[发明专利]铁路货车钩尾框折断故障识别方法

说明书

铁路货车钩尾框折断故障识别方法，本发明涉及铁路货车故障识别方法。本发明的目的是为了解决现有铁路货车钩尾框折断故障识别准确率低的问题。过程为：一、采集铁路货车钩尾框正常图像与故障图像，作为铁路货车钩尾框图像数据集；二、对铁路货车钩尾框图像数据集进行扩增；三、对铁路货车钩尾框图像数据集样本进行标记；四、得到训练好的HyperNet模型；五、对训练好的模型加入报警报文生成算法，算法完成后，生成故障识别模块，将故障识别模块安装在基站，当有货车通过基站的时候，相机采集图像，调用故障识别模块对钩尾框折断故障进行判别。本发明用于故障识别领域。

技术领域

本发明涉及铁路货车故障识别方法。

背景技术

钩尾框属于货车的车钩部分，起到连接两节货车的作用，由于货车载重量大对钩尾框损耗较重，容易使钩尾框发生折断故障。当发生折断故障而没有及时发现则会危及行车安全，造成严重后果。在传统的钩尾框折断故障检测中，采用人工观察图像的方式进行故障检测，作业量大，不断地重复作业，对于肉眼检测很容易造成视觉疲劳，影响工作人员的视力，并造成漏检的出现，影响行车安全。

传统的图像处理方法，对这种室外条件干扰多、图像灰度变化大、目标形态多变的故障很难有效的识别。

发明内容

本发明的目的是为了解决现有铁路货车钩尾框折断故障识别准确率低的问题，而提出铁路货车钩尾框折断故障识别方法。

铁路货车钩尾框折断故障识别方法具体过程为：

步骤一、采集铁路货车钩尾框正常图像与故障图像，作为铁路货车钩尾框图像数据集；

步骤二、对铁路货车钩尾框图像数据集进行扩增；

步骤三、对铁路货车钩尾框图像数据集样本进行标记；

步骤四、基于步骤三得到的标记后的铁路货车钩尾框图像数据集样本训练HyperNet模型，得到训练好的HyperNet模型；

步骤五、对训练好的HyperNet模型加入报警报文生成算法，算法完成后，生成故障识别模块，将故障识别模块安装在基站，当有货车通过基站的时候，相机采集图像，调用故障识别模块对钩尾框折断故障进行判别；

若识别为钩尾框折断故障，则输出故障信息至平台，供人工确认及处理；

若识别无钩尾框折断故障，则无需报警，继续等待下一趟货车的到来。

本发明的有益效果为：

本发明将深度学习应用到货车钩尾框折断故障，将大量减少人工工作量，加快识别速度，人工只需对自动识别报警进行确认。

在固定的探测站点搭建高速成像系统，当货车通过站点，硬件获得信号，图像采集设备工作，获取完整的货车底部图像。通过硬件以及先验知识，钩尾框在车底部图像中间部位，在原始图像中截取包含钩尾框的较小区域。使用该区域图像训练深度学习检测模型，将训练好的模型上传到线上站点。

当线上有货车经过时，使用该训练好的模型对图像进行识别，判断钩尾框部位是否发生折断。对发生钩尾框折断故障的位置上传报警，工作人员根据识别结果进行相应的处理，保证货车安全运行。

本发明将深度学习应用到故障检测，代替传统人眼识别故障，作业更加高效，并节省成本。

对于钩尾框折断故障，使用传统图像处理方法，难度高、效果差，而使用深度学习算法进行故障识别，可以有效地解决外界干扰、图像灰度差距以及目标形态多变的问题，可以更快捷高效的完成研发，并减轻后续维护工作，提高铁路货车钩尾框折断故障识别准确率。

实际故障图像样本较少，使用photoshop来进行故障图像大量模拟，训练模型使模型有更高的检测精度。