[发明专利]火车机车机感吊架故障检测方法

说明书

火车机车机感吊架故障检测方法，属于机车故障检测领域。解决了如何提高火车机车机感吊架故障故障检测的准确率和效率的问题。本发明首先建立训练用的样本数据集，再利用Faster‑rcnn目标检测网络模型对样本数据集进行特征提取，从而获得加载有权重系数的Faster‑rcnn目标检测网络模型；然后，使用tensorRT网络模型对加载有权重系数的Faster‑rcnn目标检测网络模型进行优化，获得优化后的训练模型；利用双目立体成像原理采集火车机车运行中机感吊架图像，将该采集的机感吊架图像作为待识别图像输入至优化后的训练模型中，进行故障类别预测。主要用于对机车吊架故障进行检测。

技术领域

本发明属于机车故障检测领域。

背景技术

目前货车故障检测，一般采用人工排查的方式进行故障检修。由检测作业受作业人员的业务素质、责任心、劳动强度等因素影响较大，容易发生漏检或简化作业等情况。人工检测工作效率低，一旦出现作业质量问题，不利于查找作业过程中产生问题的原因和问题发生的时间。

机感吊架安装在火车机车底部，在行进过程中，位于铁轨上方，无法在部件正下方安装相机拍摄其图像，因此，必须由双侧线阵相机分别拍摄其两侧图像，再根据双目视觉原理进行空间坐标系变化，可精确定位机感吊架位置，获得机感吊架完整图像。

随着芯片硬件处理性能的巨大提升，为深度网络的复杂计算提供了基础。深度学习广泛应用在图像处理领域，相对与传统方式深度学习将特征学习融入到了建立模型的过程中，能够有效提高故障检测的准确率和效率。因此，如何提高机感吊架故障故障检测的准确率和效率亟需解决。

发明内容

本发明是为了解决如何提高火车机车机感吊架故障故障检测的准确率和效率的问题，本发明提供了一种火车机车机感吊架故障检测方法。

火车机车机感吊架故障检测方法，包括如下步骤：

步骤一、建立训练用的样本数据集，样本数据集包括机感吊架故障图像样本和机感吊架非故障图像样本，对每个图像样本中的机感吊架进行区域划分，并对各区域进行标记，对每个标记的区域配置类别标签，所述类别标签包括区域名称和故障类别；

步骤二、利用Faster-rcnn目标检测网络模型对样本数据集进行特征提取，获得所有图像样本的特征图，利用RPN网络对所有图像样本的特征图进行处理生成检测建议框，根据检测建议框提取建议特征，根据建议特征及类别标签获得分类的权重系数，从而获得加载有权重系数的Faster-rcnn目标检测网络模型；

步骤三、使用tensorRT网络模型对加载有权重系数的Faster-rcnn目标检测网络模型进行优化，获得优化后的训练模型；

步骤四、利用双目立体成像原理采集火车机车运行中机感吊架图像，将该采集的机感吊架图像作为待识别图像输入至优化后的训练模型中，进行故障类别预测，从而获得所检测的机感吊架各区域是否存故障及故障类别。

优选的是，步骤一中，机感吊架所划分的区域包括吊架表面区域、螺母区域和螺栓区域。

优选的是，步骤二中，Faster-rcnn目标检测网络模型采用VGG-19网络结构实现。

原理分析：具体应用时，在货车轨道两侧安装高清成像设备，货车经过设备安装位置后，获取双侧图像，根据双目视觉原理计算机感吊架空间信息，进一步进行图像拼接得到吊架完成图像，利用深度学习网络模型Faster-rcnn，检测采集的图像中机感吊架的各区域故障信息从而完成故障检测。工作人员根据图像的识别结果做出相应的处理，保证机车安全运行。

本发明带来的有益效果是，

1、利用图像自动识别的方式代替人工检测，提高故障识别检测效率、准确率，降低人力成本。

2、深度学习应用到部件定位及故障检测中，能够有效提高算法的鲁棒性和准确率。