[发明专利]一种铁路货车锁紧板装置多种故障形态检测方法

说明书

一种铁路货车锁紧板装置多种故障形态检测方法，属于铁路货车运行领域。本发明为了解决由于锁紧板装置容易出现松动、位移导致无法对交叉杆起到固定作用，而影响行车安全的问题。本发明通过轨道周围搭建的图像检测系统收集不同车辆图像组成货车锁紧板样本数据集；并建立改进的YOLACT深度学习实例分割模型；基于获取的锁紧板样本数据集和改进的YOLACT深度学习实例分割模型，改进的YOLACT深度学习实例分割模型多次训练，训练的最优模型作为锁紧板部件的分割模型；经实例分割模型分割出锁紧板区域后，对锁紧板区域二值化，根据分割后的二值化结果判断锁紧板的具体故障类型。本发明用于铁路货车锁紧板故障检测。

技术领域

本发明涉及一种铁路货车锁紧板装置多种故障形态检测方法。属于铁路货车运行领域。

背景技术

随着我国铁路事业的迅猛发展，铁路安全尤为重要，在铁路货车技术全面提高的大背景下，迫切需要及时发现货车运行过程中出现的部件故障，避免造成严重的后果。锁紧板装置是货车紧固底部交叉杆的重要装置，是转向架的支点，对转向架起到支撑作用，由于在运行过程中交叉杆不断地在受力运动，两端的锁紧板装置也会随之出现松动、锁紧板移位、甚至严重者出现破损、变形、丢失，无法对交叉杆起到固定作用，影响行车安全。

在此背景下，采用机器检测与人工检测相结合的方式更好的保证了故障被发现的概率，不仅能提高工作效率，也能降低人工列检的时间和成本，大大降低了安全隐患。

发明内容

本发明是为了解决由于锁紧板装置容易出现松动、位移导致无法对交叉杆起到固定作用，而影响行车安全的问题。现提供一种铁路货车锁紧板装置多种故障形态检测方法。

一种铁路货车锁紧板装置多种故障形态检测方法，包括：

步骤一、建立锁紧板图像样本库，获取锁紧板样本数据集；

步骤二、建立改进的YOLACT深度学习实例分割模型；

步骤三、基于获取的锁紧板样本数据集和改进的YOLACT实例分割模型，进一步对改进的YOLACT深度学习实例分割模型进行多次训练；观察训练过程中的loss误差下降曲线，直至训练出最优模型并导出，作为锁紧板部件的分割模型；

步骤四、经过实例分割模型分割出锁紧板区域后，对锁紧板区域二值化，将锁紧板位移、锁紧板缺损和锁紧板变形情况分割出来，根据分割后的二值化结果，判断锁紧板的具体故障类型。

有益效果

1、将深度学习技术和图像处理技术应用到铁路货车故障检测中，实现了故障的自动识别，能够提高故障检测效率，降低了列检时间和列检成本，也降低了危机行车安全的风险。

2、采用改进的YOLACT实例分割模型，在保证原YOLACT模型速度快的特点的同时大大提高了模型的分割精度，达到了实时过车实时检测故障的速度要求，同时分割精度也能够满足锁紧板装置的分割精度要求。

3、在故障判别阶段，采用图像处理技术处理分割出的锁紧板区域，能够将锁紧板装置故障形态细分，使故障报警信息更加准确，更方便人工进一步核实具体发生的故障情况，而且大大降低了货车运行的安全隐患。

附图说明

图1为故障识别整体流程图；

图2为可变形卷积核示意图；

图3为mask重评分分支结构图；

图4为正常锁紧板区域分割结果图；

图5为锁紧板位移区域分割结果图；

图6为锁紧板缺损区域分割结果图；

图7为锁紧板变形区域分割结果图；

具体实施方式