一种铁路列车车厢组底板丢失故障检测方法

技术领域

本发明属于图像识别领域，具体涉及一种铁路列车车厢组底板丢失故障检测方法。

背景技术

列车车厢组底部部件复杂，区别于客车和货车且考虑到列车的安全，列车车厢组底部安装封闭底板，遮挡各种细致部件。但是列车高速运行的过程中容易出现底板丢失状况，如果不及时发现，将会严重危及行车安全，采用人工检查图像的方式进行故障检测，由于列车车厢组运行的密度大，检车时间短，检车人员在工作过程中极易出现疲劳、遗漏等情况，造成漏检、错检的出现，影响行车安全。

发明内容

本发明提供一种铁路列车车厢组底板丢失故障检测方法，利用图像自动识别的方式代替人工检测，提高检测效率、准确率。

本发明通过以下技术方案实现：

一种铁路列车车厢组底板丢失故障检测方法，检测方法包括以下步骤：

步骤1：获取列车车厢的线阵图像；

步骤2：根据步骤1的线阵图像，获取列车底板位置的图像；

步骤3：对步骤2的列车底板位置的图像进行预处理；

步骤4：对步骤3预处理后的图像通过改进的Refinedet模型进行故障的检测。

进一步的，步骤1具体为，分别在列车轨道周围搭建高清设备，列车通过设备，即可获取高清线阵图像。

进一步的，步骤2具体为，根据列车的轴距信息、车型信息从步骤1的线阵图像中获取到底板位置的图像。

进一步的，步骤3的预处理具体为，图像质量增强和图像中边缘信息增强。

进一步的，图像质量增强是通过自适应直方图均衡化的方式对得到的底板位置的图像进行处理。

进一步的，图像中边缘信息增强具体为通过以下公式实现，

newImg＝N*Blur(srcImg)+srcImg

式中srcImg代表原始图像，Blur是均值滤波，N是均值滤波次数，newImg是图像边缘增强以后的图像。

进一步的，步骤4故障的检测具体包括以下步骤：

步骤4.1：获取样本底板图像，并将样本底板图像按照节数进行切分形成样本子图像；

步骤4.2：对样本子图像进行故障标记得到训练样本；

步骤4.3：利用步骤4.2得到训练样本对改进的Refinedet模型进行训练；

步骤4.4：利用步骤4.3通过训练得到的模型，对步骤3预处理后的图像进行故障的检测。

进一步的，步骤4.3具体包括以下步骤：

步骤4.3.1：在Refinedet的基础网络中，选择mobilenetV2部分网络结构代替原始Refinedet模型中的VGG基础模块，同时使用一个stride＝2的标准卷积层接一个BN层的结构代替原始Refinedet模型中的额外层；

步骤4.3.2：将训练样本中的样本子图像输入Refinedet网络中的ARM分支预测模块，得到特征图，其中，ARM分支预测模块包括步骤4.3.1中的基础网络与额外层；

步骤4.3.3：通过Refinedet网络的TCB分支预测模块将步骤4.3.2的ARM分支预测模块输出的特征图转换成为Refinedet网络的ODM分支预测模块部分的输入；

步骤4.3.4：通过ODM分支预测模块对每层的结构特征进行预测，获得预测结果，最后将各个层结果整合到一起，获得最终预测结果；

步骤4.3.5：利用获得的最终预测结果和预先确定的损失函数，调整Refinedet网络的参数，以对Refinedet网络进行训练。

进一步的，步骤4.3.5中损失函数为：

式中N

式中p(x)表示真实概率分布，q(x)表示预测概率分布，n是总样本的个数，x

式中

式中S

进一步的，步骤4故障的检测具体为，将步骤3预处理后的图像输入到改进后的Refinedet网络进行检测，检测得到图像中有目标属于底板丢失类的故障并且故障得分大于阈值，即确定检测到底板丢失故障，同时得到该故障的位置，将该位置映射到整个列车图像坐标上，生成报文信息。

