CN115855276A - 基于深度学习的城轨车辆关键部件温度检测***及方法 - Google Patents

Abstract

本发明提供一种基于深度学习的城轨车辆关键部件温度检测***和方法。通过四个红外相机分别连续采集车底关键零部件热图像，关键零部件包括轴箱、牵引电机、齿轮箱；分别对相应的热图像进行图像标注，分割图像；采用分割后的图像进行模型训练；将待分析图像输入训练后的模型，提取关键零部件热图形，进行检测分析。本方法针对城轨车辆关键部件检测过程中的漏检、图片分类、车速适应性及定位不准问题，提出使用热像仪拍摄连拍配合深度学习模型，通过语义分割算法训练模型对正负样本的分析识别能力，最终做到自动准确识别被检部件、图片分类、定位故障轴位的功能。

Description

基于深度学习的城轨车辆关键部件温度检测***及方法

技术领域

本发明涉及轨道交通技术领域，涉及一种基于深度学习的城轨车辆关键部件温度检测方法。

背景技术

车辆走行部的轴箱、齿轮箱、牵引电机作为日常维保的重要部件，任一部件出现问题都会造成重大安全事故。设备工作温度可以作为一个检测指标，用于监测设备的工作性能。

为了确保这些重点旋转机械设备的安全运行，研制在线通过式的红外热成像仪监测其温度情况并结合深度学习等智能化手段，促使车辆走行部关键部件进入大数据城轨维保时代，降低人工运维成本。而针对关键部件的数据合理收集与准确定位故障状况，成为制约车辆关键部件智能温度监测的难点。

常用的城轨车辆走行部关键部件温度检测的检测形式包括点温通过式测量与热成像定时抓拍测量。点温通过式测量通过打出的红外激光点获取对应温度值，容易出现检测不全的情况，走行部的被测部件发热点通常非均匀分布在不同位置，打点式测量容易造成重点监测区域的遗漏。热成像定时抓拍测量的模式依靠过车磁钢及拍摄角度的匹配进行抓拍，需要配至阵列式相机，虽然能够克服发热点不均匀的问题，但需要使用相机的数量多，且存在严重的漏图问题，同样存在隐患。

随着图像深度学习理论的发展，图像筛选技术已逐步运用到城轨车辆智能维保领域。图像的深度学习模型主要是通过构建合理的网络模型，定义相关的输入参数，使用正负样本对模型进行训练学习，进而提升模型筛选图片的准确性。当前在图像深度学习中广泛运用的模型分为有监督式的卷积神经网络(CNN)、无监督式的生成式对抗网络(GAN)、深度信念网络(DBN)等。这些模型均通过大量样本的输入来不断提高对图像的识别能力，达到准确区分、定位走行部被检件的目标。

当前城轨车辆走行部温度监测的检测方式采用点温测量的方法与定时抓拍两种方式，点温测量方式是将打点式的红外测量仪器安装在轨道两旁，检测到车辆经过时启动测量，绘制出一条点温变化图，仅检测走行部一条线上的温度情况。定时抓拍的方式则是通过热像仪获取车辆面阵温度，设备检测到车辆通过检测区域后，启动热成像仪等待触发拍摄磁钢进行抓拍多张温度图片，获取拍摄位置的最高温度图片视为被检测部件并保存相关温度信息。

城轨车辆走行关键部件的温度检测需要保证被检件的漏检率及全面覆盖性，同时在出现故障的情况下能够准确定位到具体轴位，检测设备具有信息化、智能化特征，在此基础上检测设备还要具备一定的经济性。

从以上几点出发，点温检测设备无法全面覆盖走行部被检测件的区域，重点部件为两侧轴箱，牵引电机及齿轮箱，每个被检件的发热情况是不均匀的，点温检测只能测量一条线上的温度情况，会出现漏检的情况，即便增加检测设备来弥补这一缺陷也只会增加成本。定时抓拍的检测方式则是通过定时及磁钢的配合确定图片抓拍位置，但车辆通过检测区域并非匀速通过，通过速度的不稳定会造成对应采集图片的缺失，检测具有随机性，无法满足检测中漏检率的要求。

发明内容

本发明的目的在于针对现有技术中轨道车辆关键零部件温度检测手段存在的漏检、图片缺失、检测成本高等问题，提供一种基于深度学习的城轨车辆关键部件温度检测***及方法，以其在降低成本的同时提高关键零部件温度检测的准确性。

