CN113128555B - 一种用于列车闸片部件异常检测的方法 - Google Patents

Abstract

本发明公开了一种用于列车闸片部件异常检测的方法，步骤如下：步骤一、将采集到的闸片数据进行图像预处理；步骤二、利用Yo l oV4‑t i ny目标检测模型加载训练好的权重文件，对闸片图片进行钩子部件定位以及销子部件的异常检测，Yo l oV4‑t i ny目标检测模型对销子进行一步到位检测并输出检测结果；步骤三、同时利用Yo l oV4‑t i ny目标检测模型对钩子部件定位，将钩子部件区域截出，再使用改进的OC‑CNN异常检测网络对钩子截图进行检测；步骤四、通过OC‑CNN检测钩子截图得到异常分数，判断钩子是否存在异常并输出检测结果；步骤五、综合Yo l oV4‑t i ny以及改进OC‑CNN的检测结果，得到整个闸片的详细异常信息。本发明Yo l oV4‑t i ny与OC‑CNN组成一个完整的闸片异常检测模型，能够快速，准确，高效完成闸片的异常检测。

Description

一种用于列车闸片部件异常检测的方法

技术领域

本发明涉及列车部件异常检测领域，具体涉及一种用于列车闸片部件异常检测的方法。

背景技术

随着我国经济快速发展，中国内地轨道里程稳居世界第一。不论是速度还是效率，都取得了巨大的进步。而在列车的维护上，传统的人工检测依然占据绝大部分。传统故障检测中，检修人员工作环境恶劣、列车数量众多，需要大量人力物力，效率低可靠性差等，这与当今不断自动化、智能化的时代格格不入。迫切需要一门高效率、高准确率同时低成本的技术来对列车故障进行自动检测，保障列车的安全运营。得益于机器学习和深度学习的发展，基于计算机视觉的异常检测拥有了落地的可能。

目前计算机视觉的主要落地的应用在于人脸识别、对象分类等领域。对于故障诊断方面，主流的研究方向主要有三个：(1)模板匹配法，通过待测图片与标准模板之间近似度来判断是否存在异常，该方法极易受到成像环境以及污渍等干扰，有着苛刻的适用范围。(2)基于统计学的机器学习法，是通过对样本进行特征提取后根据特征分布进行分类。其关键在于特征提取的算法，需要根据不同的目标设计不同的算法，鲁棒性较差。同时当检测对象处于较复杂的环境时，容易受到环境影响，因此可靠性难以得到保障。针对小缺陷，其整体的特征差异可能难以达到阈值，对应用目标有较大约束。(3)基于深度学习的缺陷检测，该模型需要大量的数据集对神经网络进行训练，需要对每一类的异常进行学习才能得到较好的网络权重，深度学习模型的神经网络能够有效抑制光照条件、污渍等环境对检测结果的影响。然而在实际工程项目中，正负样本比例差距巨大，负样本较少，因此往往无法训练出效果满意的模型。

从上诉背景中可以清晰地得到利用计算机视觉进行故障诊断必须要解决的四个关键点是：(1)算法模型必须能够有效抑制环境因素的干扰，如光照、污渍等，具有强鲁棒性。(2)算法模型需要在少量负样本的情况下，能够训练出效果满意的模型，才具有工程可行性。(3)算法模型必须具备高精度、低误检以及零漏报率，这是代替人工检修保障列车安全行驶的重点。(4)高效率，列车检修的时间只能是运营空期，在这个空期内需要完成对整个列车的检查与维修。

因此，亟需一种检测效率高，同时需要算法模型在短时间内准确完成项点的检测方法。

发明内容

为解决现有技术中存在的问题，本发明提供了一种用于列车闸片部件异常检测的方法，能快速完成列车闸片部件的异常检测，高准确率，能够在负样本不足，正负样本不均衡时完成部件的异常检测，解决了上述背景技术中提到的问题。

为实现上述目的，本发明提供如下技术方案：一种用于列车闸片部件异常检测的方法，模型检测步骤如下：

步骤一、将数据采集设备采集到的闸片数据进行图像预处理，符合模型输入格式；

步骤二、利用YoloV4-tiny目标检测模型加载训练好的权重文件，对闸片图片进行钩子部件定位以及销子部件的异常检测，YoloV4-tiny目标检测模型对销子进行一步到位检测并输出检测结果；