本发明的有益效果是：

1、本发明采用图像自动识别的方式可提高检测效率和稳定性。

2、本发明通过自适应直方图均衡化灰度图像，增强图像的质量，避免天气、环境等外界因素对图像亮度的影响，提高图像检测的准确度。

3、本发明通过滤波的方式对图像中边缘信息进行增强，增加底板丢失故障的特征，为底板丢失故障的检测提供了更多有用的信息，减少了列车底部其他部件等的干扰。

4、本发明选择改进的refinedet模型对列车底板图像进行底板丢失故障检测，保证了检测的实时性，提高了检测算法的泛化能力和精确度。

附图说明

图1本发明的方法流程图。

图2本发明改进的Refinedet网络的基础网络和额外层结构图。

图3本发明moblieNetV2卷积模块结构图。

图4本发明传输连接块示意图。

图5本发明改进的Refinedet模型图。

具体实施方式

下面将结合本发明实施例中的附图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。

需要特别说明的是，在不冲突的情况下，本申请公开的各个实施例之间或实施例包括的特征之间可以相互组合。

实施例1

一种铁路列车车厢组底板丢失故障检测方法，检测方法包括以下步骤：

步骤1：获取列车车厢的线阵图像；

步骤2：根据步骤1的线阵图像，获取列车底板位置的图像；

步骤3：对步骤2的列车底板位置的图像进行预处理；

步骤4：对步骤3预处理后的图像通过改进的Refinedet模型进行故障的检测。

本实施例可提高检测效率和稳定性，同时提高图像检测的准确度。

实施例2

进一步的，步骤1具体为，分别在列车轨道周围搭建高清设备，列车通过设备，即可获取高清线阵图像。

实施例3

进一步的，步骤2具体为，根据步骤1的线阵图像，即列车的轴距信息、车型信息对二维图像按照列车关键部位进行拼接截取，从整列车的图像中获取到底板位置的图像。可以减少非底板图像处理所占用的时间，提升识别准确率。

实施例4

进一步的，步骤3的预处理具体为，图像质量增强和图像中边缘信息增强。

针对列车车厢组底板丢失之后，会漏出底部各零件，不同车节，不同部位，列车车厢组底板零件、部件构造不一、造成底板丢失后的图像特征不单一的特点，选择强化图像边缘的方式，增强底板丢失的图像特征，为检测提供更多的信息，提高了检测的准确率。

实施例5

进一步的，图像质量增强是通过自适应直方图均衡化的方式对得到的底板位置的图像进行处理。

列车车厢组列车运行频率高，经常会遇见雨天、雪天等复杂的外界环境，导致采集的图像亮度不一，通过自适应直方图均衡化的方式对得到的底部图像进行预处理，增强图像的质量，避免图像像素值太低或者像素值太高，影响后面的故障检测识别的准确率。

实施例6

进一步的，图像中边缘信息增强具体为通过以下公式实现，

newImg＝N*Blur(srcImg)+srcImg

式中srcImg代表原始图像，Blur是均值滤波，N是均值滤波次数，newImg是图像边缘增强以后的图像。增强了图像的特征，为检测提供更多的信息，提高了检测的准确率

实施例7

进一步的，从采集的图像中选择各个路局，各个时段，各种天气下的列车图像，对这些图像按照上述的预处理过程进行处理，然后将底板图像按照节数切分缩放到512*512大小的子图像，然后对子图像进行标记。将底板丢失的真是故障作为一类，底板通风口，底板漏油、漏水分为一类，底板异物等分为另一类进行样本标记；

故障的检测是针对列车车端部分端板，车体部分底板进行的，涉及的图像多，信息大，所以选择Refinedet模型进行故障的检测，提高检测的效率。原始的Refinedet模型的基础网络是VGG16去掉分类层和6个没有BN(BatchNorm)层结构的卷积层结合的额外层相结合的网络结构，这样的基础网络结构影响整个Refinedet模型的检测效果。改进的Refinedet模型选择mobilenetV2部分网络结构代替原始Refinedet模型中的VGG基础模块，同时额外层使用一个stride＝2的标准卷积层接一个BN层的结构代替，这种改进方式缩减模型的大小，减少了参数量和计算量消耗，加快了检测速度。改进的Refinedet模型如图1所示。

Refinedet模型修改后的基础网络和额外层的结构参数如下所示

(1)输入大小为3通道，大小为512*512的图像

(2)将图像输入到mobilenetV2卷积模块，同时去掉mobilenetV2最后一个核为1*1的卷积层，最后得到通道数为320，大小为16*16的特征图。mobilenetV2结构如图2所示。