为实现上述目的，本发明采用的技术方案是：

一种基于深度学习的城轨车辆关键部件温度检测***，包括：

第一红外相机和第二红外相机：分别设置在两侧车辆行走轨道的外侧。分别用于连续采集车底第一侧轴箱的热图像和第二侧轴箱的热图像；

第三红外相机和第四红外相机：分别设置在两侧车辆行走轨道的内侧，分别用于连续采集车底第一侧齿轮箱和第一侧牵引电机的热图像，以及，第二侧齿轮箱和第二侧牵引电机的热图像；

数据预处理单元：获取第一红外相机、第二红外相机、第三红外相机和第四红外相机采集的热图像，进行标注处理：划定第一标记框，在第一红外相机采集的图像中进行框选标记，划定第二标记框，在第二红外相机采集的图像中进行框选标记，划定第三标记框和第四标记框，分别在第三红外相机采集的图像和/或第四红外相机采集的图像中进行框选标记；第一标记框根据第一侧轴箱图像覆盖区域设定，第二标记框根据第二侧轴箱图像覆盖区域设定，第三标记框根据牵引电机图像覆盖区域设定，第四标记框根据齿轮箱图像覆盖区域设定；

数据训练单元：将标记框框选标记后的图像输入卷积网络，进行图像训练，获取训练模型，所述训练模型可基于输入图像筛选第一侧轴箱特征图像、第二侧轴箱特征图像、牵引电机特征图像和齿轮箱特征图像；

数据分析单元：将待分析图像输入训练后的模型，提取待分析图像中的第一侧轴箱特征图像、第二侧轴箱特征图像、牵引电机特征图像和齿轮箱特征图像。

本发明一些实施例中，所述数据预处理单元进一步被配至为对红外相机采集的图像进行分组，并对分组对象进行标注处理。

本发明一些实施例中，所述数据预处理单元进一步被配至为根据车底转向架对图像进行分组，将每组转向架对应的第一侧轴箱、牵引电机、齿轮箱和第二侧轴箱划分为一组。

本发明一些实施例中，所述数据预处理单元进一步被配置为可去除各个红外相机采集的干扰图像。

本发明一些实施例中，第一红外相机、第二红外相机、第三红外相机和第四红外相机的图像采集方向与水平面呈30°夹角，朝向车底的方向设置。

本发明一些实施例进一步提供一种基于深度学习的声轨车辆关键部件温度检测方法，采用以上所述的温度检测***而实现，包括以下步骤：

热图像采集步骤：通过各个热成像仪采集列车第一侧轴箱、第一侧牵引电机和第一侧齿轮箱、第二侧牵引电机和第二侧齿轮箱、第二侧轴向的热图像；

图像标注步骤：划定第一标记框，在第一红外相机采集的热图像中进行图像标记，划定第二标记框，在第二红外相机采集的热图像中进行图像标记，划定第三标记框，在第三红外相机和/或四红外相机采集的热图像中进行图像标记，划定第四标记框，在第三红外相机和/或四红外相机采集的热图像中进行图像标记；

训练步骤：将标注后的图像输入训练模型，进行模型训练，训练后的模型可提取第一侧轴箱图像、第二侧轴箱图像、第一侧牵引电机图像、第二侧牵引电机图像、第一侧齿轮箱图像和第二侧齿轮箱图像；

图像提取步骤：将待处理的热图像输入训练后的模型，提取图像。

本发明一些实施例中，进一步包括以下步骤：

以转向架为基准，将每辆车的图像分为两组，分别对两组图像进行标注处理。

本发明一些实施例中，进一步包括以下步骤：去除各个红外相机采集接车前与离车后的非车辆温度图片。

本发明一些实施例中，进一步包括以下步骤：图像提取后，将图像所在轴位信息及实测温度信息进行绑定，存储至数据库。

本发明提供的基于深度学习的城轨车辆关键部件温度检测方法，其有益效果在于：

(1)热像仪的采集方式为设备触发后整车采集，图片按照热像仪的最高帧率采集，能够保证拍摄的图片能够全面覆盖被检测部件，使采集侧的漏图概率降到0％。减少了车底相机的配至数量，能够适应一定范围内的车速变化，车速的最高适应速度取决于热像仪的拍摄帧率，由于是连续拍摄，车辆的变加减速过车不会影响图像采集。

