[发明专利]一种用于列车闸片部件异常检测的方法

说明书

本发明公开了一种用于列车闸片部件异常检测的方法，步骤如下：步骤一、将采集到的闸片数据进行图像预处理；步骤二、利用Yo l oV4‑t i ny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，Yo l oV4‑t i ny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Yo l oV4‑t i ny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；步骤四、通过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Yo l oV4‑t i ny以及改进OC‑CNN的检测结果，得到整个闸片的详细异常信息。本发明Yo l oV4‑t i ny与OC‑CNN组成一个完整的闸片异常检测模型，能够快速，准确，高效完成闸片的异常检测。

技术领域

本发明涉及列车部件异常检测领域，具体涉及一种用于列车闸片部件异常检测的方法。

背景技术

随着我国经济快速发展，中国内地轨道里程稳居世界第一。不论是速度还是效率，都取得了巨大的进步。而在列车的维护上，传统的人工检测依然占据绝大部分。传统故障检测中，检修人员工作环境恶劣、列车数量众多，需要大量人力物力，效率低可靠性差等，这与当今不断自动化、智能化的时代格格不入。迫切需要一门高效率、高准确率同时低成本的技术来对列车故障进行自动检测，保障列车的安全运营。得益于机器学习和深度学习的发展，基于计算机视觉的异常检测拥有了落地的可能。

目前计算机视觉的主要落地的应用在于人脸识别、对象分类等领域。对于故障诊断方面，主流的研究方向主要有三个：(1)模板匹配法，通过待测图片与标准模板之间近似度来判断是否存在异常，该方法极易受到成像环境以及污渍等干扰，有着苛刻的适用范围。(2)基于统计学的机器学习法，是通过对样本进行特征提取后根据特征分布进行分类。其关键在于特征提取的算法，需要根据不同的目标设计不同的算法，鲁棒性较差。同时当检测对象处于较复杂的环境时，容易受到环境影响，因此可靠性难以得到保障。针对小缺陷，其整体的特征差异可能难以达到阈值，对应用目标有较大约束。(3)基于深度学习的缺陷检测，该模型需要大量的数据集对神经网络进行训练，需要对每一类的异常进行学习才能得到较好的网络权重，深度学习模型的神经网络能够有效抑制光照条件、污渍等环境对检测结果的影响。然而在实际工程项目中，正负样本比例差距巨大，负样本较少，因此往往无法训练出效果满意的模型。

从上诉背景中可以清晰地得到利用计算机视觉进行故障诊断必须要解决的四个关键点是：(1)算法模型必须能够有效抑制环境因素的干扰，如光照、污渍等，具有强鲁棒性。(2)算法模型需要在少量负样本的情况下，能够训练出效果满意的模型，才具有工程可行性。(3)算法模型必须具备高精度、低误检以及零漏报率，这是代替人工检修保障列车安全行驶的重点。(4)高效率，列车检修的时间只能是运营空期，在这个空期内需要完成对整个列车的检查与维修。

因此，亟需一种检测效率高，同时需要算法模型在短时间内准确完成项点的检测方法。

发明内容

为解决现有技术中存在的问题，本发明提供了一种用于列车闸片部件异常检测的方法，能快速完成列车闸片部件的异常检测，高准确率，能够在负样本不足，正负样本不均衡时完成部件的异常检测，解决了上述背景技术中提到的问题。

为实现上述目的，本发明提供如下技术方案：一种用于列车闸片部件异常检测的方法，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；