[发明专利]一种用于列车闸片部件异常检测的方法

权利要求书

1.一种用于列车闸片部件异常检测的方法，其特征在于，所述检测方法中的模型检测步骤如下：

步骤一、将数据采集设备采集到的闸片数据进行图像预处理，符合模型输入格式；

步骤二、利用YoloV4-tiny目标检测模型加载训练好的权重文件，对闸片图片进行钩子部件定位以及销子部件的异常检测，YoloV4-tiny目标检测模型对销子进行一步到位检测并输出检测结果；

步骤三、同时利用YoloV4-tiny目标检测模型对钩子部件定位，将钩子部件区域截出，再使用改进的OC-CNN异常检测网络对钩子截图进行检测；所述改进的OC-CNN异常检测网络是指引入负样本进行监督学习的OC-CNN；

步骤四、通过改进的OC-CNN检测钩子截图得到异常分数，判断钩子是否存在异常并输出检测结果；

步骤五、综合YoloV4-tiny以及改进OC-CNN的检测结果，得到整个闸片的详细异常信息；

在模型检测之前还有个模型训练的步骤，所述模型训练步骤如下：

步骤S1、通过数据采集设备取得列车闸片部件的图片；

步骤S2、采用Labelimg打标签软件对采集到的闸片图片进行打标签，制成VOC格式的数据集；

步骤S3、构建闸片异常检测模型的训练集与测试集，经过训练后得到YoloV4-tiny权重文件；所述训练集中包括1300张正样本闸片图片和938张异常的闸片图片；所述测试集中包括1338张闸片图片；

步骤S4、通过训练好的YoloV4-Tiny模型检测正样本闸片图片，通过网络的定位截取，获得1000张正常状态下的钩子截图，然后再额外加入70张钩子异常的截图图片，制成OC-CNN网络数据集，最后完成对OC-CNN进行的训练。

2.根据权利要求1所述的用于列车闸片部件异常检测的方法，其特征在于：所述步骤一中的图像预处理是将图片格式处理成PIL.Image，通道数为3，确保符合模型输入格式。

3.根据权利要求1所述的用于列车闸片部件异常检测的方法，其特征在于：所述步骤四中的得到的异常分数若高于0.25，则判断钩子部件正常；若低于0.25，则判断钩子部件异常。

4.根据权利要求1所述的用于列车闸片部件异常检测的方法，其特征在于：所述步骤S3中的异常闸片图片包括销子缺失、钩子缺失或钩子变形。

5.根据权利要求1所述的用于列车闸片部件异常检测的方法，其特征在于：所述步骤S3中的异常的闸片图片是通过PS或数据增强处理得到的。

6.根据权利要求1所述的用于列车闸片部件异常检测的方法，其特征在于：所述检测方法中模型检测速度在CPU运行下达到0.2张/s，能够实现对闸片异常进行实时的检测。