本发明涉及轨道交通车辆设备故障诊断技术领域。更具体地，涉及一种受电弓碳滑板表面病害自动识别系统及方法。
背景技术：
城市轨道交通对城市交通出行与对城市发展的引导有着重要的作用。随着城市轨道交通的快速发展，对车辆部件的安全性提出了更高的要求。受电弓作为城轨列车供电系统的重要部件，因其复杂的工作环境，强烈的力学与电气作用，一直存在较高的故障率。因此，对受电弓故障的及时检测，对保障列车正常安全运营具有重大意义。受电弓出现严重故障时，可能会发生部件断裂缺失，阻碍弓网间正常受流，甚至对接触线造成损耗，从而对行车安全与线路设备造成重大危害。
现有的对于受电弓碳滑板表面磨耗的检测还多通过人工登车顶的方式进行，虽然可以实现对多种故障类型的综合识别，但对检测人员的技术水平与工作态度有较高的要求，且停车登顶的检修模式对行车也存在较大的干扰。开发行车干扰较小、识别功能多样、准确率高的受电弓滑板表面病害识别方法，实现对受电弓滑板磨耗情况进行在途高效检测，从而在不影响正常车辆运营的情况下，保障列车部件可靠与车辆的运营安全。
目前对于受电弓滑板表面磨耗自动化检测，按照其工作方式，可将其分为接触式检测与非接触式检测两种；对于非接触式检测，则可以按照检测信号的不同分为激光检测，超声波检测与图像检测这三种。相较之接触式检测，非接触式检测测对行车的干扰更少，且对弓网间的力学与电气作用基本无影响，进一步提高了检测的效率与准确性。而在非接触式检测手段中，利用激光的检测往往具有很高的精度，但是功能较为单一；超声波检测具有更广泛的功能，但是检测精度较为不足。
技术实现要素：
为了解决上述技术问题中的至少一个，本发明的一个方面提供了一种受电弓碳滑板表面病害自动识别系统，包括：
采集模块，采集受电弓滑板表面缺陷图像；
处理模块，所述处理模块包括：
归一单元，对采集的图像数据进行归一化操作；
转换单元，将归一化后的图像转换为数据集；
建模模块，构建网络模型，设置网络模型的参数；
训练模块，根据经过数据集的数据训练所述网络模型，所述网络模型生成保存有训练完成的参数和权值信息的文件；
调取模块，调用所述文件。
优选地，所述归一化包括：
尺寸归一化、色彩模式归一化、全局特征标准化以及图像去均值。
优选地，所述建模模块包括：
网络视觉层配置单元，通过配置卷积神经网络的视觉层中的卷积层、池化层、全连接层，实现数据集的数据特征的提取与识别；
网络超参数配置单元，在solver.prototxt文件中配置网络模型的超参数。
优选地，所述网络视觉层配置单元进一步配置卷积神经网络的视觉层中的dropout层。
优选地，所述建模模块进一步包括：
网络结构配置单元，配置网络结构的参数。
本发明另一方面提供一种受电弓碳滑板表面病害自动识别方法，包括：
采集模块采集受电弓滑板表面缺陷图像；
处理模块的归一单元对采集的图像数据进行归一化操作；
处理模块的转换单元将归一化后的图像转换为数据集；
建模模块构建网络模型，并设置网络模型的参数；
训练模块根据经过数据集的数据训练所述网络模型，所述网络模型生成保存有训练完成的参数和权值信息的文件；
调取模块调用所述文件。
优选地，所述建模模块构建网络模型，并设置网络模型的参数包括：
网络视觉层配置单元通过配置卷积神经网络的视觉层中的卷积层、池化层、全连接层，实现数据集的数据特征的提取与识别；
网络超参数配置单元在solver.prototxt文件中配置网络模型的超参数。
优选地，所述网络视觉层配置单元进一步配置卷积神经网络的视觉层中的dropout层。
优选地，所述建模模块构建网络模型，并设置网络模型的参数进一步包括：
网络结构配置单元，配置网络结构的参数。
本发明的有益效果如下：
