一种基于深度学习的动车组运行故障检测方法与流程

1.本发明涉及动车组故障检测领域，具体涉及一种基于深度学习的动车组运行故障检测方法。


背景技术：

2.动车组是高速运行的铁路列车，为了保证行车安全，需要定期对列车的各部件进行巡检。传统的巡检方法是待列车停稳后，由人工依次对各个部件进行检查，因为要涉及上万个零部件的检测，这种方式效率低，耗费人力，而且也无法在动车组运行时进行检测，不利于及时发现问题。机器视觉和深度学习目前逐渐被应用在动车组检测领域，如发明专利cn109977817b提出了一种基于深度学习的动车组车底板螺栓故障检测方法，发明专利申请cn113052789a提出了一种基于深度学习的车底板异物击打故障检测方法等。上述方法中，前者需要包含螺栓的数据库样本和丢失螺栓的数据库样本，然后对目标检测网络进行训练并最终用来检测螺栓是否丢失；后者则首先需要列车底板的带标签样本和未标记的学习图像样本，通过对自训练分类模型进行训练后来检测异物打击在车底板的具体位置。上述方法与其他深度学习算法一样，检测效果取决于对检测模型进行训练的样本数量，一般而言，用于训练的样本数量越多，而且正向样本和负向样本（即异常样本）的数量越对称，则检测越精准有效。然而，动车组的运行要求极高的安全保障，平时难以获得发生故障的车身图像和故障零部件样本，即难以获得负向样本，并且许多时候车身或零部件还会被难以预料的异物如塑料袋、油污、羽毛等遮挡或覆盖导致难以识别，这极大限制了深度学习检测方法在动车组运行故障领域的应用。而如何克服负向样本缺失或异物遮盖等导致的检测模型泛化能力下降以致失去实用价值，是本领域急需解决的问题。


