[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

说明书

一种基于图像识别的滚动轴承甩油故障检测方法，属于货运列车检测技术领域。本发明是为了为了解决滚动轴承甩油故障的人工图像检测方式存在效率低、准确率低的问题，以及转向架差异和环境条件影响导致的滚动轴承甩油故障检测准确率低的问题。本发明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。主要用于滚动轴承甩油故障检测。

技术领域

本发明涉及一种滚动轴承甩油故障检测方法。属于货运列车检测技术领域。

背景技术

为了保证铁路货运列车的安全行驶，铁路货运部门需要经常对铁路货车的各个部件进行检查和维修。虽然针对于铁路货车的检查在某些情况下仍然需要在站内静止状态下进行检查，但是由于这种检测方法需要铁路货车在站内静止的状态下完成，影响铁路货车的运行效率，而且检测效率也比较低，所以针对一些部件检测的检测可以替换为人工对图像识别检测，例如对滚动轴承甩油故障检测，但是采用人工查看图像的方式进行检查仍然存在诸多问题，例如成本高、效率低等问题。而且重复性查看图像工作枯燥，经常会出现遗漏部件、误报等情况，无法保证准确率，从而给铁路货车的安全运行留下安全隐患。

因此，对铁路货车进行自动化故障检测具有重要意义。但是鉴于铁路货车一些部件的特殊性，不能直接使用现有的检测技术进行故障检测。在滚动轴承甩油故障检测中，由于货车的轴承图像非常容易受到雨雪、风沙、泥渍和油渍等自然条件的影响，同时不同转向架类型的滚动轴承的形状也会存在差异，不仅给滚动轴承甩油故障造成了检测难度，

发明内容

本发明是为了解决滚动轴承甩油故障的人工图像检测方式存在效率低、准确率低的问题，以及转向架差异和环境条件影响导致的滚动轴承甩油故障检测准确率低的问题。

一种基于图像识别的滚动轴承甩油故障检测方法，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。

进一步地，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；