本发明提供了一种受电弓碳滑板表面病害自动识别系统及方法，通过网络对图像数据的自主学习与特征提取，免除了传统手段的一系列图像预处理-图像增强-边缘检测-特征提取-目标识别等繁杂流程；网络对低级特征的非线性融合使得模型对病害高级特征的识别能够不受光照、位移、尺度等变化的影响，具有更好的鲁棒性；模型一旦训练完成，即可直接用于图像识别，且训练与使用过程均无需依赖人工对图像与模型进行复杂操作，具有更高的自动化与智能化程度。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出本发明第一方面的实施方式提供的一种受电弓碳滑板表面病害自动识别系统结构示意图。
图2示出本发明第一方面的实施方式中的受电弓三维坐标示意图。
图3示出本发明第一方面的实施方式中图像数据全局特征标准化示意图。
图4示出本发明第一方面的实施方式中数据去均值原理与效果示意图。
图5示出本发明第一方面的实施方式中串联卷积层示意图。
图6示出本发明第一方面的实施方式中dropout层的算法原理图。
图7示出利用本发明第二方面的实施方式中提供的一种受电弓碳滑板表面病害自动识别方法流程示意图。
图8示出图7中s400的具体流程示意图之一。
图9示出图7中s400的具体流程示意图之二。
图10示出本发明第二方面的实施方式中提供的方法对受电弓图像识别的测试准确率与误差变化图。
图11示出利用本发明第二方面的实施方式中提供的方法完成的算法模型对受电弓滑板表面病害图像识别的top-5结果图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
在附图中示出了根据本发明公开实施例的各种截面图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及他们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
轨道交通的高频次、大负荷使用，对列车受电弓的稳定性与可靠性提出了更高的要求。基于图像的受电弓滑板表面病害检测可以实现无行车干扰的自动故障检测。然而目前的图像检测技术，需对图像进行繁琐的图像预处理-图像增强-边缘检测-特征提取-目标识别等流程，不仅过程复杂，还需要大量数学、信号滤波、图像处理等多方面的知识积淀，对相关技术人员有着较高的要求。本发明提出利用深度学习理论，对受电弓碳滑板表面缺陷图像进行自动识别与分类。相较之传统的图像检测方法，深度学习仅需搭建适当的网络模型，并对原始图像进行简单的预处理，便可利用网络对其进行自主学习与特征提取，实现全自动的图像识别；模型一旦完成训练，即可直接用于图像识别。训练与使用过程均无需依赖人工对图像与模型进行复杂操作。网络对低级特征的非线性融合使得模型对病害高级特征的识别能够不受光照、位移、尺度等变化的影响，具有更好的鲁棒性，以及更高的自动化与智能化程度。
在本发明的第一方面中，请结合图1所示，提供一种受电弓碳滑板表面病害自动识别系统，包括：采集模块100，采集受电弓滑板表面缺陷图像；处理模块，所述处理模块200包括：归一单元201，对采集的图像数据进行归一化操作；转换单元202，将归一化后的图像转换为数据集；建模模块300，构建网络模型，设置网络模型的参数；训练模块400，根据经过数据集的数据训练所述网络模型，所述网络模型生成保存有训练完成的参数和权值信息的文件；调取模块500，调用所述文件。
其中，受电弓图像的采集由安装在隧道内的工业相机与面阵相机完成，采集方向为受电弓上方30-60度角斜向拍摄，通过对来车的感应，对车辆受电弓进行高速抓拍。此外，利用手持dslr相机与无反相机，采集车辆段换下的故障受电弓图片，对训练数据进行补充。
