CN114608801B - 一种机车轴温探头连接线脱落自动检测算法 - Google Patents
一种机车轴温探头连接线脱落自动检测算法 Download PDFInfo
- Publication number
- CN114608801B CN114608801B CN202011441929.XA CN202011441929A CN114608801B CN 114608801 B CN114608801 B CN 114608801B CN 202011441929 A CN202011441929 A CN 202011441929A CN 114608801 B CN114608801 B CN 114608801B
- Authority
- CN
- China
- Prior art keywords
- temperature probe
- picture
- detection algorithm
- deep learning
- automatic detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种机车轴温探头连接线脱落自动检测算法，涉及列车检测技术领域。包括以下步骤：S1、抓拍图轴箱及轴温探头连接器检测；S2、获取列车底部抓取图片以及历史存档图片；S3、对两张图片采用基于深度学习的矩形目标检测算法；S4、先定位轴箱以及探头连接器的矩形区域；S5、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。该机车轴温探头连接线脱落自动检测算法，通过深度学习来智能定位与比对算法来判断轴温探头连接器是否存在松脱故障，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。
Description
技术领域
本发明涉及列车检测技术领域，具体为一种机车轴温探头连接线脱落自动检测算法。
背景技术
轴温探测器是列车上一个很重要的部件，列车车轴采用的是轴瓦式滑动轴承，轴箱内采用含油棉丝卷对轴承润滑，由于列车的高速运行，如果轴瓦缺油或混入杂质，很容易因摩擦产生高温直至轴箱燃烧，俗称，燃轴，严重的燃轴会造成切轴，甚至使列车翻倒，轴温传感器能在车轴温度超过一定温度时发出报警信号，防止事故的发生。
在近年的机车故障事故中，轴温探头连接器松脱事故屡有发生，对轴温探头连接器脱落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，检出率较低，因此开发轴温探头连接器松脱自动检测方法是一项很重要的工作。
发明内容
针对现有技术的不足，本发明提供了一种机车轴温探头连接线脱落自动检测算法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种机车轴温探头连接线脱落自动检测算法，包括以下步骤：
S1、抓拍图轴箱及轴温探头连接器检测；
S2、获取列车底部抓取图片以及历史存档图片；
S3、对两张图片采用基于深度学习的矩形目标检测算法；
S4、先定位轴箱以及探头连接器的矩形区域；
S5、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；
S6、使用训练得到的模型预测出目标图片的矩形框候选区域；
S7、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；
S8、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；
S9、获取档案图片与当前抓拍图片；
S10、对档案图片和抓拍图片按照轴箱区域进行数据对齐；
S11、将档案图和抓拍图的轴温探头连接器区域同时送到采用基于深度学习的孪生网络提取特征；
S12、将档案图片轴温探头连接器定位区域及抓拍图片轴温探头连接器定位区域进行比对，判断是否存在异常。
进一步优化本技术方案，所述S3中，基于深度学习的矩形目标检测算法，需先收集包含列车轴箱区域的图片。
进一步优化本技术方案，所述S3中，基于深度学习的矩形目标检测算法，用矩形框标注出轴箱及轴温探头连接器所在区域。
进一步优化本技术方案，所述11中，基于深度学习的孪生网络，孪生网络训练时的损失函数为：
Loss1＝error_same(x1，x2)；
Loss2＝error_different(x1，x2)；
Loss＝loss1-loss2+α。
进一步优化本技术方案，所述11中，基于深度学习的孪生网络，当历史图片与当前图片无差异时，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。
进一步优化本技术方案，所述11中，基于深度学习的孪生网络，当历史图片与当前图片有差异时，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。
进一步优化本技术方案，所述11中，基于深度学习的孪生网络，参数α是为了避免损失函数为0而设定的。
进一步优化本技术方案，所述11中，基于深度学习的孪生网络，对提取到的特征计算相似度，设定阈值，比对是否存在差异。
与现有技术相比，本发明提供了一种机车轴温探头连接线脱落自动检测算法，具备以下有益效果：
1、该机车轴温探头连接线脱落自动检测算法，采用基于深度学习的矩形目标检测算法，将档案图片轴温探头连接器定位区域及抓拍图片轴温探头连接器定位区域进行比对，判断是否存在异常，若存在异常，发出警报。
2、该机车轴温探头连接线脱落自动检测算法，采用基于深度学习的孪生网络比对，将档案图和抓拍图的轴温探头连接器区域同时送到孪生网络提取特征，对提取到的特征计算相似度，设定阈值，比对是否存在差异，若存在异常，发出警报。
3、该机车轴温探头连接线脱落自动检测算法，通过深度学习来智能定位与比对算法来判断轴温探头连接器是否存在松脱故障，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。
具体实施方式
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。
实施例一：
一种机车轴温探头连接线脱落自动检测算法，包括以下步骤：
S1、抓拍图轴箱及轴温探头连接器检测；
S2、获取列车底部抓取图片以及历史存档图片；
S3、对两张图片采用基于深度学习的矩形目标检测算法，基于深度学习的矩形目标检测算法，需先收集包含列车轴箱区域的图片，用矩形框标注出轴箱及轴温探头连接器所在区域；
S4、先定位轴箱以及探头连接器的矩形区域；
S5、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；
