脱轨自动装置拉环脱落故障的图像生成及检测方法制造方法及图纸

脱轨自动装置拉环脱落故障的图像生成及检测方法，涉及货车检测技术领域。本发明专利技术是为了解决人工检测脱轨自动装置拉环故障时，检测准确率低的问题。本发明专利技术采集不同状态下车轴上脱轨自动装置拉环部分的子图，将子图输入至StyleGAN的编码器中获得目标图像的隐码，并分为三部分，利用CLIP模型将期望故障图像的形态信息和文本旋转角度分别进行编码，获得图像编码和文本编码，将三部分、图像编码和文本编码输入三个映射器子网络，分别获得三个映射器子网络的输出，将三个映射器子网络的输出进行纵向矩阵拼接获得输出矩阵，将输出矩阵和隐码相加并将相加结果输入至StyleGAN的解码器中，该解码器的输出为生成的故障图像。解码器的输出为生成的故障图像。解码器的输出为生成的故障图像。

【技术实现步骤摘要】
脱轨自动装置拉环脱落故障的图像生成及检测方法


[0001]本专利技术属于货车检测
，尤其涉及脱轨自动装置的检测。

技术介绍

[0002]脱轨自动装置拉环大多存在于载重量七十吨以上的货车及特殊作业的改装货车，其脱落是一种危及行车安全的故障，在脱轨自动装置拉环脱落故障检测中，一般采用人工检查图像的方式进行故障检测。由于检车人员在工作过程中极易出现疲劳、遗漏等情况，造成漏检、错检的出现，影响行车安全。采用图像自动识别的方式可提高检测效率和稳定性。近几年，深度学习与人工智能不断发展，在技术上不断成熟。因而，采用深度学习进行脱轨自动装置拉环故障识别，可以有效提高检测准确率。