(2)采集的全量图片通过深度学习的方式进行筛选定位，保证筛选出的图片能够定位到对应的轴位信息，便于检修人员直接查看故障到现场定位，提高了设备的实用性。最终关键检测件的呈现显示为数据与图像两种形式，解决了设备检测中的温度不均匀属性，可以使检测数据更具有说服力。

(3)能够提高在车辆日检中的效率，可提高人工检测效率，检修人员只需要查看是否有超温或温升报警的部件即可，车辆回库后即可查看检测情况，缩减了作业时间，同时降低人力消耗。

(4)采用面阵式的红外检测相机，根据不同的被检测件尺寸可配置不同视野的相机，减少点温检测因覆盖面积不足导致的设备增加，进而降低了设备硬件成本。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供轨道车辆关键部件温度检测方法流程示意图；

图2为单侧红外相机获取的齿轮箱和牵引电机热图像示意图；

图3为单侧红外相机获取的轴箱热图像示意图；

图4a为红外相机采集的齿轮箱热图像原图；

图4b为分割后获得齿轮箱图像；

图5a为红外相机采集的牵引电机热图像原图；

图5b为分割后获得牵引电机图像；

图6a为红外相机采集的轴箱热图像原图；

图6b为分割后获得轴箱图像；

图7为本发明提供的温度检测***红外相机布置示意图；

图8为模型训练收敛算法示意图。

以上个图中：

101-第一侧轨道，102-第二侧轨道；

201-第一红外相机，202-第二红外热像热，203-第三红外相机，204-第四红外相机。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明第一实施例首先提供一种基于深度学习的城轨车辆关键部件温度检测***，设置在列车车底，行走轨道上，通过高频率连续采集车底零部件热图像，提取零部件主体图像，用于分析车底零部件温度。

首先介绍本发明所涉及的车底关键部件的类型，包括：轴箱、齿轮箱、和牵引电机。以实际过车为检测为例，车辆型号为B型车，车厢数量为6编组，头尾辆车为拖车，转向架仅具备轴箱没有牵引电机及齿轮箱被测件。中间四个车厢均为动车，具备轴箱、牵引电机及齿轮箱。每节车厢的轴箱分布均匀，左右共8个轴箱，全车共48个轴箱待检测；每节动力车厢的一个转向架具有牵引电机和齿轮箱各两个，呈现对称分布，全车共16个齿轮箱，共16个牵引电机。

每两车厢的车底具有两个转向架，可将其定义为前侧第一转向架和后侧第二转向架。在本发明的涉及中，将利用两个转向架的位置，对车底关键零部件进行分类。

轴箱在车底的排布如下：分两侧排列，以车底轨道为基准，第一侧的轴箱位于第一侧轨道101的外侧，第二侧轴箱位于第二侧轨道102的外侧，两侧的轴箱对称分布。

牵引电机和齿轮箱在车底分双侧排布，位于列车行走轨的内侧，两侧的排布存在差异。以车头的方向为基准：第一侧为牵引电机在前，齿轮箱在后，第二侧为齿轮箱在前，牵引电机在后。

温度检测***的构造如下。

参考图7，温度检测***的结构如图7所示。

第一红外相机201和第二红外相机202：分别设置在两侧车辆行走轨道的外侧。分别用于连续采集车底第一侧轴箱的热图像和第二侧轴箱的热图像。第一红外相机201和第二红外相机202呈水平排布，也可呈交错排布。

第三红外相机203和第四红外相机204：分别设置在两侧车辆行走轨道的内侧，分别用于连续采集车底第一侧齿轮箱和第一侧牵引电机的热图像，以及，第二侧齿轮箱和第二侧牵引电机的热图像。第三红外相机203和第四红外相机204呈水平排布，也可呈交错排布。

本发明一些实施例中，第一红外相机201、第二红外相机202、第三红外相机203和第四红外相机204的图像采集方向与水平面呈30°夹角，朝向车底的方向设置，方便拍摄。

其中，第一红外相机201的设置位置于第一侧轴箱的位置向对应，用于采集第一侧轴箱的图像，第二红外相机202的设置位置于第二侧轴箱的位置向对应，用于采集第二侧轴箱的图像。第三红外相机203的设置位置于与第一侧牵引电机和齿轮箱的位置相对应，用于采集第一侧牵引电机和齿轮箱的图像，第四红外相机204于与第二侧牵引电机和齿轮箱的位置相对应，用于采集第二侧牵引电机和齿轮箱的图像。结合前文所述，由于两侧牵引电机和齿轮箱的排布顺序不同，第三红外相机203和第四红外相机204采集图像的顺序存在差异，例如：第三红外相机203采集的为牵引电机、齿轮箱、牵引电机、齿轮箱交错的图像，第四红外相机204采集的为齿轮箱、牵引电机、齿轮箱、牵引电机交错的图像。