技术实现要素：

3.本发明的目的是提供一种基于深度学习的动车组运行故障检测方法，该方法能够有效扩充负向样本数量，同时可以强有力提升遮盖物样本量，由此训练出的检测模型具有强泛化能力，能够对动车组运行故障进行分类识别处理，极具实用性和推广价值。
4.为了实现上述目的，本发明采取如下技术方案：一种基于深度学习的动车组运行故障检测方法，包括如下步骤：步骤s1：获取预训练模型，并利用imagenet数据集、coco数据集或voc数据集等训练为通用模型；步骤s2：将动车组图像标注出预设检测区域而汇集成本源数据集，将所述预设检测区域与车型、车号和车节相关联，利用本源数据集对所述通用模型进一步训练而得到检测区识别模型；步骤s3：引入所述预设检测区域内待检零部件对应的专业数据集对所述通用模型进行训练而得到区内故障检测模型，所述专业数据集为相应的所述待检零部件的各种完好状态与故障状态的数据集，采集自相关待检零部件所涉各领域；
步骤s4：利用所述通用模型作为遮盖物识别模型或者利用遮盖物数据集对所述通用模型进行强化训练而得到遮盖物识别模型，所述遮盖物数据集由现有列车覆盖物图像汇集所得；步骤s5：利用所述检测区识别模型对动车组行车图像进行识别，所述检测区识别模型根据车型、车号和车节信息识别是否存在预设检测区域，若存在预设检测区域则进入步骤s6以进行区内故障检测，若未能识别出预设检测区域，则进入步骤s7以进行遮盖物识别；步骤s6：利用区内故障检测模型对所述预设检测区的所述待检零部件是否存在故障进行检测，并将检测结果输出，若未能识别出是否存在故障，则进入步骤s7以进行遮盖物识别；步骤s7：利用遮盖物识别模型对步骤s5中未能识别出预设检测区域的图像进行遮盖物识别或者对步骤s6中未能识别出故障的图像进行遮盖物识别，并将识别结果输出，若无法做出识别，则进入步骤s8以进行人工检测；步骤s8：利用人工对步骤s7中未做出识别的图像进行检测，并用人工检测结果进一步训练所述检测区识别模型、区内故障检测模型和遮盖物识别模型。
5.优选的，所述检测区识别模型、区内故障检测模型、遮盖物识别模型均包括二维检测模型和三维检测模型，在二维检测模型无法识别时通过三维检测模型进行检测。
6.优选的，所述步骤s4中，所述遮盖物数据集包括油污污染物、泥沙污染物数据集及瓶子、纸片、羽毛、塑料袋和树枝异物数据集。
7.本发明有益效果在于：引入imagenet数据集，借助imagenet数据集样本的广泛性和庞大数量对预训练模型进行训练并得到通用模型，然后通用模型的基础上，利用本源数据集对通用模型进一步训练得到检测区识别模型，因为本源数据集来源于对动车组预设检测区域的标注，所以检测区识别模型针对动车组的预设检测区域既具有极强的针对性，又基于imagenet广泛的样本量而具有良好的泛化能力，能够更好地准确识别预设检测区域，从而为后续进行故障检测创造良好的条件；区内故障检测模型是在上述通用模型的基础上，借助待检测的各种零部件的专业数据集训练所得，这种专利数据集首先包括动车组运行过程中获得的少数故障零部件样本，也包括该零部件在动车组领域之外的其他领域应用中所获得故障样本，将故障样本在imagenet通用数据集的基础上进行训练，可以识别待检测零部件的各种故障类型，使得区内故障检测模型泛化能力强，能够有效处理动车组各个预设检测区域内的零部件故障识别；特别的，本发明还针对动车组运行中待检测区域或待检测零部件极其容易被遮盖物所覆盖的实际情况而引入了遮盖物识别模型，动车组常见的塑料袋、油污、羽毛、水瓶等遮盖物在imagenet训练处的通用模型中有极强的识别能力，即使对于不常见的遮盖物，比如趴卧的动物等，也可以依赖通用模型而做出识别，进一步的，遮盖物识别模型还可以通过遮盖物数据集对通用模型进行强化训练得到，遮盖物数据集主要由由现有列车覆盖物图像汇集所得，由此进一步增强遮盖物识别模型对遮盖物识别的精准性。由于设置了遮盖物识别模型，彻底解决了以往待识别区域或待识别零部件被遮盖物掩盖而难以识别的弊端，增强了系统对动车组运行中各种情况的适应性和识别能力，系统运行更流畅从而具有极强的鲁棒性。最后，本发明还设置了人工检验环节，作为系统安全运行的最后保障，实际上，在上述三个模型的相互配合下，极少会再涉及人工检验的环节。
8.由上可见，本发明一改以往将基于深度学习的动车组检测识别局限在首先需要用正负样本进行训练的思路以及缺少相关样本而难以实际执行弊端，创造性的引入了imagenet数据集作为基础并结合相关专业数据集来克服负向样本缺失的问题，同时针对动车组运行实际增设了遮盖物识别模型来处理异物遮盖导致的无法识别车身或零部件的问题，不仅有效提升了识别模型的泛化能力，还明显提升了系统的鲁棒性，使识别模型具有良好的精准识别效果和极强的实用推广价值。