可选的，所述归一化包括：尺寸归一化、色彩模式归一化、全局特征标准化以及图像去均值。
其中，图像的尺寸归一化为：
将原始的长方形图像进行resize，转换为尺寸相同的正方形图像，即对图像的长度方向进行一定的压缩。如图2所示，定义列车行驶方向为受电弓的x轴，垂直于受电弓滑板条安装平面为z轴，与x-z平面垂直向右方向为y轴。通过图像可以看出，滑板表面磨耗痕迹表现为位置沿y轴呈一维分布，而深度沿z轴分布，同一弓条内x方向无明显区别。对图像高宽比进行拉伸的操作时，主要影响y方向的信息，而对z方向上的磨耗深度无明显影响。磨耗的显著程度可以由z'(y)反映，且有：
可以看出，拉伸操作会使得图像中的增大，使得缺陷更容易被识别。同时，由于没有改变磨耗深度占滑板厚度的比例，也没有改变缺陷沿y轴的位置分布，因此resize操作不会对病害的识别分类造成太大负面影响，反而使得原先的病害表现得更为明显，更有助于系统的识别。
此外，色彩模式归一化为：
所用的图像采集设备中，除隧道内工业光学相机与面阵相机所采集为灰度图像，其余均为rgb彩色图像。由于滑板表面缺陷仅存在几何尺度上的形变特征，对色彩数据不敏感，且经过试验可以看出，不同的色彩通道下的受电弓图像，对于滑板缺陷的识别不存在明显的区别，故均利用matlab将图像均转化为灰度图像。
进一步的，本系统所用的卷积神经网络在计算过程中，数据均分布于[0，1]的范围内，而标准灰度图像中数据分布于[0,255]范围内，因此需对灰度图像进行全局特征标准化，使其各个像素的数值范围均缩放至网络运算可用。其过程可由如图3所示。
此外，进行网络训练之前，对训练数据减去均值后，再进行其他操作，一方面可以降低未剔除的相似背景对特征识别的影响，另一方面可以突出不同类型病害的特征，便于特征的分类。如图4所示，数据去均值的归一化的过程即为一个将数据分布中心移至坐标原点的过程，从而降低了网络在权值初始化后漫长的迭代过程，使得网络可以在更短时间内达到收敛，完成对数据的分类。
进一步的，所述建模模块包括：网络视觉层配置单元，通过配置卷积神经网络的视觉层中的卷积层、池化层、全连接层，实现数据集的数据特征的提取与识别；网络超参数配置单元，在solver.prototxt文件中配置网络模型的超参数。网络通过反向传播调整这三层中的权值，实现对数据特征的提取与识别。
卷积层的框架如表1所示：
表1卷积层框架结构
其中，卷积层的配置包括：
i、基本信息
该部分主要定义网络层名称、层类型、顶层与底层的连接关系，以确定网络层连接关系，从而定义了网络结构与数据传递流向。
ii、参数调节速率
这一部分用以定义局部结构的学习率与其衰减速率。在基础学习率的基础上，通过定义本层学习率倍率，实现局部学习率的定义。由于每层传递过程中有两部分参数，即权值和偏置，故最多可以设置两组学习率定义。两组参数分别为权值与偏置的倍率，若仅有一组，则两项倍率相同。
iii、权值参数与初始化
该部分用以定义卷积层的卷积核尺寸，滑动步长与填充值等参数，同时对权值进行初始化，因此这部分是卷积层设置的最核心部分，决定了数据经过卷积层时的运算及对数据特征的提取策略，从而进一步影响了后续图像信息的提取与数据维度等。
在进行初始训练时，各卷积层的权值与偏置均需要通过初始化设定一个值，以进行数据传递，误差反向传播对于参数的调整也将在初始化参数的基础上进行，因此，参数初始化的方式对网络的训练效果与收敛速度有很大的影响。
对于池化层的配置，池化层多配置在卷积层之后，对卷积后的特征图进行下采样，以降低运算量和数据维度。池化层结构较为简单，仅存在对池化核的定义。
对于全连接层的配置，在卷积神经网络中，全连接层作为特征映射结构，通常配置在所有层的最后，将卷积层输出的二维特征图映射为一维特征向量，再进一步映射至所需的输出维度。与卷积层相同，全连接层的配置同样包括参数调节速率与权值参数及其初始化。