以上采集的热图像存储在数据存储单元。对采集后的全量温度图片根据不同的相机摆放位置区分存储，根据车辆的型号，确认走行部关键部件轴箱、牵引电机、齿轮箱可能对应的相机位置，去除接车前与离车后的非车辆温度图片，降低干扰。

数据预处理单元：基于数据处理器实现。获取第一红外相机201、第二红外相机202、第三红外相机203和第四红外相机204采集的热图像，进行标注处理。

由于图片所有的点都有温度，进行关键零部件的温度检测，只提取关键有用部分的温度。标注处理的目的是根据不同红外相机的检测项点，在采集的图片上按照被测物体的实际可能显示区域绘制识别框，提高关键零部件的识别效率。并将采集的图片根据被测项出现的频率划分检测集。

标注处理通过如下步骤实现。

划定第一标记框，在第一红外相机201采集的图像中进行框选标记，第一标记框根据第一侧轴箱图像覆盖区域设定；

划定第二标记框，在第二红外相机采集的图像中进行框选标记，第二标记框根据第二侧轴箱图像覆盖区域设定；

划定第三标记框和第四标记框，分别在第三红外相机采集的图像和/或第四红外相机采集的图像中进行框选标记；第三标记框根据牵引电机图像覆盖区域设定，第四标记框根据齿轮箱图像覆盖区域设定。由于牵引电机和齿轮箱是交错排布的所以在进行第三红外相机和第四红外相机204采集的图像的标注过程中，均会用到第三标记框和第四标记框。

第一标记框、第二标记框、第三标记框和第四标记框均采用方形框，本实施例中，采用的为正方形框。

数据训练单元：将标记框框选标记后的图像输入卷积网络，进行图像训练，获取训练模型，所述训练模型可基于输入图像筛选第一侧轴箱特征图像、第二侧轴箱特征图像、牵引电机特征图像和齿轮箱特征图像；

数据分析单元：训练后的模型可以用于后续车辆关键部件图像的分析，再需要检测时，将待分析图像输入训练后的模型，提取待分析图像中的第一侧轴箱特征图像、第二侧轴箱特征图像、第一侧牵引电机特征图像、第一侧齿轮箱、第二侧牵引电机特征图像、第二侧齿轮箱特征图像。

本发明一些实施例中，数据预处理单元进一步被配至为对红外相机采集的图像进行分组，并对分组对象进行标注处理。具体的，数据预处理单元可以根据车底转向架对图像进行分组，将每组转向架对应的第一侧轴箱、牵引电机、齿轮箱和第二侧轴箱划分为一组。

具体的说，这样分组后，拖车中：第一转向架对应第一组，包括第一侧的靠近第一转向架的两个轴箱和第二侧靠近第一转向架的两个轴箱；第二转向架对应第二组，对应第一侧靠近第二转向架两个轴箱和第二侧靠近第二转向架的两个轴箱。动车中：第一转向架对应第一组，包括第一侧的靠近第一转向架的两个轴箱和第二侧靠近第一转向架的两个轴箱，以及，第一侧牵引电机和第一侧齿轮箱；第二转向架对应第二组，对应第一侧靠近第二转向架两个轴箱和第二侧靠近第二转向架的两个轴箱，以及，第一侧齿轮箱和第二侧牵引电机。

本发明第二实施例进一步提供一种基于深度学习的声轨车辆关键部件温度检测方法，采用第一实施例所述的温度检测***而实现，流程参考图1，具体包括以下步骤。

S1：热图像采集步骤：通过各个热成像仪采集列车第一侧轴箱、第一侧牵引电机和第一侧齿轮箱、第二侧牵引电机和第二侧齿轮箱、第二侧轴向的热图像。

以车辆的通过最高速度为40km/h，热像仪的采集最高频率选择50Hz，图像的前端采集从车辆接触磁钢后开始采集，以最高采集频率进行温度图片的采集上传。单次过车单个红外相机相机采集图片数量平均为1000张，四台相机共4000张温度图片。本方法连拍，拍摄频率高，可以拍到车底的所有的部件。但4000多张，并不是每张图像上都有完整的关键零部件影像，因此需要进行以下的图像标注及模型训练处理。

