一种基于深度学习的动车组车辆故障动态图像检测方法技术

本发明专利技术公开了一种基于深度学习的动车组车辆故障动态图像检测方法，先通过深度学习目标检测算法直接对动车组车体故障进行初步检测，然后配合车体在正常状态和故障状态下的逻辑判断对动车组车辆故障动态图像进行综合分析，最终根据分析结果判断车体是否发生故障并作出预警，本发明专利技术涉及交通车辆检修技术领域。该基于深度学习的动车组车辆故障动态图像检测方法，通过利用深度学习目标检测算法对车体异常进行检测并配合车体正常状态和故障状态下的逻辑判断综合分析动车组车辆故障动态图像，最终得到故障判定结果，具有速度快、准确度高、稳定性高的优势，同时提高了动车所作业质量和作业效率，加强了动车检修中发现隐性故障的能力。

【技术实现步骤摘要】
一种基于深度学习的动车组车辆故障动态图像检测方法
本专利技术涉及交通车辆检修
，具体为一种基于深度学习的动车组车辆故障动态图像检测方法。
技术介绍
随着我国铁路进入跨越式发展新时期，高速动车组飞奔在中国广袤大地上，在高速运行的状态下，任何细小、细微的故障都有可能引发重大事故，传统的以人为主的检查作业方式容易造成漏检，检车作业质量和效率难以得到保障，增加了发生动车组运行安全隐患的概率，因此提高动车组在长交路及高速运行中部件状态的检测和异常预警的能力，提高动车组检修质量和效率，加强动车组检修作业质量的监控至关重要，目前动车组检查作业面临三大困难：第一，动车组新型运行模式导致检测能力不足，动车组折返运行时缺少对车体部件状态的检测手段，对故障产生初期的预警能力和隐蔽故障的发现能力不足；第二，动车组高度复杂凸显了检测能力的不足，动车组部件结构复杂度高，检修范围大，细小部件数量多，检测量大，动车出库保障压力大；第三，异地检修作业质量监控难，对于长交路的动车组经常需要在异地检修，这就要求配属运用所对于部件信息需要及时掌握和记录，这就涉及到不同铁路局不同运用所之间的众多人员，间接加大了对检修作业质量的监控难度。与本专利技术最相似的实现方案为专利“CN201410843157.0”-《一种动车组运行状态图像监控故障自动识别方法》，该专利技术提供了一种动车组运行状态图像监控故障自动识别方法，将当前动车组运行故障图像检测系统TEDS设备近期采集的该动车组历史监控图像作为时间历史图、同一线路上该动车组最近经过的其它TEDS设备采集的监控图像作为空间历史图、当前TEDS设备采集的该动车组监控图像作为当前图，将时间历史图、空间历史图分别与当前图进行图像配准，获取时间历史配准图及空间历史配准图，将时间历史配准图进行加权平均作为历史标准图，将空间历史配准图进行加权计算作为故障权重矩阵，将当前图与历史标准图进行变化检测获取特征差异矩阵，利用特征差异矩阵与故障权重矩阵计算得到故障标记矩阵，具有能够有效提高动车组运行故障自动识别率、降低误判率的优点。目前动车组车辆故障动态图像检测系统主要是利用轨边安装的高速面阵相机和高速线阵相机，采集动车组车体底部、车体两侧等可视部位图像，采用自动识别技术识别车体故障，实现故障的分级报警，同时图像通过网络实时传输至室内监测终端，由人工对异常报警进行确认和故障提交，但是现有的技术存在以下问题：第一，自动识别技术分为图像配准和图像特征分析比对两个阶段，图像配准需要借助车体历史图像作为参考，因此需要建立相应车体的数据库，前期工作量巨大；第二，图像特征分析比对利用先验的相似性度量对图像的特征进行比较，即可得出图像变化区域及变化程度，对车体的亮度、角度、距离等较为敏感，容易产生误报；第三，人工对异常报警确认需要大量的人力，工作量极大，而且对人的专业素质和注意力要求极高，容易产生漏报。针对以上问题，本专利技术利用深度学习目标检测算法对车体异常进行检测并配合车体正常状态和故障状态下的逻辑判断综合分析动车组车辆故障动态图像，最终得到故障判定结果，本专利技术有以下几个优点：第一，速度快，计算机对车体异常检测的处理速度远远超过人工；第二，准确度高，利用深度学习目标检测算法对车体异常检测的准确率明显优于传统的以图像配准和图像特征分析比对为基础的自动识别技术，不易产生误报；第三，稳定性好，计算机技术克服了人工确认车体异常过程中因为缺乏专业素质，注意力不集中等个人原因造成漏报的弊端；第四，提高了动车所作业质量和作业效率，加强动车检修运用中隐性故障的发现能力，并且提高了故障基础信息的收集、分析和管理功能。
技术实现思路
(一)解决的技术问题针对现有技术的不足，本专利技术提供了一种基于深度学习的动车组车辆故障动态图像检测方法，相对于传统的以人为主的检查作业方式或者基于图像配准和图像特征分析比对的自动识别技术，利用深度学习技术对动车组车辆故障动态图像进行检测一方面可以提高检测的速度、准确度、稳定性；另一方面可以提高动车所作业质量和作业效率，提高动车检修中发现隐性故障的能力；同时进一步提高故障基础信息的收集、分析和管理功能。(二)技术方案为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于深度学习的动车组车辆故障动态图像检测方法，先通过深度学习目标检测算法直接对动车组车体故障进行初步检测，然后配合车体在正常状态和故障状态下的逻辑判断对动车组车辆故障动态图像进行综合分析，最终根据分析结果判断车体是否发生故障并作出预警。基于深度学习的动车组车辆故障动态图像检测方法具体包括以下步骤：S1、获取动车组车辆故障动态图像；S2、通过深度学习检测算法直接检测动车组车辆故障动态图像，获得车体可能存在故障的区域；S3、判断动车组车辆故障动态图像中车体可能存在故障的区域是否满足正常状态下的车体逻辑；S4、判断动车组车辆故障动态图像中车体可能存在故障的区域是否满足故障状态下的车体逻辑；S5、综合分析步骤S2至S4的结果，判定车体是否存在故障。优选的，其具体的实现模块如下所述：模块201：利用深度学习目标检测算法检测动车组车辆故障动态图像，得到车体部件的局部图像；模块202：接受模块201的检测结果，并判断检测到的部件中是否存在故障区域，如果判断为是，则将判断结果传入模块203，否则结束；模块203：接受模块202的判断结果，并判断该故障区域是否满足正常状态下的车体逻辑，如果判断为否，则将判断结果传入模块204，否则结束；模块204：接受模块203的判断结果，并判断该故障区域是否满足故障状态下的车体逻辑，如果判断为是，则将判断结果传入模块205，否则结束；模块205：接受模块204的判断结果，综合分析后，最终给出故障的判定结果。本专利技术还公开了一种基于深度学习的动车组车辆故障动态图像检测方法的检测系统，包括图像采集模块、深度学习检测模块、逻辑判断模块和结果输出模块。优选的，所述图像采集模块用于从动车组车辆故障动态图像检测系统中获取车体图像。优选的，所述深度学习检测模块将图像采集模块输出的车体图像输入到深度学习检测模块中，且深度学习检测模块主要是利用目前深度学习中较为先进的目标检测算法，检测出该车体图像中可能存在的故障区域。优选的，所述深度学习检测模块目标检测算法为Yolo算法或Centernet算法中的一种。优选的，所述逻辑判断模块用于将深度学习检测模块中输出的检测结果先从正常状态下车体应该满足的逻辑的角度作出判断，再从故障状态下车体的逻辑的角度作出判断。优选的，所述结果输出模块用于将深度学习检测模块和逻辑判断模块的判断结果进行综合分析，最终得到车体是否存在故障的判定。(三)有益效果本专利技术提供了一种基于深度学习的动车组车辆故障动态图像检测方法。与现有技术相比具备以下有益效果：(1)、该基于深度学习的动车组车辆故障动态图像检测方法，通过利用深度学习目标检测算法对车体异常进本文档来自技高网...