技术实现思路

[0003]本专利技术是为了解决人工检测脱轨自动装置拉环故障时，检测准确率低的问题，现提供脱轨自动装置拉环脱落故障的图像生成及检测方法。
[0004]脱轨自动装置拉环脱落故障的图像生成方法，采集不同状态下车轴上脱轨自动装置拉环部分的子图，将子图输入至StyleGAN的编码器中，获得目标图像的隐码W，然后根据隐码W的高、中、低语义级别分为三部分。StyleGAN使用骨干网络上的特征金字塔提取特征映射，高语义级别从小特征地图上生成，中语义特征从中等地图上生成，低语义特征从大特征地图上生成。
[0005]利用CLIP模型将期望故障图像的形态信息和文本旋转角度分别进行编码，获得图像编码和文本编码将隐码W的三部分分别作为三个映射器子网络的输入，同时还将图像编码和文本编码也作为三个映射器子网络的输入，分别获得三个映射器子网络的输出，将三个映射器子网络的输出进行纵向矩阵拼接获得输出矩阵ΔW，将所述输出矩阵ΔW和所述隐码W相加获得W
’
，并将W
’
输入至StyleGAN的解码器中，该解码器的输出为生成的故障图像。
[0006]进一步的，上述映射器子网络包括五层结构，每层结构均包括全连接层、调制模块和非线性激活层，隐码W作为第一层全连接层的输入，图像编码和文本编码作为每一层调制模块的输入，每一层的调制模块均用于对同层的全连接层输出进行调制、并将调制结果输入至同层的非线性激活层中，每一层非线性激活层的输出均作为下一层全连接层的输入，第五层非线性激活层的输出为输出矩阵ΔW，
[0007]调制模块对全连接层的输出进行调制，调制模块的调制过程如下：
[0008][0009]其中，x
’
为调制模块的输出，x为全连接层的输出，f
r
(e)和f
β
(e)分别为两个传递参数不同的全连接网络的输出，所述两个全连接网络包括两个全连接层、一个特征归一化层
和一个激活层，σ
x
和u
x
分别为x的标准差和均值，e为调制条件，所述调制条件包括图像编码或文本编码
[0010]进一步的，采集不同状态下车轴上脱轨自动装置拉环部分子图的具体方法为：
[0011]采集车辆在不同状态下的灰度图像，根据车轴定位信息在灰度图像中截取脱轨自动装置拉环所在部分的子图。
[0012]进一步的，上述车轴定位信息为车轴在灰度图像中的坐标。
[0013]一种计算机可读的存储设备，存储设备存储有计算机程序，计算机程序被执行时实现如上述脱轨自动装置拉环脱落故障的图像生成方法。
[0014]脱轨自动装置拉环脱落故障的图像生成装置，包括存储设备、处理器以及存储在存储设备中并可在处理器上运行的计算机程序，处理器执行计算机程序实现如上述脱轨自动装置拉环脱落故障的图像生成方法。
[0015]脱轨自动装置拉环脱落故障的检测方法，采用上述脱轨自动装置拉环脱落故障的图像生成方法获得不同状态下脱轨自动装置拉环的故障图像，以及不同状态下脱轨自动装置的正常图像，将所有故障图像和正常图像构建训练集，利用训练集训练目标检测模型，将被测脱轨自动装置拉环图像输入至训练好的目标检测模型中，实现对被测脱轨自动装置拉环脱落故障的检测。
[0016]进一步的，上述目标检测模型为faster
‑
rcnn模型。
[0017]一种计算机可读的存储设备，存储设备存储有计算机程序，计算机程序被执行时实现如上述脱轨自动装置拉环脱落故障的检测方法。
[0018]脱轨自动装置拉环脱落故障的检测装置，包括存储设备、处理器以及存储在存储设备中并可在处理器上运行的计算机程序，处理器执行计算机程序实现如上述脱轨自动装置拉环脱落故障的检测方法。
[0019]本专利技术所述的脱轨自动装置拉环脱落故障的图像生成及检测方法的有益效果如下：
[0020]1、利用图像自动识别的方式代替人工检测，提高检测效率、准确率。
[0021]2、将深度学习算法应用到脱轨自动装置拉环故障自动识别中，提高整体算法的稳定性及精度。
[0022]3、本识别框架不依赖于异常数据检查脱轨自动装置拉环脱落的故障，减少了收集异常图像及手动ps模拟故障的工作。
附图说明
[0023]图1为映射器子网络的结构图；
[0024]图2为调制模块的结构图；
[0025]图3为故障图像自动生成网络模型图；
[0026]图4为脱轨自动装置拉环脱落故障的检测方法流程图。
具体实施方式
[0027]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于
本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，都属于本专利技术保护的范围。需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0028]具体实施方式一：参照图3具体说明本实施方式，本实施方式所述的脱轨自动装置拉环脱落故障的图像生成方法，具体如下：
[0029]采集不同状态下车轴上脱轨自动装置拉环部分的子图。
[0030]利用预先训练好的StyleGAN(Style Generative Adversarial Networks)作为其生成器，将子图输入至StyleGAN的编码器中，获得目标图像的隐码W，然后根据隐码W的高、中、低语义级别分为三部分，三部分分别记为W
c
、W
m
、W
f
。
[0031]给定期望故障图像的形态信息和文本旋转角度，利用CLIP(Contrastive Language
‑
Image Pretraining，多模态模型)模型将期望故障图像的形态信息和文本旋转角度分别进行编码，将两种信息编码为512维条件嵌入，获得图像编码和文本编码并且将和留在共享潜在空间中。
[0032]将隐码W的三部分分别作为三个映射器子网络(M
c
、M
m
、M
f
)的输入，同时还将图像编码和文本编码也作为三个映射器子网络的输入，分别获得三本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.脱轨自动装置拉环脱落故障的图像生成方法，其特征在于，采集不同状态下车轴上脱轨自动装置拉环部分的子图，将所述子图输入至StyleGAN的编码器中，获得目标图像的隐码W，然后根据所述隐码W的高、中、低语义级别分为三部分，利用CLIP模型将期望故障图像的形态信息和文本旋转角度分别进行编码，获得图像编码和文本编码将所述隐码W的三部分分别作为三个映射器子网络的输入，同时还将图像编码和文本编码也作为三个映射器子网络的输入，分别获得三个映射器子网络的输出，将所述三个映射器子网络的输出进行纵向矩阵拼接获得输出矩阵ΔW，将所述输出矩阵ΔW和所述隐码W相加获得W
’
，并将W
’
输入至StyleGAN的解码器中，该解码器的输出为生成的故障图像。2.根据权利要求1所述的脱轨自动装置拉环脱落故障的图像生成方法，其特征在于，所述映射器子网络包括五层结构，每层结构均包括全连接层、调制模块和非线性激活层，所述隐码W作为第一层全连接层的输入，图像编码和文本编码作为每一层调制模块的输入，每一层的调制模块均用于对同层的全连接层输出进行调制、并将调制结果输入至同层的非线性激活层中，每一层非线性激活层的输出均作为下一层全连接层的输入，第五层非线性激活层的输出为输出矩阵ΔW，调制模块对全连接层的输出进行调制，所述调制模块的调制过程如下：其中，x
’
为调制模块的输出，x为全连接层的输出，f
r
(e)和f
β
(e)分别为两个传递参数不同的全连接网络的输出，所述两个全连接网络包括两个全连接层、一个特征归一化层和一个激活层，σ
x
和u
x
分别为x的标准差和均值，e为调制条件，所述调制条件包括...

【专利技术属性】
技术研发人员：姜鸿，
申请(专利权)人：哈尔滨市科佳通用机电股份有限公司，
类型：发明
国别省市：