S2：图像标注步骤：划定第一标记框，在第一红外相机采集的热图像中进行图像标记，划定第二标记框，在第二红外相机采集的热图像中进行图像标记，划定第三标记框，在第三红外相机和/或四红外相机采集的热图像中进行图像标记，划定第四标记框，在第三红外相机和/或四红外相机采集的热图像中进行图像标记。

在图像标注步骤中，选择一次过车采集图片中具有完整被测件的图片，将图片进行二值化处理，然后使用语义分割算法处理，提取获取边框特征，以此作为标准，按照此步骤操作其他每一张图片，分割出边框。

本发明一些实施例中，为了方便数据处理，进一步包括以下步骤：以转向架为基准，将每辆车的图像分为两组，分别对两组图像进行标注处理。参考实施例一所示，可知动车或拖车中每组图像所包括的图片类型，不再赘述。

对第一转向架对应的第一组图像标注的具体实施例如下。采用磁钢提取车辆通过的速度(车速快间隔少，图片少，车速慢，图片多)，根据车型确定车辆实际长度，仍以6编组车辆为例，每组图片以转向架作为区分点，分为12组图片集。抽取实际检测部件在图中的实际大小进行标注(x1,y1),(x2,y2)，分别对应图像的左上角坐标和右下角坐标，进一步缩小范围。建立车底坐标系，以面向车辆通过方向，左侧轴箱图片标注框坐标(180,38)、(350,260)，右侧轴箱图片标注框坐标(80,30)、(250,260)，牵引电机标记框坐标(140,58)、(380,278)，齿轮箱标记框坐标(20,58)、(260,278)。对第二组图像标注时，需要对牵引电机标记框坐标和齿轮箱标记框坐标替换，不再赘述。

参考图4a、图4b、图5a、图5b、图6a、图6b、分别所示了拍摄图片和提取出的关键零部件图。

本发明一些实施例中，进一步包括以下步骤：在步骤S2之前，进一步包括数据去噪预处理步骤。对采集后的全量温度图片根据不同的相机摆放位置区分存储，根据车辆的型号，确认走行部关键部件轴箱、牵引电机、齿轮箱可能对应的相机位置，去除接车前与离车后的非车辆温度图片，降低干扰。图像的采集情况如图2所示，图片为连续采集，将图片的启动和结束部分的干扰图片去除。

S3：训练步骤：将标注后的图像输入训练模型，进行模型训练，训练后的模型可提取第一侧轴箱图像、第二侧轴箱图像、第一侧牵引电机图像、第二侧牵引电机图像、第一侧齿轮箱图像和第二侧齿轮箱图像。

将预处理后的温度图片信息输入卷积网络，本案例中网络模型的建立采用的FCN全卷积网络，相关参数选择如下表中所示。

对卷积神经网络进行模型训练。在本实施例中，选择一趟过车的4000张图片作为训练集，后续过车作为测试集进行应用。训练时的具体情况需要通过目标损失函数查看，本实例使用交叉熵损失函数进行评判：

L＝ylogy′+(1-y)log(1-y′)

式中y是实际检测的齿轮箱、牵引电机或轴箱值，y’为模型的预测值。如果交叉熵损失越大，那么其对应的梯度越大，训练速度越快。根据实际的训练情况，得到如图8的评估结果，试验选择batch-size大小为16，输入的图像尺寸为384x288，学习率为0.0001，迭代次数为200个epoch，从图中看出训练在迭代119个epoch之后趋于稳定。

S4：图像提取步骤：将待处理的热图像输入训练后的模型，提取图像。

具体的，训练结束后，将下一趟过车采集的图像输入训练后的模型中，经过语义分割算法的处理后能够获得检测项的中间变量完整廓形样式，在所有的过车图片中准确筛选出各组图片中具有完整特征的图片。

S5：将通过模型选出的轴箱、牵引电机、齿轮箱温度图片根据划分的图片集绑定轴位名称与温度信息，由于动车每个转向架的电机与齿轮箱为对称分布，需要进行转置处理；城轨车辆的前三节车厢与后三节车厢存在轴对称关系，在左右的位置关系上需要进行中心对称处理，保证定位的准确性。