附图说明
9.图1是本发明的流程图。
具体实施方式
10.下面结合附图，通过具体实施例对本发明做进一步说明：基于深度学习的动车组运行故障检测方法，包括如下步骤：步骤s1：获取预训练模型，并利用imagenet数据集训练为通用模型。预训练模型可以自己编写或者由开源社区获得，多包含卷积神经网络、yolo3识别算法等。imagenet数据集是一个用于视觉对象识别软件研究的大型可视化数据库，超过1400万的图像在imagenet数据集中被手动注释以指示出图片中的对象，在至少一百万个图像中还提供了边界框。imagenet数据集包含2万多个类别，例如“气球”或“草莓”这样的典型类别，均包含数百个图像，第三方图像url的注释数据库可以直接从imagenet免费获得。利用imagenet数据集中庞大而广泛的图片数据训练出来的通用模型具有很强的识别能力，尤其针对动车组列车运行时车身、零部件容易被塑料袋、油污、羽毛、瓶子、树枝、纸片等列车夹带物覆盖的实际情况，imagenet数据集均有相应图片资源用于训练，能够有力解决以往车身待检测区域或个别零部件被异物遮挡覆盖后无法识别的困境，增强识别模型的通用性和实用价值。coco数据集的全称是common objects in context，是微软团队提供的一个可以用来进行图像识别的数据集。coco数据集中的图像分为训练、验证和测试集。voc是visual object classes的简称，它是一套检测和识别标准化的图像数据集。
11.步骤s2：将动车组图像标注出预设检测区域而汇集成本源数据集，将所述预设检测区域与车型、车号和车节相关联，利用本源数据集对所述通用模型进一步训练而得到检测区识别模型。在基于imagenet的通用模型上，利用已有的动车组图像标注出预设检测区域，并对通用模型进一步训练形成检测区识别模型，可以对预设检测区进行更准确的识别，极大提升检测区识别模型的泛化能力，当模型被油污、泥沙、纸片、树枝、瓶子、羽毛、塑料袋等异物或污染物覆盖时，检测区识别模型会有强大的“纠错”能力，能够识别出遮盖物并进行修正而准确识别出待检测区域，能够较好克服以往单纯用动车组图片对预训练模型进行训练后遇到遮盖物会发生的识别困难问题。
12.步骤s3：引入所述预设检测区域内待检零部件对应的专业数据集对所述通用模型进行训练而得到区内故障检测模型，所述专业数据集为相应的所述待检零部件的各种完好状态与故障状态的数据集，采集自相关待检零部件所涉各领域。动车组列车的各种零部件、如螺栓、轮对、构架、车端连接管线等会在动车组列车中使用，也会出现在普通列车或者其他领域（比如螺栓会出现在需要紧固的各种场合），这些相关各领域也会收集各零部件正常
和异常的图片，这就组成各零部件的专业数据集，利用这些图片对通用模型进一步训练，会使区内故障检测模型针对各种故障具有更强的识别能力。
13.步骤s4：利用所述通用模型作为遮盖物识别模型或者利用遮盖物数据集对所述通用模型进行强化训练而得到遮盖物识别模型，所述遮盖物数据集由现有列车覆盖物图像汇集所得。遮盖物识别模型是本发明针对动车组列车运行实际而设置的专门识别模型，该模型的设置能够有效克服以往在车身或待检测零部件被异物遮挡后而难以识别的困境。
14.步骤s5：利用所述检测区识别模型对动车组行车图像进行识别，所述检测区识别模型根据车型、车号和车节信息识别是否存在预设检测区域，若存在预设检测区域则进入步骤步骤s6以进行区内故障检测，若未能识别出预设检测区域，则进入步骤s7以进行遮盖物识别。
15.步骤s6：利用区内故障检测模型对所述预设检测区的所述待检零部件是否存在故障进行检测，并将检测结果输出，若未能识别出是否存在故障，则进入步骤s7以进行遮盖物识别。
16.步骤s7：利用遮盖物识别模型对步骤s5中未能识别出预设检测区域的图像进行遮盖物识别或者对步骤s6中未能识别出故障的图像进行遮盖物识别，并将识别结果输出，若无法做出识别，则进入步骤s8以进行人工检测；步骤s8：利用人工对步骤s7中未做出识别的图像进行检测，并用人工检测结果进一步训练所述检测区识别模型、区内故障检测模型和遮盖物识别模型。
17.上述检测区识别模型、区内故障检测模型、遮盖物识别模型均包括二维检测模型和三维检测模型，在二维检测模型无法识别时通过三维检测模型进行检测。
18.上述实施例只是对本发明构思和实现的若干说明，并非对其进行限制，在本发明构思下，未经实质变换的技术方案仍然在保护范围内。