一种机车轴温探头连接线脱落自动检测算法的制作方法

1.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：

2.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。
3.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。


技术实现要素：

4.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。
5.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：
6.s1、抓拍图轴箱及轴温探头连接器检测；
7.s2、获取列车底部抓取图片以及历史存档图片；
8.s3、对两张图片采用基于深度学习的矩形目标检测算法；
9.s4、先定位轴箱以及探头连接器的矩形区域；
10.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；
11.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；
12.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；
13.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；
14.s9、获取档案图片与当前抓拍图片；
15.s10、对档案图片和抓拍图片按照轴箱区域进行数据对齐；
16.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；
17.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。
18.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。
19.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。
20.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：
21.loss1＝error_same(x1，x2)；
22.loss2＝error_different(x1，x2)；
23.loss＝loss1-loss2 α。
24.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。
25.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。
26.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。
27.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。
28.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：
29.1、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。
30.2、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。
31.3、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
32.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。
33.实施例一：
34.一种机车轴温探头连接线脱落自动检测算法，包括以下步骤：
35.s1、抓拍图轴箱及轴温探头连接器检测；
36.s2、获取列车底部抓取图片以及历史存档图片；
37.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；
38.s4、先定位轴箱以及探头连接器的矩形区域；
39.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；
40.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；
41.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；
42.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；
43.s9、获取档案图片与当前抓拍图片；
44.s10、对档案图片和抓拍图片按照轴箱区域进行数据对齐；
45.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：
46.loss1＝error_same(x1，x2)；
47.loss2＝error_different(x1，x2)；
48.loss＝loss1-loss2 α；
49.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。
50.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。
51.实施例二：
52.一种机车轴温探头连接线脱落自动检测算法，包括以下步骤：
53.s1、抓拍图轴箱及轴温探头连接器检测；
54.s2、获取列车底部抓取图片以及历史存档图片；
55.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；
56.s4、先定位轴箱以及探头连接器的矩形区域；
57.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；
58.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；
59.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；
60.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；
61.s9、获取档案图片与当前抓拍图片；
62.s10、对档案图片和抓拍图片按照轴箱区域进行数据对齐；
63.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：
64.loss1＝error_same(x1，x2)；
65.loss2＝error_different(x1，x2)；
66.loss＝loss1-loss2 α；
67.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。
68.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。
69.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。
70.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。