S6、使用训练得到的模型预测出目标图片的矩形框候选区域；
S7、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；
S8、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；
S9、获取档案图片与当前抓拍图片；
S10、对档案图片和抓拍图片按照轴箱区域进行数据对齐；
S11、将档案图和抓拍图的轴温探头连接器区域同时送到采用基于深度学习的孪生网络提取特征，基于深度学习的孪生网络，孪生网络训练时的损失函数为：
Loss1＝error_same(x1，x2)；
Loss2＝error_different(x1，x2)；
Loss＝loss1-loss2+α；
当历史图片与当前图片无差异时，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，参数α是为了避免损失函数为0而设定的，对提取到的特征计算相似度，设定阈值，比对是否存在差异。
S12、将档案图片轴温探头连接器定位区域及抓拍图片轴温探头连接器定位区域进行比对，判断是否存在异常。
实施例二：
一种机车轴温探头连接线脱落自动检测算法，包括以下步骤：
S1、抓拍图轴箱及轴温探头连接器检测；
S2、获取列车底部抓取图片以及历史存档图片；
S3、对两张图片采用基于深度学习的矩形目标检测算法，基于深度学习的矩形目标检测算法，需先收集包含列车轴箱区域的图片，用矩形框标注出轴箱及轴温探头连接器所在区域；
S4、先定位轴箱以及探头连接器的矩形区域；
S5、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；
S6、使用训练得到的模型预测出目标图片的矩形框候选区域；
S7、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；
S8、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；
S9、获取档案图片与当前抓拍图片；
S10、对档案图片和抓拍图片按照轴箱区域进行数据对齐；
S11、将档案图和抓拍图的轴温探头连接器区域同时送到采用基于深度学习的孪生网络提取特征，基于深度学习的孪生网络，孪生网络训练时的损失函数为：
Loss1＝error_same(x1，x2)；
Loss2＝error_different(x1，x2)；
Loss＝loss1-loss2+α；
当历史图片与当前图片有差异时，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，对提取到的特征计算相似度，设定阈值，比对是否存在差异。
S12、将档案图片轴温探头连接器定位区域及抓拍图片轴温探头连接器定位区域进行比对，判断是否存在异常。
本发明的有益效果是：采用基于深度学习的矩形目标检测算法，将档案图片轴温探头连接器定位区域及抓拍图片轴温探头连接器定位区域进行比对，判断是否存在异常，若存在异常，发出警报；采用基于深度学习的孪生网络比对，将档案图和抓拍图的轴温探头连接器区域同时送到孪生网络提取特征，对提取到的特征计算相似度，设定阈值，比对是否存在差异，若存在异常，发出警报；通过深度学习来智能定位与比对算法来判断轴温探头连接器是否存在松脱故障，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。
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。
Claims (8)
1.一种机车轴温探头连接线脱落自动检测算法，其特征在于，包括以下步骤：
S1、抓拍图轴箱及轴温探头连接器检测；
S2、获取列车底部抓取图片以及历史存档图片；
S3、对两张图片采用基于深度学习的矩形目标检测算法；
S4、先定位轴箱以及探头连接器的矩形区域；
S5、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；
S6、使用训练得到的模型预测出目标图片的矩形框候选区域；
S7、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；
S8、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；
S9、获取档案图片与当前抓拍图片；
S10、对档案图片和抓拍图片按照轴箱区域进行数据对齐；
S11、将档案图和抓拍图的轴温探头连接器区域同时送到采用基于深度学习的孪生网络提取特征；
S12、将档案图片轴温探头连接器定位区域及抓拍图片轴温探头连接器定位区域进行比对，判断是否存在异常。
2.根据权利要求1所述的一种机车轴温探头连接线脱落自动检测算法，其特征在于，所述S3中，基于深度学习的矩形目标检测算法，需先收集包含列车轴箱区域的图片。
3.根据权利要求1所述的一种机车轴温探头连接线脱落自动检测算法，其特征在于，所述S3中，基于深度学习的矩形目标检测算法，用矩形框标注出轴箱及轴温探头连接器所在区域。
4.根据权利要求1所述的一种机车轴温探头连接线脱落自动检测算法，其特征在于，所述11中，基于深度学习的孪生网络，孪生网络训练时的损失函数为：
Loss1＝error_same(x1，x2)；
Loss2＝error_different(x1，x2)；
Loss＝loss1-loss2+α。
5.根据权利要求1所述的一种机车轴温探头连接线脱落自动检测算法，其特征在于，所述11中，基于深度学习的孪生网络，当历史图片与当前图片无差异时，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。
6.根据权利要求1所述的一种机车轴温探头连接线脱落自动检测算法，其特征在于，所述11中，基于深度学习的孪生网络，当历史图片与当前图片有差异时，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。
7.根据权利要求4所述的一种机车轴温探头连接线脱落自动检测算法，其特征在于，所述11中，基于深度学习的孪生网络，参数α是为了避免损失函数为0而设定的。
8.根据权利要求1所述的一种机车轴温探头连接线脱落自动检测算法，其特征在于，所述11中，基于深度学习的孪生网络，对提取到的特征计算相似度，设定阈值，比对是否存在差异。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011441929.XA CN114608801B (zh) | 2020-12-08 | 2020-12-08 | 一种机车轴温探头连接线脱落自动检测算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011441929.XA CN114608801B (zh) | 2020-12-08 | 2020-12-08 | 一种机车轴温探头连接线脱落自动检测算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114608801A CN114608801A (zh) | 2022-06-10 |
