[发明专利]一种地铁夹钳外观异常检测的方法

说明书

本发明公开了一种地铁夹钳外观异常检测的方法，包括：首先利用架设在列车两侧的高速相机采集夹钳图像；通过Faster R‑CNN对杆件部分先定位然后对杆件部分进行检测，判断杆件是否出现异常；Faster R‑CNN对夹钳整图中的弹簧部分进行定位并截取，如果没有截取到弹簧部件，可判断为弹簧丢失，否则将截取获得的弹簧图像与对应的正常弹簧图像进行高度比对，判断弹簧是否部分缺失；如果弹簧不存在部分缺失异常，将弹簧图像送入OC‑CNN网络，判断弹簧是否存在裂纹。本发明提出利用Faster R‑CNN与OC‑CNN算法对列车夹钳部分进行异常诊断，能够有效的避免由于天气、光照等原因的影响，提高算法的鲁棒性。

技术领域

本发明涉及一种检测技术领域，具体涉及一种地铁夹钳外观异常检测的方法。

背景技术

近些年，随着科技发展与时代进步，我国铁路运输事业迎来了快速发展，列车运行速度已达到了前所未有的水平。列车在高速运行时任何细微的故障都有可能造成重大事故，这使得对列车外观零部件的故障检查和定期维护变得尤为重要。目前，列车的故障巡检大都是人工模式，一方面人工巡检会消耗大量的人力物力对企业的盈利造成影响，另一方面巡检人员长时间导致工作疲劳使得某些故障被忽略从而对列车的安全运行带来重大隐患。这些原因导致人工巡检已不能满足铁路事业高速发展的需要，因此，有必要将机器视觉应用到列车的故障诊断上面。

目前，基于机器视觉的故障诊断技术在国内外的研究还比较少，特别是针对包含多种类型的复合故障，暂时还没有一种通用的算法来实现其检测。目前机器视觉的故障诊断方法包括以下三种：(1)模板匹配：通过计算得到标准模板图像与待检测图像通过相似度，再与设置阈值进行比较，从而判断异常。(2)机器学习：传统的机器学习方法包括了特征提取和分类两个步骤，其中特征提取步骤在不同的应用场景下需要制定不同的特征提取方法，再将提取的特征进行一分类算法判断故障，由于实际工作场景复杂带来的特征提取的多样性通常使得机器学习模型在实际的工作中精度不高，鲁棒性不高。(3)深度学习：通过大量的数据对神经网络进行拟合，能广泛用于复杂场景下的检测。神经网络在实际工作场景下需要获取大量的正样本和负样本进行训练，但在大多数工作场景中，负样本极其少见且难以获得，这使得深度学习在应用场景下面临一定的局限性。

为了满足真实场景下的需求，基于计算机视觉的故障诊断方法必须要考虑到以下两点：(1)检测精度：作为机器视觉技术代替人工巡检的关键，模型的故障诊断要达到较高的精度，即零漏检，低误检，具备取代人工巡检的可行性。(2)推理时间：由于机器视觉模型本身的复杂度以及巨大的计算量，模型通常会消耗较多的时间去推理一张高像素的图片，这对于实际的工业场景显然不能接受。

发明内容

本发明提出一种用于地铁夹钳部分外观异常检测的方案，能够以较高的准确率识别地铁夹钳部分是否异常，从而让工人对应检修；有效的解决实际场景下负样本极少，正负样本极不均衡情况下的异常检测。

本发明通过下述技术方案实现：

一种地铁夹钳外观异常检测的方法，包括：

步骤1：采集夹钳图像，并对图像进行预处理，得到预处理后的夹钳图像；

步骤2：将预处理后的夹钳图像输入到训练好的Faster R-CNN中，训练好的FasterR-CNN对预处理后的夹钳图像的杆件部分进行定位，再对杆件部分进行检测，直接判断杆件是否存在异常；

步骤3：采用训练好的Faster R-CNN对预处理后的夹钳图像的弹簧部分进行定位并截取，如果没有截取到弹簧部分时，则判断为弹簧异常，反之，执行步骤4；

步骤4：将截取到的弹簧图片与对应的标准弹簧图片模板进行比对，判断弹簧是否存在部分缺失的异常，如果弹簧不存在部分缺失的异常，则执行步骤5；

步骤5：将所截取的弹簧图片输入到训练好的OC-CNN网络中进行分类，判断弹簧是否存在异常。