对于网络超参数配置，caffe框架下对深度学习模型超参数的配置在solver.prototxt文件中进行配置，其在网络训练过程中主要用于指示所用的训练网络和用于验证与评估的测试网络的所在路径；设置网络在前向与反向传播过程中的迭代次数；设置评价与显示间隔；配置网络快照的存储。请结合表2对solver.prototxt文件中对超参数的定义。
表2solver.prototxt文件中对超参数的定义
模型的学习率通过学习率衰减策略不断进行调整，以避免训练后期学习率过大导致的梯度爆炸。
本方面提供了一种受电弓碳滑板表面病害自动识别系统，通过网络对图像数据的自主学习与特征提取，免除了传统手段的一系列图像预处理-图像增强-边缘检测-特征提取-目标识别等繁杂流程；网络对低级特征的非线性融合使得模型对病害高级特征的识别能够不受光照、位移、尺度等变化的影响，具有更好的鲁棒性；模型一旦训练完成，即可直接用于图像识别，且训练与使用过程均无需依赖人工对图像与模型进行复杂操作，具有更高的自动化与智能化程度。
优选地，所述网络视觉层配置单元进一步配置卷积神经网络的视觉层中的dropout层。
dropout层是指在训练过程中随机关闭部分隐层结点的权重，使其不参与本轮迭代计算，但依然保留其在网络中的权值，减弱了神经元结点间的联合适应性，在一定程度上增强了网络的泛化能力。其原理如图5所示。
当网络的训练数据量较小而网络层数较多时，容易发生网络的过拟合现象，使得网络在训练集上判断准确率较高，而在验证集上误差较大，这样的网络即使训练效果较好，也难以进行推广使用。为降低网络的过拟合，在网络中设置dropout层，通过随机关闭网络连接，降低网络的复杂度，以降低网络的过拟合。
除标准配置的网络层基本信息之外，其网络参数仅包含dropout比例这一个参数，即根据此比例在相应层中随机挑选部分隐层结点，将其权重临时置为0使其不参与本轮迭代。该层多用于全连接层之后，且仅参与网络训练过程的运算。
优选地，所述建模模块进一步包括：网络结构配置单元303，配置网络结构的参数。
对网络整体结构的设置主要参照现有alexnet与vggnet的基础思想进行，即在对网络结构的设置过程中，卷积层大小由大至小递减；利用小尺度串联卷积层替代大尺度单一卷积层，在保证对图像的感受野不变的前提下，减少网络的参数数量，降低运算压力，同时增加非线性激活次数，使网络具有更好的效果。
卷积层对输入的二维数据进行特征提取时，其输出数据的尺寸变化符合规律如下：
其中k.size为卷积核尺寸，i.size与o.size分别为输入与输出图尺寸，stride为卷积核滑动步长，通常设置为1，pad为边界填充，通常设置为0。
故对于卷积核大小为ks的串联m次卷积，其等效卷积核大小kb可由如下表示：
kb＝m(ks-1)+1(3)
基于上式，如图6所示，两个3*3大小的卷积核串联布置，其感受野范围等效于一个5*5的卷积核。
由于卷积神经网络通过卷积层与池化层完成对图像的特征提取与识别工作，无需进行人工提取，因此对网络的训练与图像特征的提取直接利用处理模块得到的受电弓碳滑板表面病害图像数据集，执行建模模块，对模型中的参数与网络结构设置，进行网络训练。训练结束后，最终生成的*.caffemodel文件即为算法的模型文件，保留了训练完成的所有参数与权值信息，可通过调用该文件实现模型对受电弓碳滑板表面病害图像的识别分类。如图10所示，本方法最终对图像的识别准确率为90.625％左右，误差0.68左右，较之通行的alexnet网络模型，准确率提高了12.5％，误差由0.86降低了20.9％。如图11所示为利用训练好的网络模型对图片所示的病害类型进行识别，并输出top-5概率，所用图片分别隶属类别0，类别1与类别3，即分别为正常，过度磨耗，拉槽，右侧为网络对该图片的预测结果，其中左侧数字代表预测类别，右侧为该类别的概率。可以看到，对于所选的测试图像，该方法可以对其进行准确的识别判断。