【技术保护点】
1.一种基于深度学习的动车组车辆故障动态图像检测方法，其特征在于：先通过深度学习目标检测算法直接对动车组车体故障进行初步检测，然后配合车体在正常状态和故障状态下的逻辑判断对动车组车辆故障动态图像进行综合分析，最终根据分析结果判断车体是否发生故障并作出预警；/n基于深度学习的动车组车辆故障动态图像检测方法具体包括以下步骤：/nS1、获取动车组车辆故障动态图像；/nS2、通过深度学习检测算法直接检测动车组车辆故障动态图像，获得车体可能存在故障的区域；/nS3、判断动车组车辆故障动态图像中车体可能存在故障的区域是否满足正常状态下的车体逻辑；/nS4、判断动车组车辆故障动态图像中车体可能存在故障的区域是否满足故障状态下的车体逻辑；/nS5、综合分析步骤S2至S4的结果，判定车体是否存在故障。/n

【技术特征摘要】
1.一种基于深度学习的动车组车辆故障动态图像检测方法，其特征在于：先通过深度学习目标检测算法直接对动车组车体故障进行初步检测，然后配合车体在正常状态和故障状态下的逻辑判断对动车组车辆故障动态图像进行综合分析，最终根据分析结果判断车体是否发生故障并作出预警；
基于深度学习的动车组车辆故障动态图像检测方法具体包括以下步骤：
S1、获取动车组车辆故障动态图像；
S2、通过深度学习检测算法直接检测动车组车辆故障动态图像，获得车体可能存在故障的区域；
S3、判断动车组车辆故障动态图像中车体可能存在故障的区域是否满足正常状态下的车体逻辑；
S4、判断动车组车辆故障动态图像中车体可能存在故障的区域是否满足故障状态下的车体逻辑；
S5、综合分析步骤S2至S4的结果，判定车体是否存在故障。


2.根据权利要求1所述的一种基于深度学习的动车组车辆故障动态图像检测方法，其特征在于：具体的实现模块如下所述：
模块201：利用深度学习目标检测算法检测动车组车辆故障动态图像，得到车体部件的局部图像；
模块202：接受模块201的检测结果，并判断检测到的部件中是否存在故障区域，如果判断为是，则将判断结果传入模块203，否则结束；
模块203：接受模块202的判断结果，并判断该故障区域是否满足正常状态下的车体逻辑，如果判断为否，则将判断结果传入模块204，否则结束；
模块204：接受模块203的判断结果，并判断该故障区域是否满足故障状态下的车体逻辑，如果判断为是，则将判断结果传入模块205，否则结束；
模块205：接受模块204的判断结果，综合分析后，最终给出故障的判定结果。


...

【专利技术属性】
技术研发人员：韩一辉，王文，
申请(专利权)人：中兴飞流信息科技有限公司，
类型：发明
国别省市：江苏;32