步骤三、同时利用YoloV4-tiny目标检测模型对钩子部件定位，将钩子部件区域截出，再使用改进的OC-CNN异常检测网络对钩子截图进行检测；

步骤四、通过OC-CNN检测钩子截图得到异常分数，判断钩子是否存在异常并输出检测结果；

步骤五、综合YoloV4-tiny以及改进OC-CNN的检测结果，得到整个闸片的详细异常信息。

优选的，在模型检测之前还有个模型训练的步骤，所述模型训练步骤如下：

步骤S1、通过数据采集设备取得列车闸片部件的图片；

步骤S2、采用Labelimg打标签软件对采集到的闸片图片进行打标签，制成VOC格式的数据集；

步骤S3、构建闸片异常检测模型的训练集与测试集，经过训练后得到YoloV4-tiny权重文件；所述训练集中包括1300张正样本闸片图片和938张异常的闸片图片；所述测试集中包括1338张闸片图片；

步骤S4、通过训练好的YoloV4-ting模型检测正样本闸片图片，通过网络的定位截取，获得1000张正常状态下的钩子截图，然后再额外加入70张钩子异常的截图图片，制成OC-CNN网络数据集，最后完成对OC-CNN进行的训练。

优选的，所述步骤一中的图像预处理是将图片格式处理成PIL.Image，通道数为3，确保符合模型输入格式。

优选的，所述步骤四中的得到的异常分数若高于0.25，则判断钩子部件正常；若低于0.25，则判断钩子部件异常。

优选的，所述改进的OC-CNN异常检测网络是指引入负样本进行监督学习的OC-CNN。

优选的，所述步骤S3中的异常闸片图片包括销子缺失、钩子缺失或钩子变形。

优选的，所述步骤S3中的异常的闸片图片是通过PS或数据增强处理得到的。

优选的，所述检测方法中模型检测速度在CPU运行下达到0.2张/s，能够实现对闸片异常进行实时的检测。

本发明的有益效果是：

1)本发明利用YoloV4-tiny+OC-CNN的异常检测模型，在CPU运行下能达到0.2张/s，能够实现对闸片异常进行实时的检测，检测速度快，检测效率高。

2)本发明对普通OC-CNN异常检测网络进行改进，从只用正样本进行训练改进为正样本训练的同时利用少量的负样本进行微调，减少对负样本依赖，提高模型在工程项目中的可行性，提高网络对异常特征的敏感性，降低误报的同时提高了准确度和鲁棒性。

3)本发明利用One-stage目标检测模型YoloV4-tiny，实现对钩子部件快速定位截取同时对变化差异较大的销子进行一步到位异常检测，钩子实现定位截取，有效避免待测图片其他部分特征对OC-CNN异常检测的影响。

4)本发明将YoloV4-tiny目标检测模型与改进版OC-CNN相结合，构成闸片异常检测模型，充分发挥两种网络各自优势，有效消除因数据采集环境如：光照、雨水以及污渍等带来的影响，保证了检测的准确率，本发明相比于利用传统的基于模板匹配以及简单特征比对的部件故障检测，利用YoloV4-tiny+OC-CNN异常检测模型对于实际情况下的光照，污渍干扰等情况具有更高的鲁棒性，准确率更高，能在无漏报的情况下拥有很低的误报率<10％。能够让检测人员脱离列车低的恶劣工作环境，减少维修人员工作量。对于减少人力物力投入，保证列车运行安全具有重大意义。

附图说明

图1为本发明检测流程图；

图2为本发明YoloV4-tiny网络结构图；

图3为本发明改进OC-CNN网络结构图；

图4为本发明正常与异常样本示意图。

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。

请参阅图1-4，如图1所示，图1是基于YoloV4-tiny目标检测模型以及改进OC-CNN异常检测网络的列车闸片部件异常检测流程图。其中模型训练过程如下：

第一步，利用部件图片信息采集设备取得列车闸片部件的图片，得到闸片部件的图像；

第二步，利用Labelimg打标签软件对采集到的闸片图片进行打标签，制成VOC格式的数据集；

第三步，通过PS以及数据增强做出938张异常的闸片图片(销子缺失，钩子缺失，钩子变形)与1300张正样本作为闸片异常模型的训练集，另有1338张图片作为模型测试集，经过训练后得到YoloV4-tiny权重文件；

第四步，利用训练好的YoloV4-ting模型检测正样本，通过网络的定位截取，获得1000张正常状态下的钩子截图，在此基础上，额外加入70张钩子异常的截图图片，制成OC-CNN网络数据集，最后完成对OC-CNN进行训练；

模型测试过程如下：

第一步，将巡检机器人采集到的闸片数据进行图像预处理，采集到的闸片数据为灰度图，通道数为2，格式为.jpg格式，不符合YoloV4-Tiny检测模型输入格式，预处理就是通过cv2.cvtColor以及Image.fromarray函数将图片转化为3通道，PIL.Image格式，满足模型输入格式；

第二步，利用YoloV4-tiny目标检测模型加载训练好的YoloV4-tiny权重文件，YoloV4-tiny网络结构如图2所示，对闸片图片进行钩子部件定位以及销子部件的异常检测，YoloV4-tiny目标检测模型对销子进行一步到位检测，输出检测结果；

