[发明专利]一种基于图像识别的滚动轴承甩油故障检测方法

权利要求书

1.一种基于图像识别的滚动轴承甩油故障检测方法，其特征在于，包括以下步骤：

采集列车图像并截取滚动轴承的子图像；

首先通过图像处理算法检测滚动轴承是否渗油，当检测为渗油后，将图像输入训练好的深度学习网络，检测滚动轴承是否甩油；

所述通过图像处理算法检测滚动轴承是否渗油的过程包括以下步骤：

利用图像处理算法确定滚动轴承的边缘，记为圈a，并在圈a的外侧确定一个圈b，圈b与圈a的半径差小于半径差阈值；圈a内部的区域记为区域①，圈a与圈b之间的区域记为区域②，圈b外侧的区域记为区域③；当区域②的平均灰度小于区域①和区域③的平均灰度时，判断为渗油；

所述的深度学习网络的训练过程如下：

步骤1、采集列车图像并截取滚动轴承的子图像，每张子图像的大小需要保持一致；将子图像放入数据集；

将收集的数据分成两类，一类是滚动轴承甩油的故障数据，另一类正常滚动轴承的非故障数据；对每类数据建立不同标签；

建立数据收集的标准：将滚动轴承一圈渗油与侧部转向架上有油点同时发生时判断为滚动轴承甩油故障；否则判断为正常滚动轴承数据；

步骤2、将数据集中的图像数据通过深度学习网络，预测出分类结果，并与真实结果标签进行比较，计算出偏差，反向计算出网络中各层中神经元的误差，求解误差梯度，通过梯度下降法更新网络中的权重系数；将此更新后的权重系数，通过深度学习网络模型预测分类，与真实结果比较，计算偏差，不断循环训练，直到偏差满足预设要求停止循环，保存权重系数，即完成一次训练；

步骤3、通过使用训练权重预测训练集，得到预测结果，通过主观观察的方式对预测结果中错误预测图像进行筛选重新判断，对某张图像通过主观再次确认，判断其是甩油或者非甩油，将其重新放入训练集后，再次重新训练，若训练集准确率未提高，则放弃此图像，将其剔除，若准确率提高则继续下一张图像；直到训练集的识别率达到预设阈值时，停止训练，得到训练好的深度学习网络。

2.根据权利要求1所述的一种基于图像识别的滚动轴承甩油故障检测方法，其特征在于，所述深度学习网络模型如下：

深度学习网络模型包括：“input”层、“Conv1-Pool1”层、“Conv2-Pool2”层、“Conv3”层、“Conv4”层、“Conv5-Pool5”层、“FC6”层、“FC7”层、“FC8”层；

“input”层：模型的输入层，输入图像的大小为512×512，图像为3通道的彩色图像；

“Conv1-Pool1”层：对“input”层进行卷积，卷积核大小为11×11，卷积通道数为96个；并对卷积后的结果进行池化；

“Conv2-Pool2”层：对“Conv1-Pool1”层的结果进行卷积，卷积核大小为5×5，卷积通道数为256个；并对卷积后的结果进行池化；

“Conv3”层：对“Conv2-Pool2”层的结果进行卷积，卷积核大小为3×3，卷积通道数为384个；

“Conv4”层：对“Conv3”层的结果进行卷积，卷积核大小为3×3，卷积通道数为384个；

“Conv5-Pool5”层：对“Conv4”层的结果进行卷积，卷积核大小为3×3，卷积通道数为256个；并对卷积后的结果进行池化；

“FC6”层：全连接层输出层数为4096个，防止过拟合加入Dropout操作；

“FC7”层：全连接层输出层数为4096个，防止过拟合加入Dropout操作；

“FC8”层：全连接层输出层数为2个，输入结果为2分类。

3.根据权利要求2所述的一种基于图像识别的滚动轴承甩油故障检测方法，其特征在于，在收集数据放入数据集的过程中需要对收集到的数据进行数据扩增操作，数据扩增操作包括旋转、平移、缩放、调整亮度、调整对比度。

4.根据权利要求2所述的一种基于图像识别的滚动轴承甩油故障检测方法，其特征在于，所述采集列车图像时包括正常、雨雪、风沙、泥渍和油渍条件下的图像，截取的子图像对应包括正常、雨雪、风沙、泥渍和油渍条件下的子图像。

5.根据权利要求2所述的一种基于图像识别的滚动轴承甩油故障检测方法，其特征在于，所述截取滚动轴承的子图像的过程为：依据列车的轴距信息及滚动轴承位置的先验知识，在列车图像中截取滚动轴承的子图像。