S6：输出呈现：将筛选并确定好位置的图片整理成JSON格式上传至数据库保存并于前端呈现。

与现有技术相比，本发明公开了一种基于深度学习的城轨车辆关键部件温度检测方法，本方法针对城轨车辆关键部件检测过程中的漏检、图片分类、车速适应性及定位不准问题，提出使用热像仪拍摄连拍配合深度学习模型，通过语义分割算法训练模型对正负样本的分析识别能力，最终做到自动准确识别被检部件、图片分类、定位故障轴位的功能。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于深度学习的城轨车辆关键部件温度检测***，其特征在于，包括：

第一红外相机和第二红外相机：分别设置在两侧车辆行走轨道的外侧。分别用于连续采集车底第一侧轴箱的热图像和第二侧轴箱的热图像；

第三红外相机和第四红外相机：分别设置在两侧车辆行走轨道的内侧，分别用于连续采集车底第一侧齿轮箱和第一侧牵引电机的热图像，以及，第二侧齿轮箱和第二侧牵引电机的热图像；

数据预处理单元：获取第一红外相机、第二红外相机、第三红外相机和第四红外相机采集的热图像，进行标注处理：划定第一标记框，在第一红外相机采集的图像中进行框选标记，划定第二标记框，在第二红外相机采集的图像中进行框选标记，划定第三标记框和第四标记框，分别在第三红外相机采集的图像和/或第四红外相机采集的图像中进行框选标记；第一标记框根据第一侧轴箱图像覆盖区域设定，第二标记框根据第二侧轴箱图像覆盖区域设定，第三标记框根据牵引电机图像覆盖区域设定，第四标记框根据齿轮箱图像覆盖区域设定；

数据训练单元：将标记框框选标记后的图像输入卷积网络，进行图像训练，获取训练模型，所述训练模型可基于输入图像筛选第一侧轴箱特征图像、第二侧轴箱特征图像、牵引电机特征图像和齿轮箱特征图像；

数据分析单元：将待分析图像输入训练后的模型，提取待分析图像中的第一侧轴箱特征图像、第二侧轴箱特征图像、牵引电机特征图像和齿轮箱特征图像。

2.如权利要求1所述的基于深度学习的城轨车辆关键部件温度检测***，其特征在于，所述数据预处理单元进一步被配至为对红外相机采集的图像进行分组，并对分组对象进行标注处理。

3.如权利要求2所述的基于深度学习的城轨车辆关键部件温度检测***，其特征在于，所述数据预处理单元进一步被配至为根据车底转向架对图像进行分组，将每组转向架对应的第一侧轴箱、牵引电机、齿轮箱和第二侧轴箱划分为一组。

4.如权利要求1所述的基于深度学习的城轨车辆关键部件温度检测***，其特征在于，所述数据预处理单元进一步被配置为可去除各个红外相机采集的干扰图像。

5.如权利要求1所述的基于深度学***面呈30°夹角，朝向车底的方向设置。

6.一种基于深度学习的声轨车辆关键部件温度检测方法，基于权利要求1至5中任意一项所述的温度检测***而实现，其特征在于，包括以下步骤：

热图像采集步骤：通过各个热成像仪采集列车第一侧轴箱、第一侧牵引电机和第一侧齿轮箱、第二侧牵引电机和第二侧齿轮箱、第二侧轴向的热图像；

图像标注步骤：划定第一标记框，在第一红外相机采集的热图像中进行图像标记，划定第二标记框，在第二红外相机采集的热图像中进行图像标记，划定第三标记框，在第三红外相机和/或四红外相机采集的热图像中进行图像标记，划定第四标记框，在第三红外相机和/或四红外相机采集的热图像中进行图像标记；

训练步骤：将标注后的图像输入训练模型，进行模型训练，训练后的模型可提取第一侧轴箱图像、第二侧轴箱图像、第一侧牵引电机图像、第二侧牵引电机图像、第一侧齿轮箱图像和第二侧齿轮箱图像；

图像提取步骤：将待处理的热图像输入训练后的模型，提取图像。

7.如权利要求6所述的基于深度学习的声轨车辆关键部件温度检测方法，其特征在于，进一步包括以下步骤：

以转向架为基准，将每辆车的图像分为两组，分别对两组图像进行标注处理。

8.如权利要求6所述的基于深度学习的声轨车辆关键部件温度检测方法，其特征在于，进一步包括以下步骤：去除各个红外相机采集接车前与离车后的非车辆温度图片。

9.如权利要求6所述的基于深度学习的声轨车辆关键部件温度检测方法，其特征在于，进一步包括以下步骤：图像提取后，将图像所在轴位信息及实测温度信息进行绑定，存储至数据库。

Images