第三步，利用YoloV4-tiny目标检测模型对钩子部件定位，将钩子部件区域截出，再将利用改进OC-CNN异常检测网络对钩子截图进行检测，OC-CNN网络结构如图3所示；

第四步，通过OC-CNN检测钩子截图得到的异常分数，判断是否存在异常。异常分数高于0.25则钩子部件正常，反之异常；

第五步，综合YoloV4-tiny以及改进OC-CNN的检测结果，得到整个闸片的详细异常信息。

本发明首先利用数据采集设备如工业数字相机(CCD)对待检修的列车进行部件图像采集；将采集到的图片数据传输带服务器，通过部署在服务器中的闸片异常检测模型对闸片部件图片进行检测，再把检测结果输出并反映给检修人员，最后检修人员根据异常信息进行定点维修。

由于项点中，销子丢失的异常特征比较明显，利用目标检测模型可以准确判断销子是否异常，而钩子部分，丢失和缺损时，正常与异常样本如图4所示，YoloV4-tiny特征提取网络提取的异常特征与正常样本特征在分布上处于难分区域，差异难以找到合适分界，无法使用目标检测网络一步到位进行检测，因此钩子部分需要采用额外网络模型进行检测。对于闸片部分异常检测的步骤是，首先采用YoloV4-tiny目标检测模型对销子进行一步到位检测，完成其定位以及异常检测，同时YoloV4-tiny对钩子进行定位，将其所属区域进行裁切，利用改进后的引入负样本监督学习的异常检测网络OC-CNN对YoloV4-tiny裁切所得图片进行检测，通过OC-CNN检测所得异常分数值判断钩子部件的异常情况。引入负样本进行监督学习的OC-CNN相较于原始版本只采用正样本进行训练的OC-CNN网络，对于异常情况判断更准确、敏感度更高，在准确性和鲁棒性均有明显提升。YoloV4-tiny与OC-CNN组成一个完整的闸片异常检测模型，能够快速，准确，高效完成闸片的异常检测。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种用于列车闸片部件异常检测的方法，其特征在于，所述检测方法中的模型检测步骤如下：

步骤一、将数据采集设备采集到的闸片数据进行图像预处理，符合模型输入格式；

步骤二、利用YoloV4-tiny目标检测模型加载训练好的权重文件，对闸片图片进行钩子部件定位以及销子部件的异常检测，YoloV4-tiny目标检测模型对销子进行一步到位检测并输出检测结果；

步骤三、同时利用YoloV4-tiny目标检测模型对钩子部件定位，将钩子部件区域截出，再使用改进的OC-CNN异常检测网络对钩子截图进行检测；所述改进的OC-CNN异常检测网络是指引入负样本进行监督学习的OC-CNN；

步骤四、通过改进的OC-CNN检测钩子截图得到异常分数，判断钩子是否存在异常并输出检测结果；

步骤五、综合YoloV4-tiny以及改进OC-CNN的检测结果，得到整个闸片的详细异常信息；

在模型检测之前还有个模型训练的步骤，所述模型训练步骤如下：

步骤S1、通过数据采集设备取得列车闸片部件的图片；

步骤S2、采用Labelimg打标签软件对采集到的闸片图片进行打标签，制成VOC格式的数据集；

步骤S3、构建闸片异常检测模型的训练集与测试集，经过训练后得到YoloV4-tiny权重文件；所述训练集中包括1300张正样本闸片图片和938张异常的闸片图片；所述测试集中包括1338张闸片图片；

步骤S4、通过训练好的YoloV4-Tiny模型检测正样本闸片图片，通过网络的定位截取，获得1000张正常状态下的钩子截图，然后再额外加入70张钩子异常的截图图片，制成OC-CNN网络数据集，最后完成对OC-CNN进行的训练。

2.根据权利要求1所述的用于列车闸片部件异常检测的方法，其特征在于：所述步骤一中的图像预处理是将图片格式处理成PIL.Image，通道数为3，确保符合模型输入格式。

3.根据权利要求1所述的用于列车闸片部件异常检测的方法，其特征在于：所述步骤四中的得到的异常分数若高于0.25，则判断钩子部件正常；若低于0.25，则判断钩子部件异常。

4.根据权利要求1所述的用于列车闸片部件异常检测的方法，其特征在于：所述步骤S3中的异常闸片图片包括销子缺失、钩子缺失或钩子变形。

5.根据权利要求1所述的用于列车闸片部件异常检测的方法，其特征在于：所述步骤S3中的异常的闸片图片是通过PS或数据增强处理得到的。

6.根据权利要求1所述的用于列车闸片部件异常检测的方法，其特征在于：所述检测方法中模型检测速度在CPU运行下达到0.2张/s，能够实现对闸片异常进行实时的检测。

Images