一种机车油压减震器漏油故障自动检测方法与流程

1.本发明涉及车轮检修技术领域，具体为一种机车油压减震器漏油故障自动检测方法。


背景技术：

2.油压减震器是铁道机车车辆上的一个重要部件，由于机车车辆的车轮和钢轨面之间是钢对钢的接触，因此，车轮表面的不规则和轨道的不平顺都直接经车轮传到悬挂部件上去，使机车车辆各部分高频和低频振动，如果这种振动不经过减震器来衰减，就会降低机械部件的结构强度和使用寿命，恶化运行品质。
3.在近年的机车故障事故中，油压减震器漏油事故占到总故障的50％左右，排在故障类型首位，传统的油压减震器故障的检测一般由人工审核车底图片来完成，由于数据量巨大且人工容易受到视觉疲劳的干扰，且检测结果易出现错误，检出率较低，为此，我们提出机车油压减震器漏油故障自动检测方法以解决上述问题。


技术实现要素：

4.针对现有技术的不足，本发明提供了一种机车油压减震器漏油故障自动检测方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种机车油压减震器漏油故障自动检测方法，包括以下步骤：
6.s1、获取抓拍图及档案图：获取列车底部抓取图片以及历史存档图片；
7.s2、油压减震器检测：对两张图片采用基于深度学习的矩形目标检测算法，先定位油压减震器的矩形区域；
8.s3、是否漏油粗分类：对抓拍图像检测出的矩形区域进行预处理后，送入分类网络进行粗分类；
9.s4、数据对比、特征提取及相似度计算：对抓拍图粗分类为存在异常的图片，采用基于深度学习孪生网络，将档案图片定位区域及抓拍图片定位区域进行比对，判断是否存在异常。
10.进一步优化本技术方案，所述步骤s2中包括s21、收集包含列车油压减震器的图片；
11.s22、用矩形框标注出油压减震器所在区域；
12.进一步优化本技术方案，所述步骤s2中s23、将矩形框坐标信息与列车图片送入基于深度学习的矩形目标检测网络进行训练。
13.进一步优化本技术方案，所述步骤s2中包括s24、使用训练得到的模型预测出目标图片的矩形框候选区域，对候选区域进行nms非极大值抑制，并根据设置置信度使用阈值过滤，当前预测得到的矩形框目标区域置信度大于设定的阈值theta时，输出最终的矩形框目标区域信息。
14.进一步优化本技术方案，所述步骤s3中包括s31、由于油压减震器漏油样本数量少，在训练分类网络之前，使用gan网络生成负样本；
15.s32、在分类器训练时，使用resnet深度残差网络作为基网络提取图像特征。
16.进一步优化本技术方案，所述步骤s3中包括s33、添加dropout及focalloss层解决过拟合和样本不均衡问题；
17.s34、在全连接层前加globalpooling层解决输入样本尺寸归一化问题；
18.s35、设定阈值，对油压减震器样本进行粗分类。
19.进一步优化本技术方案，所述步骤s4中包括s41、获取档案图片与当前抓拍图片；
20.s42、将两张图片同时送到孪生网络提取特征；
21.孪生网络训练时的损失函数为：
22.loss1＝error_same(x1,x2)；
23.loss2＝error_different(x1,x2)；
24.loss＝loss1-loss2+α；
25.当历史图片与当前图片无差异时，我们要使损失函数最小，相当于使loss1尽可能的小，可以理解为这个网络识别两张图片为同一张图片的能力尽可能的强；
26.当历史图片与当前图片有差异时，我们相当于使loss2尽可能的大，可以理解为这个网络区别这个图片存在差异的能力尽可能的强；
27.参数α是为了避免损失函数为0而设定的。
28.进一步优化本技术方案，所述步骤s4中包括s43、对提取到的特征计算相似度，设定阈值，比对是否存在差异。
29.有益效果
30.与现有技术相比，本发明提供了一种机车油压减震器漏油故障自动检测方法，具备以下有益效果：
31.该机车油压减震器漏油故障自动检测方法，通过获取抓拍图及档案图，定位油压减震器的矩形区域，是否漏油粗分类，数据对比、特征提取及相似度计算，相对于人工审核图片的方法，利用深度学习的智能检测算法在准确性和实时性上都有着较大的优势，节约了人力成本，提高了列车检查效率。
附图说明