| CN114608801B true CN114608801B (zh) | 2024-04-19 |
Family
ID=81856723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011441929.XA Active CN114608801B (zh) | 2020-12-08 | 2020-12-08 | 一种机车轴温探头连接线脱落自动检测算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114608801B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0848247A (ja) * | 1994-08-09 | 1996-02-20 | Central Japan Railway Co | 列車接近警報装置 |
| CN111160407A (zh) * | 2019-12-10 | 2020-05-15 | 重庆特斯联智慧科技股份有限公司 | 一种深度学习目标检测方法及系统 |
| CN111191546A (zh) * | 2019-12-20 | 2020-05-22 | 广西柳州联耕科技有限公司 | 基于机器视觉识别的产品智能装配方法 |
| CN111402211A (zh) * | 2020-03-04 | 2020-07-10 | 广西大学 | 一种基于深度学习的高速列车车底异物识别方法 |
| CN111680689A (zh) * | 2020-08-11 | 2020-09-18 | 武汉精立电子技术有限公司 | 一种基于深度学习的目标检测方法、系统及存储介质 |
-
2020
- 2020-12-08 CN CN202011441929.XA patent/CN114608801B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0848247A (ja) * | 1994-08-09 | 1996-02-20 | Central Japan Railway Co | 列車接近警報装置 |
| CN111160407A (zh) * | 2019-12-10 | 2020-05-15 | 重庆特斯联智慧科技股份有限公司 | 一种深度学习目标检测方法及系统 |
| CN111191546A (zh) * | 2019-12-20 | 2020-05-22 | 广西柳州联耕科技有限公司 | 基于机器视觉识别的产品智能装配方法 |
| CN111402211A (zh) * | 2020-03-04 | 2020-07-10 | 广西大学 | 一种基于深度学习的高速列车车底异物识别方法 |
| CN111680689A (zh) * | 2020-08-11 | 2020-09-18 | 武汉精立电子技术有限公司 | 一种基于深度学习的目标检测方法、系统及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度卷积神经网络的遥感图像目标检测方法;刘思远;程良伦;;工业控制计算机(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114608801A (zh) | 2022-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116394794B (zh) | 一种高安全性智能充电桩 | |
| CN110996060A (zh) | 一种工业自动化智能联动系统及方法 | |
| CN116227788A (zh) | 变电站电力设备故障诊断评估方法及系统 | |
| CN113418730A (zh) | 一种卷烟机运行状态的在线监测方法 | |
| CN105743223B (zh) | 基于goose联动的二次设备预制舱视频巡查方法 | |
| KR102779985B1 (ko) | 전력 설비를 위한 근접 화재 감시 시스템 | |
| CN114608801B (zh) | 一种机车轴温探头连接线脱落自动检测算法 | |
| CN110989683A (zh) | 基于无人机检测的执行方法和执行系统 | |
| CN114663332A (zh) | 一种机车油压减震器漏油故障自动检测方法 | |
| CN119418464A (zh) | 基于漏电流温度检测的电气火灾预警方法、装置及设备 | |
| CN117339263B (zh) | 一种立式压滤机自动控制系统及方法 | |
| CN114742375A (zh) | 一种基于智慧工地系统的工地建设安全风管理方法 | |
| CN104749467A (zh) | 配电终端自诊断方法及系统 | |
| CN118209260A (zh) | 一种变压器储油柜漏油监测预警系统 | |
| CN113899973A (zh) | 基于红外热成像和可见光图像的发电设备故障诊断方法 | |
| CN111076750B (zh) | 一种用于检测接触网吊弦线夹松脱的装置及方法 | |
| CN111371647A (zh) | 数据中心监控数据预处理方法及装置 | |
| CN219351804U (zh) | 一种用于集卡防吊的监控报警一体化装置 | |
| CN112802286A (zh) | 新型智能管网检测及报警提示系统、控制方法 | |
| CN217238912U (zh) | 一种过滤机滤板破碎监测报警系统 | |
| CN115564806B (zh) | 一种圆盘剪逃丝在线监控方法 | |
| CN112907524B (zh) | 基于图像处理的铁路货车防火板故障检测方法 | |
| CN116380468A (zh) | 一种智慧码头用故障检测系统及搭建方法 | |
| CN116132262A (zh) | 一种面向智能网联汽车的数据实时监测报警系统及方法 | |
| CN115634933A (zh) | 基于机器视觉的热轧带钢切头尾掉落检测与识别系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |