容

针对现有采用人工检查图像的方式对横跨梁组装螺母丢失故障检测造成漏检、错检的问题，本发明提供一种铁路货车横跨梁组装螺母丢失故障识别方法。

本发明的一种铁路货车横跨梁组装螺母丢失故障识别方法，所述方法包括如下步骤：

S1、采集铁路货车的横跨梁图像，利用提取框将横跨梁图像中的三角孔和三角孔螺母部位截取出来，分别构建出三角孔样本集和螺母样本集；三角孔样本集包括截取的三角孔处有螺钉托和无螺钉托的样本；

S2、三角孔样本集利用基于语义分割的U型深度学习网络进行训练，获得三角孔样本集对应的基于语义分割的U型深度学习网络最优权重；

所述基于语义分割的U型深度学习网络为：在基于语义分割框架里，解码过程中的前两层使用编码过程中池化的索引进行上采样，解码过程中最后一层采用索引和U型深度学习网络的方法，跳跃连接，并在最后一层之后依次加一个1*1的卷积和一个1*1的卷积加柔性最大值的2通道输出，将图像进行二分类；

S3、螺母样本集利用U型深度学习网络进行训练，获得螺母样本集对应的U型深度学习网络最优权重；

S4、利用提取框截取出待检测的横跨梁图像的三角孔及三角孔螺母部位，获取待测子图；

S5、将待测子图输入至U型深度学习网络中，使用三角孔样本集对应的U型深度学习网络最优权重对待测子图进行分割，获得三角孔二值图像；

S6、根据三角孔二值图像判断三角孔处是否有螺钉托，若有，则使用螺母样本集对应的U型深度学习网络最优权重对待测子图进行分割，获得螺母二值图像，转入S7，若否，等待下一张待检测的横跨梁图像，转入S4；

S7、根据螺母二值图像判断是否存在开口销，若否，转入S8，若是，等待下一张待检测的横跨梁图像，转入S4；

S8、判断螺母二值图像中是否存在螺母，若否，则进行横跨梁组装螺母丢失故障报警，若是，等待下一张待检测的横跨梁图像，转入S4。

作为优选，所述S3中的U型深度学习网络共计14层，图像通道从32通道到512通道。

作为优选，S3进一步包括：

螺母样本在相应权重下输入至U型深度学习网络中进行数据变换，获得分割图像，该分割图像与输入的样本的标记图像进行对比后经过交叉熵损失函数获得损失值，若损失值达没有在设定阈值内，在权重不改变的情况下，进行下一张样本的迭代，若损失值在设定阈值内，将该损失值输入优化器，优化器输出更新的权重，在更新的权重下进行下一张样本的迭代；直到找到最优的权重系数。

作为优选，所述采集的横跨梁图像包括在雨水、泥渍、油渍、黑漆的条件下获得的图像。