本发明的第二方面中，结合图7，提供一种受电弓碳滑板表面病害自动识别方法，包括：
s100：采集模块采集受电弓滑板表面缺陷图像；
s200：处理模块的归一单元对采集的图像数据进行归一化操作；
s300：处理模块的转换单元将归一化后的图像转换为数据集；
s400：建模模块构建网络模型，并设置网络模型的参数；
具体的，请参照图8，所述建模模块构建网络模型，并设置网络模型的参数包括：
s411：网络视觉层配置单元通过配置卷积神经网络的视觉层中的卷积层、池化层、全连接层，实现数据集的数据特征的提取与识别；
s412：网络超参数配置单元在solver.prototxt文件中配置网络模型的超参数。
s500：训练模块根据经过数据集的数据训练所述网络模型，所述网络模型生成保存有训练完成的参数和权值信息的文件；
s600：调取模块调用所述文件。
本方面提供提供了一种受电弓碳滑板表面病害自动识别方法，通过网络对图像数据的自主学习与特征提取，免除了传统手段的一系列图像预处理-图像增强-边缘检测-特征提取-目标识别等繁杂流程；网络对低级特征的非线性融合使得模型对病害高级特征的识别能够不受光照、位移、尺度等变化的影响，具有更好的鲁棒性；模型一旦训练完成，即可直接用于图像识别，且训练与使用过程均无需依赖人工对图像与模型进行复杂操作，具有更高的自动化与智能化程度。
进一步的，在本方面一个优选的实施方式中，所述建模模块构建网络模型，请参照图9并设置网络模型的参数包括：
s421：网络视觉层配置单元通过配置卷积神经网络的视觉层中的卷积层、池化层、全连接层，实现数据集的数据特征的提取与识别；
s422：网络超参数配置单元在solver.prototxt文件中配置网络模型的超参数。
s423：所述网络视觉层配置单元进一步配置卷积神经网络的视觉层中的dropout层。
进一步的，所述建模模块构建网络模型，并设置网络模型的参数进一步包括：
s424：网络结构配置单元，配置网络结构的参数。
所述方法可以同时包括s423与s424步骤，也可以仅包括其中任意一个步骤，本发明不再赘述。
当网络的训练数据量较小而网络层数较多时，容易发生网络的过拟合现象，使得网络在训练集上判断准确率较高，而在验证集上误差较大，这样的网络即使训练效果较好，也难以进行推广使用。为降低网络的过拟合，在网络中设置dropout层，通过随机关闭网络连接，降低网络的复杂度，以降低网络的过拟合。
除标准配置的网络层基本信息之外，其网络参数仅包含dropout比例这一个参数，即根据此比例在相应层中随机挑选部分隐层结点，将其权重临时置为0使其不参与本轮迭代。该层多用于全连接层之后，且仅参与网络训练过程的运算。
对网络整体结构的设置主要参照现有alexnet与vggnet的基础思想进行，即在对网络结构的设置过程中，卷积层大小由大至小递减；利用小尺度串联卷积层替代大尺度单一卷积层，在保证对图像的感受野不变的前提下，减少网络的参数数量，降低运算压力，同时增加非线性激活次数，使网络具有更好的效果。
本发明的说明书和权利要求书及上述附图中的属于“第一”、“第二”等是用于区别不同的对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法或设备固有的气体步骤或单元。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。