[发明专利]闸瓦折断目标检测方法

说明书

闸瓦折断目标检测方法，本发明涉及铁路货车故障检测方法。本发明的目的是为了解决现有方法对列车闸瓦图像进行检查，存在成本高、效率低下、准确性低的问题。过程为：一、线阵图像获取；二、粗定位；三、生成对抗网络DCGAN，基于对抗网络DCGAN生成故障图像；对抗网络由判别模型和生成模型两部分组成，其中判别器中采用下采样的卷积，生成器中采用上采样的卷积；具体过程为：三一：构建对抗网络DCGAN判别模型；三二：构建对抗网络DCGAN生成模型；四、建立深度学习训练数据集；五、故障目标分割；六、基于训练好的分割网络模型进行预测，得到故障部件的信息。本发明的有益效果为：本发明用于铁路货车故障检测领域。

技术领域

本发明涉及铁路货车故障检测方法。

背景技术

高速发展的铁路货车运输行业，其安全运输毫无疑问是最重要的。铁路货车制动装置包括空气制动机、基础制动装置和手制动机三部分，这三部分有机地组成铁路货车制动装置的整体。其中的基础制动装置是由制动制动缸鞲鞴推杆以后至闸瓦及期间一系列杠杆、拉杆、制动梁、闸瓦托、闸瓦等部分组成，它的作用就是在铁路货车制动时，将制动缸鞲鞴推杆上的推力增大若干倍后平均地传给各个闸瓦，使闸瓦抱紧轮对踏面。闸瓦由闸瓦背和闸瓦面组成，闸瓦背用于将闸瓦固定在扎瓦托上，闸瓦面用于与轮对踏面发生摩擦。

闸瓦等制动装置是严重影响列车安全的重要部件，仅靠检修站人工检查，并不能保证这些部件状态万无一失，且由于人工检修效率低，容易发生遗漏部件、误报等情况，因此采用深度学习自动识别技术能更好地检测闸瓦故障，确保货车行车安全。

发明内容

本发明的目的是为了解决现有方法对列车闸瓦图像进行检查，存在成本高、效率低下、准确性低的问题，而提出闸瓦折断目标检测方法。

闸瓦折断目标检测方法具体过程为：

步骤一、线阵图像获取；

步骤二、粗定位；

步骤三、生成对抗网络DCGAN，基于对抗网络DCGAN生成故障图像；

对抗网络由判别模型和生成模型两部分组成，其中判别器中采用下采样的卷积，生成器中采用上采样的卷积；具体过程为：

步骤三一：构建对抗网络DCGAN判别模型；

步骤三二：构建对抗网络DCGAN生成模型；

步骤四、建立深度学习训练数据集；

步骤五、故障目标分割；

步骤六、基于训练好的分割网络模型进行预测，得到故障部件的信息。

本发明的有益效果为：

对货车进行自动化故障检测具有重要意义。通过对行驶中的货车进行拍摄，获取动车全车图像。结合图像处理、模式识别和深度学习等领域的知识。实现故障自动识别及报警，人工只需对报警结果进行确认，最终实现从人检作业向机检作业的转变，有效节约设备使用单位的人力成本，提高作业质量和作业效率。

本发明利用固定设备搭载照相机或摄像机，对高速运动的货车进行拍摄，拍摄货车的上部、两侧及底部的全车图像。根据轴距信息和部件的位置的先验信息，在线阵图像大图，获得包含侧部闸瓦部件的粗定位区域。利用深度卷积生成对抗网络DCGAN(DeepConvolutional Generative Adversarial Networks)生成多形态的闸瓦故障图像，并用生成的故障图像和粗定位图像进行图像融合、图像模糊操作，构建多故障形态的神经网络训练集。搭建神经网络结构，多次训练神经网络至模型收敛，获得参数权重。在实际测试中，加载神经网络权重，对拍摄到的部件图像采用分割网络进行预测，并判断是否为故障图像，如果是故障则对故障区进行报警。