32.图1为本发明提出的一种机车油压减震器漏油故障自动检测方法的流程示意图；
33.图2为本发明提出的一种机车油压减震器漏油故障自动检测方法的检测矩形框示例图。
具体实施方式
34.下面将结合本发明的实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
35.请参考图1-图2本发明公开了一种机车油压减震器漏油故障自动检测方法，包括
以下步骤：
36.s1、获取抓拍图及档案图：获取列车底部抓取图片以及历史存档图片，图2中左侧为历史存档图片，右侧为抓取图片；
37.s2、油压减震器检测：对两张图片采用基于深度学习的矩形目标检测算法，先定位油压减震器的矩形区域，所述步骤s2中包括s21、收集包含列车油压减震器的图片；s22、用矩形框标注出油压减震器所在区域；s23、将矩形框坐标信息与列车图片送入基于深度学习的矩形目标检测网络进行训练；s24、使用训练得到的模型预测出目标图片的矩形框候选区域，对候选区域进行nms非极大值抑制，并根据设置置信度使用阈值过滤，当前预测得到的矩形框目标区域置信度大于设定的阈值theta时，输出最终的矩形框目标区域信息；
38.s3、是否漏油粗分类：对抓拍图像检测出的矩形区域进行预处理后，送入分类网络进行粗分类，所述步骤s3中包括s31、由于油压减震器漏油样本数量少，在训练分类网络之前，使用gan网络生成负样本；s32、在分类器训练时，使用resnet深度残差网络作为基网络提取图像特征；s33、添加dropout及focalloss层解决过拟合和样本不均衡问题；s34、在全连接层前加globalpooling层解决输入样本尺寸归一化问题；s35、设定阈值，对油压减震器样本进行粗分类；
39.s4、数据对比、特征提取及相似度计算：对抓拍图粗分类为存在异常的图片，采用基于深度学习孪生网络，将档案图片定位区域及抓拍图片定位区域进行比对，判断是否存在异常，所述步骤s4中包括s41、获取档案图片与当前抓拍图片；s42、将两张图片同时送到孪生网络提取特征；
40.孪生网络训练时的损失函数为：
41.loss1＝error_same(x1,x2)；
42.loss2＝error_different(x1,x2)；
43.loss＝loss1-loss2+α；
44.当历史图片与当前图片无差异时，我们要使损失函数最小，相当于使loss1尽可能的小，可以理解为这个网络识别两张图片为同一张图片的能力尽可能的强；
45.当历史图片与当前图片有差异时，我们相当于使loss2尽可能的大，可以理解为这个网络区别这个图片存在差异的能力尽可能的强；参数α是为了避免损失函数为0而设定的；
46.包括s43、对提取到的特征计算相似度，设定阈值，比对是否存在差异。
47.本发明的有益效果是：获取列车底部抓取图片以及历史存档图片，用矩形框标注出油压减震器所在区域，将矩形框坐标信息与列车图片送入基于深度学习的矩形目标检测网络进行训练，使用训练得到的模型预测出目标图片的矩形框候选区域，对候选区域进行nms非极大值抑制，并根据设置置信度使用阈值过滤，当前预测得到的矩形框目标区域置信度大于设定的阈值theta时，输出最终的矩形框目标区域信息，在训练分类网络之前，使用gan网络生成负样本，在分类器训练时，使用resnet深度残差网络作为基网络提取图像特征，添加dropout及focalloss层解决过拟合和样本不均衡问题，在全连接层前加globalpooling层解决输入样本尺寸归一化问题，设定阈值，对油压减震器样本进行粗分类，将两张图片同时送到孪生网络提取特征，当历史图片与当前图片无差异时，我们要使损失函数最小，相当于使loss1尽可能的小，可以理解为这个网络识别两张图片为同一张图片
的能力尽可能的强，当历史图片与当前图片有差异时，我们相当于使loss2尽可能的大，可以理解为这个网络区别这个图片存在差异的能力尽可能的强，对提取到的特征计算相似度，设定阈值，比对是否存在差异，差异较大则进行警报提醒，相对于人工审核图片的方法，利用深度学习的智能检测算法在准确性和实时性上都有着较大的优势，节约了人力成本，提高了列车检查效率。
48.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。