[发明专利]一种铁路货车制动梁安装位置不正确的故障识别方法

权利要求书

1.一种铁路货车制动梁安装位置不正确的故障识别方法，其特征在于，所述方法包括如下步骤：

S1、采集铁路货车的转向架图像，利用提取框将转向架图像中的轮轴和制动梁斜杆截取出来，将每一张图像中截取的两个轮轴图像水平拼接到一张子图中，作为一个轮轴样本，将截取的制动梁斜杆图像按照在转向架的相对位置拼接到一张子图中，作为一个制动梁斜杆样本，分别构建出轮轴样本集和制动梁斜杆样本集；

S2、轮轴样本集和制动梁斜杆样本集各自利用U型深度学习网络进行训练，分别获得轮轴样本集和制动梁斜杆样本集对应的U型深度学习网络最优权重；

S3、利用提取框截取出待检测的转向架图像的轮轴和制动梁斜杆，获取拼接的轮轴待检测子图和制动梁斜杆子图；

S4、将轮轴待检测子图和制动梁斜杆子图分别输入至U型深度学习网络中，使用轮轴样本集对应的最优权重和制动梁斜杆样本集对应的最优权重分别对轮轴待检测子图和制动梁斜杆子图进行分割，获得轮轴二值图像和制动梁斜杆二值图像；

S5、根据轮轴二值图像确定车轮沿位置，根据制动梁斜杆二值图像确定制动梁斜杆位置，计算车轮沿位置与制动梁斜杆位置之间的距离和角度，当距离和角度均大于设定阈值时，确定铁路货车制动梁安装位置不正确，进行故障报警。

2.根据权利要求1所述的故障识别方法，其特征在于，所述S2进一步包括：

轮轴样本和制动梁斜杆样本在各自权重下输入至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。

3.根据权利要求2所述的故障识别方法，其特征在于，所述S2还包括：当交叉熵损失函数获得损失值，若损失值达在设定阈值内，继续采用铰链损失函数进行训练，铰链损失函数为：

其中，L表示损失值，x_i为第i张图像数据，y_j表示第几类，在权重W下U型深度学习网络会有一个得分结果向量f(x_i；W)，其中第j类将其计算为f(x_i；W)_j,j的取值为0,1，包括背景和斜杆目标，△相当于SVM中的分离道的宽度，N表示表示样本图像的总张数，λ表示正则化损失参数，k表示正则化计算中根据样本的图像数目设定的参数，其中为正则化损失；

若铰链损失函数的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。

4.根据权利要求2所述的故障识别方法，其特征在于，所述S5中，根据轮轴二值图像中的轮廓信息，利用形态学操作去除一些空洞和噪声，进行直线拟合，确定轮轴位置，根据轮轴的位置确定车轮沿位置；根据制动梁斜杆二值图像中的轮廓信息，利用形态学操作去除一些空洞和噪声，进行直线拟合，确定制动梁斜杆位置。

5.根据权利要求2所述的故障识别方法，其特征在于，所述轮轴样本集和制动梁斜杆样本集均包括在雨水、泥渍、油渍、黑漆的条件下获得的图像。

6.根据权利要求2所述的故障识别方法，其特征在于，所述标记图像存储在标记图像集中，所述标记图像集中的标记图像与轮轴样本集和制动梁斜杆样本集中的样本图像一一对应，所述标记图像通过在对应的样本图像上进行特征标记获取的。