(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211229947.0 (22)申请日 2022.10.08 (71)申请人 哈尔滨市科佳通用机电股份有限公 司 地址 150060 黑龙江省哈尔滨市经开区哈 平路集中区潍 坊路2号 (72)发明人 孙晶　 (74)专利代理 机构 哈尔滨市松花江专利商标事 务所 23109 专利代理师 高倩 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/40(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 闸调器控制杆圆销和圆销开口销丢失检测 方法 (57)摘要 闸调器控制杆圆销和圆销开口销丢失检测 方法,解决了现有自动化故障检测方法的准确程 度低的问题， 属于铁路货车故障检测领域。 本发 明包括:S1、 截取闸调器控制杆圆销和圆销开口 销图像， 送入故障检测模 型中， 输出检测结果； 故 障检测模型为Cascade  R‑CNN网络模型， 其骨干 网络为ResNet50； 训练时:采用铁路货车数据自 监督方法对ResNet 50进行预训练； 采用生成式对 抗网络对有标签的样本数据集进行模糊增强， 再 基于自迭代思想进行数据筛选,利用样本数据集 对故障检测模 型训练， 采用随机权重平均算法对 Cascade R‑CNN进行优化； 如果检测结果中没有 检测到闸调器控制杆圆销和圆销开口销， 则图像 为故障图像， 上传故障报文， 进行下一张图像检 测。 权利要求书2页 说明书7页 附图2页 CN 115526874 A 2022.12.27 CN 115526874 A 1.闸调器控制杆圆销和圆销开口销丢失检测方法， 其特 征在于， 所述方法包括： S1、 获取过车的铁路货车底部的图像， 截取闸调器控制杆圆销和圆销开口销图像， S2、 将截取的图像送入故障检测模型中， 故障检测模型输出检测结果； 所述故障检测模型为Cascade  R‑CNN网络模型， Cascade  R‑CNN网络模型的骨干网络为 ResNet50； 对故障检测模型的训练方法包括： 采用无标签的铁路货车数据自监督方法对ResNet50 进行预训练， 得到ResNet5 0的预训练权 重； 建立闸调器控制杆圆销和圆销开口销图像的有标签样本数据集， 采用生成式对抗网络 对样本数据集中的图像进 行模糊增强， 并对模糊增强后的数据集基于自迭代思进 行数据筛 选， 获得筛 选后的样本数据集； 采用筛选后的样本数据集对故障检测模型进行训练， 并采用随机权重平均算法SWA对 Cascade R‑CNN网络模型进行优化， 确定Cascade  R‑CNN网络模型的超参数， 完成故障检测 模型的训练， 获得故障检测模型的最终权 重； S3、 如果检测结果中没有检测到闸调器控制杆 圆销和圆销开口销， 则图像为故障图像， 上传故障报文， 否则转入S1， 获取 下一张图像。 2.根据权利要求1所述的闸调器控制杆圆销和圆销开口销 丢失检测方法， 其特征在于， 所述采用自监 督方法对ResNet5 0进行训练的方法包括： S21、 获取无标签的铁路货车线阵图像作为预训练集， 对预训练集进行数据增 强， 使预 训练集中的每张图像生成正样本对(xi,xj)和负样本zk； S22、 将xi和xj分别输入至两个骨干网络Encoder 中， 两个骨干网络Encoder各自提取出 特征； S23、 将两个骨干网络Encoder各自提取出的特征分别输入至一个MLP网络中， 两个MLP 网络输出的zi和zj； 两个骨干网络Encoder的参数是共享的， 且骨干网络Encoder为所述 ResNet50； S25、 根据两个MLP网络输出的zi和zj及负样本zk， 计算损失函数， 调整骨干网络Encoder 的权重。 3.根据权利要求2所述的闸调器控制杆圆销和圆销开口销 丢失检测方法， 其特征在于， 所述S21中， 获取无标签的铁路货车线阵图像， 将无标签的铁路货车线阵图像随机的裁剪成 1024*1024， 1024*512， 1024*512， 512 *512， 256*512， 512 *256， 256*256多个尺寸组成预训练 集， 。 4.根据权利要求3所述的闸调器控制杆圆销和圆销开口销 丢失检测方法， 其特征在于， 所述S21中， 对预训练集进行数据增强的方法为： 对预训练集中图像进行图像拉伸、 颜色抖 动或亮度调整， 再与原图像进行融合成为 新图像， 将新图像加入至预训练集中。 5.根据权利要求3所述的闸调器控制杆圆销和圆销开口销 丢失检测方法， 其特征在于， 所述损失函数为： 其中， 2N为预训练集中样本的数量。权　利　要　求　书 1/2 页 2 CN 115526874 A 26.根据权利要求1所述的闸调器控制杆圆销和圆销开口销 丢失检测方法， 其特征在于， 所述生成式对抗网络为pix2pix网络 。 7.根据权利要求1所述的闸调器控制杆圆销和圆销开口销 丢失检测方法， 其特征在于， 并对模糊增强后的数据集基于自迭代思 进行数据筛选， 获得筛 选后的样本数据集： 如果数据集中某张图像上检测目标的预测框 置信度都小于 0.5， 则删除该张图像； 如果某个 检测目标， 预测框 置信度不小于 0.5， 但是没有标记信息存在， 则添加标记框； 如果预测框和真值框的IOU大于 0.4， 但是类别不 一致， 则修正标记信息 。 8.根据权利要求1所述的闸调器控制杆圆销和圆销开口销 丢失检测方法， 其特征在于， 采用随机 权重平均算法SWA对Cascade  R‑CNN网络模型进行优化， 包括： 训练20轮得到20个Cascade  R‑CNN网络模型， 使用SWA方法更新权重， 采用第9 ‑19轮阶 段的模型加权融合 为最终模型； SWA更新权 重公式为： wSWA表示随机梯度更新的平均值,nmodels表示模型的数量， w表示随机梯度更新； 融合第i轮阶段的模型后的公式： SWA_modeli‑1表示第i‑1轮模型的随机权重平均， SWA_modeli表示第i轮模型的随机权重 平均。 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任一所述闸调器控制杆圆销和圆销开口销丢失检 测方法。 10.一种闸调器控制杆圆销和圆销开口销 丢失检测装置， 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任一所述闸调器控制杆圆销和圆销开口销丢失检 测方法。权　利　要　求　书 2/2 页 3 CN 115526874 A 3