[发明专利]一种基于深度学习的铁路货车轴承甩油故障检测方法

说明书

本发明提供一种基于深度学习的铁路货车轴承甩油故障检测方法，包括以下步骤：获取轴承区域图像，构建训练集；搭建轴承甩油故障检测网络；对所述训练集进行预处理，分批送入所述故障检测网络进行训练，通过调整参数得到最终的故障检测模型；获取待检测图像，处理后输入所述故障检测模型，计算异常分数，得到轴承甩油故障检测结果。本发明准确率高、实时性高的自动化检测方法，其解决了现阶段只能通过动态检车员肉眼识别图像判断故障带来的视觉疲劳造成误检漏检的问题。以深度卷积神经网络为基础，采取了自编码器与生成对抗网络的结构，自编码器与生成对抗网络结合能够较为自然地重建特定分布的图片，这对于故障检测具有更为强大的特征提取能力。

技术领域

本发明涉及铁路货车图像识别与故障检测技术领域，特别涉及一种基于深度学习的铁路货车轴承甩油故障检测方法。

背景技术

随着国民经济的发展与铁路运输需求的不断提高，铁路货运规模不断扩大，而铁路货车故障直接影响了列车运行安全。滚动轴承作为铁路货车侧架的重要组成部位，容易出现甩油、挡键丢失等故障，轻则影响列车行驶，重则造成行车事故。

通常情况下，铁路货车的故障检测是通过动态检车员与高速摄像机抓拍系统相结合的方式来完成的。动态检车员通过检查高速摄像机抓拍后的图像，肉眼判断货车是否出现故障，对故障部位进行标记，从而对重点故障进行预报，保障货车的运行安全。此种情况下，动态检车员每天需要查看大量重复的整车图片，极其容易产生视觉疲惫从而导致人工漏判、误判。

因此需要设计一种准确度高、实时性高的自动化检测方法。

发明内容

发明目的：本发明的目的是为了解决现有的铁路货车轴承甩油故障识别只能由人工肉眼完成的问题，提出了一种基于深度学习的铁路货车轴承甩油故障检测方法，节省了人力物力，方便铁路动态检车员迅速进行故障排查。

技术方案：本发明为实现上述目的采用如下技术方案：一种基于深度学习的铁路货车轴承甩油故障检测方法，其特征在于，所述检测方法包括以下步骤：

S1：获取轴承区域图像，利用所述图像构建训练集；

S2：搭建轴承甩油故障检测网络；

S3：对所述训练集进行预处理，分批送入所述故障检测网络进行训练，通过调整参数得到最终的故障检测模型；

S4：获取待检测图像，处理后输入所述故障检测模型，计算异常分数，得到轴承甩油故障检测结果。

优选的，步骤S1中首先通过高速摄像机获取铁路货车运行时的整车图像，包括侧架、中间部、车钩钩缓部位，之后进行部位筛选，选取包含轴承的侧架部位的图像，对获取的侧架部位的图像使用霍夫圆变换进行圆检测，通过设置不同的半径阈值过滤干扰的圆形，定位到侧架部位的轴承区域，将轴承区域进行裁剪，剪裁后的多个轴承区域图像组成故障检测网络的训练集。

优选的，步骤2中基于深度异常检测算法的研究搭建轴承甩油图像故障检测网络，其由编码器Encoder1、解码器Decoder、编码器Encoder2与判别器Discriminator组成；

其中：编码器Encoder1由4个卷积层与1个全连接层组成，输入图像通过编码器Encoder1编码为隐空间向量z₁；

解码器Decoder由1个全连接层与4个反卷积层组成，将隐空间向量z₁输入解码器，解码成为重建图像；

编码器Encoder2：编码器Encoder2由4个卷积层与1个全连接层组成，步骤S32生成的重建图像输入编码器Encoder2中，编码为隐空间向量z₂；

判别器Discriminator：判别器Discriminator由4个卷积层与1个全连接层组成，其接收尺寸为64×64×3的输入图像，输出其真实性得分，该得分代表了该输入图像的真实概率。