(3)将得到的特征图像输入到stride＝2的卷积层中进行计算，并输入到BN层进行处理，得到通道数为256，大小为8*8的特征图像。

步骤4故障的检测具体包括以下步骤：

步骤4.1：获取样本底板图像，并将样本底板图像按照节数进行切分形成样本子图像；

步骤4.2：对样本子图像进行故障标记得到训练样本；

步骤4.3：利用步骤4.2得到训练样本对改进的Refinedet模型进行训练；

步骤4.4：利用步骤4.3通过训练得到的模型，对步骤3预处理后的图像进行故障的检测。

改进的Refinedet模型的具体优势，减少参数量和计算消耗，提高检测效率。

实施例8

进一步的，步骤4.3具体包括以下步骤：

步骤4.3.1：在Refinedet的基础网络中，选择mobilenetV2部分网络结构代替原始Refinedet模型中的VGG基础模块，同时使用一个stride＝2的标准卷积层接一个BN层的结构代替原始Refinedet模型中的额外层；

步骤4.3.2：将训练样本中的样本子图像输入Refinedet网络中的ARM分支预测模块，得到特征图，其中，ARM分支预测模块包括步骤4.3.1中的基础网络与额外层。

其中，用于输入ARM分支预测模块中的图像可以是3通道且大小为512*512的图像。具体可以将该图像入到ARM分支预测模块中的mobilenetV2卷积模块，得到通道数为320，大小为16*16的特征图，再将16*16的特征图输入到stride＝2的卷积层中进行计算，并输入到BN层进行处理，得到通道数为256，大小为8*8的特征图。其中，mobilenetV2卷积模块相较于一般的mobilenetV2卷积模块可以去掉最后一个核为1*1的卷积层。

需要特别说明的是，ARM分支预测模块在对训练样本进行特征图提取时，可以剔除部分负样本，进而提高正样本对应的特征图的比例。其中，正样本可以是存在底板故障的样本图像，负样本可以是不存在底板故障的样本图像。通过剔除部分负样本可以增加底板丢失故障所在图像对应样本在训练过程中拥有的权重比例，有助于提高训练获得的模型的底板故障检测精度。实践中，在上述ARM分支预测模块整个训练过程中，可以通过卷积等计算，超参数更新等进行部分负样本的剔除。

步骤4.3.3：通过Refinedet网络的TCB分支预测模块将步骤4.3.2的ARM分支预测模块输出的特征图转换成为Refinedet网络的ODM分支预测模块部分的输入；其TCB模块的具体流程如图3所示；

步骤4.3.4：通过ODM分支预测模块对每层的结构特征进行预测，获得预测结果，最后将各个层结果整合到一起，获得最终预测结果；

步骤4.3.5：利用获得的最终预测结果和预先确定的损失函数，调整Refinedet网络的参数，以对Refinedet网络进行训练。

选择改进的refinedet模型对列车底板图像进行底板丢失故障检测，保证了检测的实时性，提高了检测算法的泛化能力和精确度。

实施例9

进一步的，步骤4.3.5中损失函数为：

式中N

式中p(x)表示真实概率分布，q(x)表示预测概率分布，n是总样本的个数，x

式中

式中S

训练改进的Refinedet模型到损失函数发生收敛，并且收敛到阈值时候，保存模型，用来对列车底板子图进行底板丢失的故障进行检测。

选择改进的refinedet模型对列车底板图像进行底板丢失故障检测，保证了检测的实时性，提高了检测算法的泛化能力和精确度。

实施例10

进一步的，步骤4故障的检测具体为，将步骤3预处理后的图像输入到改进后的Refinedet网络进行检测，检测得到图像中有目标属于底板丢失类的故障并且故障得分大于阈值，即确定检测到底板丢失故障，同时得到该故障的位置，将该位置映射到整个列车图像坐标上，生成报文信息。

通过阈值判断更加精准的识别到了底板丢失故障，减少了误报警，通过box获得故障位置，精确的得到了故障应该报警的位置。

不同天气，环境因素的影响，导致不同时间下拍摄的照片的灰度不一，通过自适应直方图均衡化先对列车车厢组图像进行预处理，保证了算法的泛化性，有效的提高了检测的准确率，采用增强边缘信息的方式提高底板丢失故障的特征，同时选择Refinedet网络模型能够精确高效的识别出底板丢失故障。