一种闸瓦折断和铆钉丢失故障检测方法与流程

技术特征：
1.一种闸瓦折断和铆钉丢失故障检测方法，其特征在于，所述方法包括：s1、采集列车侧部图像，截取出包括闸瓦的图像作为待测图像；s2、将待测图像输入至闸瓦故障检测模型中，闸瓦故障检测模型输出检测结果，检测结果包括闸瓦的故障形态与故障位置；故障形态包括闸瓦折断和/或铆钉丢失；闸瓦故障检测模型采用s2anet网络实现，s2anet网络中fam模块的卷积为对齐卷积层alignconv；对齐卷积层alignconv输出的检测框的维度为{(x,b,α,β,θ)}，x表示检测框的中心点坐标，θ表示检测框的倾斜角，b表示检测框原始大小，表示α检测框宽度比例系数，β表示检测框高度比例系数，检测框的宽度为w＝b
×
10
α
，检测框的高度为h＝b
×
10
β
；b、α、β均为可学习参数；所述对齐卷积层alignconv中的像素偏移量编码参数包括采样点密度d
s
，d
s
为可学习参数；s3、根据映射关系，将检测结果映射到待测图像中，进行报警上传。2.根据权利要求1所述的闸瓦折断和铆钉丢失故障检测方法，其特征在于，所述b、α、β在训练过程中尺寸偏差计算公式为：δb＝log(b
g
)-log(b)δα＝log(α
g
)-log(α)δβ＝log(β
g
)-log(β)b
g
、α
g
、β
g
分别为目标实际大小、实际宽度比例系数、实际高度比例系数。3.根据权利要求1所述的闸瓦折断和铆钉丢失故障检测方法，其特征在于，重采样特征点的数量4.根据权利要求3所述的闸瓦折断和铆钉丢失故障检测方法，其特征在于，所述d
s
在训练过程中偏差计算公式为：δd
s
＝log(d
sg
)-log(d
s
)，d
sg
为目标实际采样点密度。5.根据权利要求1所述的闸瓦折断和铆钉丢失故障检测方法，其特征在于，在铁道车辆两侧搭建高清线阵成像设备，所述s1包括：当列车通过时，触发传感器，采集图像，利用轴距信息与闸瓦位置的先验知识，截取出包括闸瓦的图像作为待测图像。6.根据权利要求1所述的闸瓦折断和铆钉丢失故障检测方法，其特征在于，所述闸瓦故障检测模型的训练集构建方法包括：sa1、获取货车各部位的高清线阵灰度图像，并拼接成列车侧部和底部的完整图像；sa2、利用轴距信息与闸瓦位置的先验知识，确定闸瓦的起止位置，根据起止位置对所述完整图像中闸瓦的区域进行截取，得到目标图像；sa3、在目标图像的基础上模拟故障图像，对故障图像进行扩增，扩增后的故障图像作为训练集。7.根据权利要求6所述的闸瓦折断和铆钉丢失故障检测方法，其特征在于，所述sa1中，获取货车各部位的高清线阵灰度图像包括不同时间段不同环境下的图像。8.根据权利要求6所述的闸瓦折断和铆钉丢失故障检测方法，其特征在于，所述sa3中，对故障图像进行扩增包括图像平移、缩放和锐化。
9.一种计算机可读的存储设备，所述存储设备存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1至8任一所述方法。10.一种闸瓦折断和铆钉丢失故障识别检测装置，包括存储设备、处理器以及存储在所述存储设备中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序实现如权利要求1至8任一所述方法。

技术总结
一种闸瓦折断和铆钉丢失故障检测方法，解决了如何提高闸瓦状态检测效率的问题，属于铁路列车故障检测领域。本发明包括：采集列车侧部图像，截取出包括闸瓦的图像作为待测图像；将待测图像输入至闸瓦故障检测模型中，闸瓦故障检测模型输出检测结果，检测结果包括闸瓦的故障形态与故障位置；故障形态包括闸瓦折断和/或铆钉丢失；闸瓦故障检测模型采用S2ANet网络实现，S2ANet网络中FAM模块的卷积为对齐卷积层AlignConv，并对对齐卷积层AlignConv做了改进；根据映射关系，将检测结果映射到待测图像中，进行报警上传。在闸瓦故障检测中，对大目标和小目标均实现了较好的检测效果。目标和小目标均实现了较好的检测效果。目标和小目标均实现了较好的检测效果。


技术研发人员：王璐
受保护的技术使用者：哈尔滨市科佳通用机电股份有限公司
技术研发日：2022.08.17
技术公布日：2022/11/11