[发明专利]一种钩尾销插托错位和螺母丢失故障检测方法

说明书

一种钩尾销插托错位和螺母丢失故障检测方法，解决了现有钩尾销故障检测效率低的问题，属于货车故障检测技术领域。本发明包括：采集货车底部图像，构建出钩尾销插托装置数据集；建立基于深度神经网路的分割模型，分割模型中引入空间关注层将边缘检测的纹理信息转化成神经网络中更关注的目标，利用钩尾销插托装置数据集对分割模型进行训练，确定分割模型的参数；获取待检测钩尾销插托装置原始图像中的LBP特征，将待检测钩尾销插托装置原始图像和LBP特征叠加后输入到确定参数的分割模型中，分割出钩尾销插托装置图像；对分割出的钩尾销插托装置图像进行判断，判断是否出现钩尾销插托错位和螺母丢失故障，若出现故障，进行报警。

技术领域

本发明涉及一种基于深度学习的钩尾销插托错位和螺母丢失故障检测方法，属于货车故障检测技术领域。

背景技术

长期以来，车辆段采用人工查看图像的方法对货运列车进行全车检查，一直存在高成本、低效率等问题。同时采用人工查看图像工作枯燥，容易懈怠，有效工作时间有限，效率低下，会出现遗漏部件、误报等情况，难以保障准确率。

钩尾销插托错位和螺母丢失是钩尾销安全装置中重要的部分，能保证列车高速运转下安全运行，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，有效节约单位的人力成本，提高作业质量和作业效率。

发明内容

针对现有钩尾销故障检测效率低的问题，本发明提供一种基于深度学习的钩尾销插托错位和螺母丢失故障自动检测方法。

本发明的一种钩尾销插托错位和螺母丢失故障检测方法，其特征在于，该方法包括：

S1、采集货车底部图像，构建出钩尾销插托装置数据集；

S2、建立基于深度神经网路的分割模型，利用钩尾销插托装置数据集对基于深度神经网络的分割模型进行训练，确定分割模型的参数；

S3、获取待检测钩尾销插托装置原始图像中的LBP特征，将待检测钩尾销插托装置原始图像和LBP特征叠加后输入到确定参数的分割模型中，分割出钩尾销插托装置图像；

S4、对分割出的钩尾销插托装置图像进行判断，判断是否出现钩尾销插托错位和螺母丢失故障，若出现故障，进行报警。

作为优选，S2中，分割模型包括骨干网络和空间关注层；骨干网络包括编码器和解码器；

待检测钩尾销插托装置原始图像及其LBP特征叠加输入到编码器，编码器进行编码后，输入至解码器；

采用拉普拉斯边缘检测方法对待检测钩尾销插托装置原始图像进行边缘检测，获取边缘纹理信息，将该边缘纹理信息输入至空间关注层，空间关注层输出带有关注边缘信息的特征图到解码器；

解码器根据带有关注边缘信息的特征图对输入的编码进行解码，输出钩尾销插托装置图像。

作为优选，空间关注层包括依次连接的1个3*3的卷积层、1个1*1的卷积层、1个3*3的卷积层和1个4*4的最大池化层，空间关注层的分辨率设置为64*64。

作为优选，编码器包括6个依次连接的下采样的编码单元，其中前3个编码单元相同，且每个编码单元均包括依次连接的2个3*3的卷积层、激活层、归一化层和最大池化层；

后3个编码单元相同，且每个编码单元均包括依次连接的3个3*3的卷积层、激活层、归一化层和最大池化层。

作为优选，解码器包括6个依次连接的上采样的解码单元，且每个解码单元均包括依次连接的1个3*3的卷积层、1个4*4的转置卷积层和2个激活层。

作为优选，S2还包括：