(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 20221085907 7.9 (22)申请日 2022.07.20 (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 邓艳　 (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 张换男 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种铁路货车BAB型闸调器 拉杆头折断故障 识别方法 (57)摘要 一种铁路货车BAB型闸调器 拉杆头折断故障 识别方法， 它属于故障识别技术领域。 本发明解 决了采用现有方法对BAB型闸调器拉杆头折断故 障进行检测时， 容易出现漏检、 错检的问题。 本发 明方法采用的技术方案为： 步骤一、 获取BAB型闸 调器拉杆头子图数据集， 再将获取的子图的尺寸 归一化到M*N大小， 并基于归一化后的图像构造 训练集； 步骤二、 构建拉杆头折断故障识别模型； 步骤三、 利用训练集对构建的拉杆头折断故障识 别模型进行训练； 步骤四、 利用训练好的拉杆头 折断故障识别模型对待检测的BAB型闸调器 拉杆 头子图进行故障识别。 本发明方法可以应用于 BAB型闸调器拉杆头折断故障检测。 权利要求书3页 说明书9页 附图3页 CN 115272850 A 2022.11.01 CN 115272850 A 1.一种铁路货车BAB型闸调器拉杆头折断故障识别方法， 其特征在于， 所述方法具体通 过以下步骤实现： 步骤一、 获取BAB型闸调器拉杆头子图数据集， 再将获取的子图的尺寸归一化到M*N大 小， 并基于归一 化后的图像构造训练集； 步骤二、 构建拉杆头折断故障识别模型CA ‑YoLoX‑S 所述拉杆头折断故障识别模型包括主干特征提取网络CSPDarknet、 加强特征提取网络 和分类回归网络； 所述主干特征提取网络CSPDarknet包括输入层、 Focus层、 第一卷积单元至第五卷积单 元、 第一CSPL ayer层至第四CSPL ayer层、 SPPBottleneck模块、 第一Coordin ate Attention 层至第四Coordinate  Attention层； 其中， 每个卷积单元均包括一个卷积层、 一个BN层以及 一个SiLU激活函数层； 所述加强特征提取网络包括第一卷积层至第三卷积层、 第一上采样层至第三上采样 层、 第五Coordinate  Attention层至第十Coordinate  Attention层、 第一Concat+CSPLayer 层至第六Co ncat+CSPLayer层以及第一下采样层至第三下采样层； 所述分类回归网络包括第一Yo loHead模块、 第二Yo loHead模块和第三Yo loHead模块； 训练集图像通过主干特征提取网络CSPDarknet的输入层输入到拉杆头折断故障识别 模型； 输入图像再依次经过主干特征提取网络CSPDarknet的Focus层、 第一卷积单元、 第二卷 积单元和第一CSPLayer层， 再将第一CSPLayer层的输出分别输入到第三卷积单元和第一 Coordinate  Attention层， 第一Coordinate  Attention层的输出输入到第三Concat+ CSPLayer层； 第三卷积单元的输出再经过第二CSPLayer层， 再将第二CSPLayer层的输出分别输入到 第四卷积单元和第二Coordinate  Attention层， 第二Coordinate  Attention层的输 出输入 到第二Co ncat+CSPLayer层； 第四卷积单元的输出经过第三CSPL ayer层， 再将第三CSPL ayer层的输出分别输入到第 五卷积单元和第三Coordinate  Attention层， 第三Coordinate  Attention层的输 出输入到 第一Concat+CSPLayer层； 第五卷积单元的输出再依次经过SPPBottleneck模块和第四CSPLayer层， 再将第四 CSPLayer层的输出作为第四Co ordinate Attention层的输入； 将第四Coordinate  Attention层的输出作为第一卷积层的输入， 第一卷积层的输出再 依次经过第一上采样层和第五Coordinate  Attention层， 再将第五Coordinate  Attention 层的输出输入到第一Concat+CSPLayer层， 第一Concat+CSPLayer层的输出作为第二卷积层 的输入； 第二卷积层的输出再依次经过第二上采样层和第六Coordinate  Attention层， 再将第 六Coordinate  Attention层的输 出输入到第二Concat+CSPLayer层， 第二Concat+CSPLayer 层的输出作为第三卷积层的输入； 第三卷积层的输出再依次经过第三上采样层和第七Coordinate  Attention层， 再将第 七Coordinate  Attention层的输 出输入到第三Concat+CSPLayer层， 第三Concat+CSPLayer 层的输出作为第一下采样层的输入；权　利　要　求　书 1/3 页 2 CN 115272850 A 2将第一下采样层的输出再输入到第八Coordinate  Attention层， 再将第八Coordinate   Attention层的输出作为第四Concat+CSPLayer层的输入， 在第四Concat+CSPLayer层内， 第 八Coordinate  Attention层的输出与第三卷积层的输出首先进行融合， 融合结果再经过 CSPLayer操作， 获得第四Co ncat+CSPLayer层的输出； 第四Concat+CSPLayer层的输出输入到第二下采样层； 将第二下采样层的输出再输入到第九Coordinate  Attention层， 再将第九Coordinate   Attention层的输出输入到第五Concat+CSPLayer层， 在第五Concat+CSPLayer层内， 第九 Coordinate  Attention层的输出与第二卷积层的输出首先进行融合， 融合结果再经过 CSPLayer操作， 获得第五Co ncat+CSPLayer层的输出； 第五Concat+CSPLayer层的输出输入到第三下采样层； 将第三下采样层的输出再输入到第十Coordinate  Attention层， 再将第十Coordinate   Attention层的输出输入到第六Concat+CSPLayer层， 在第六Concat+CSPLayer层内， 第十 Coordinate  Attention层的输出与第一卷积层的输出首先进行融合， 融合结果再经过 CSPLayer操作， 获得第六Co ncat+CSPLayer层的输出； 第四Concat+CSPLayer层的输出输入到第一YoloHe ad模块， 第五Concat+CSPLayer层的 输出输入到第二Yo loHead模块， 第六Co ncat+CSPLayer层的输出输入到第三Yo loHead模块； 对第一YoloHead模块、 第二YoloHead模块和第三YoloHead模块的输出进行融合， 再根 据融合结果获得故障识别结果； 步骤三、 利用训练集对构建的拉杆头折断故障识别模型进行训练； 步骤四、 获取待检测的BAB 型闸调器拉杆头子图， 将待检测图像通过CutMix方式和直方 图均衡化方式进 行图像增强， 将图像增强后的图像输入到训练好的拉杆头折断故障识别模 型， 若模型检测到拉杆头折断故障， 则根据拉杆头折断位置的坐标判断拉杆头折断区域的 长、 宽是否在设定的阈值范围内， 若长和宽均在设定的阈值范围内， 则进行故障报警， 否则 不进行故障报警。 2.根据权利要求1所述的一种铁路货车BAB型闸调器拉杆头折断故障识别方法， 其特征 在于， 所述 步骤一中， 获取BAB型闸调器拉杆头 子图数据集的具体过程 为： 利用搭建在货车轨道周围的高清成像设备获取货车图像， 再采用深度 学习网络对获取 到的图像中的闸调器进 行分类和定位， 若对闸调器的分类结果为属于BAB型闸调器， 则根据 定位结果从获取 的图像中截取出BAB型闸调器拉杆头子图， 获取到的全部拉杆头子图组成 拉杆头子图数据集； 否则， 若对闸调器的分类结果 为属于其它类型闸调器， 则不做处 理。 3.根据权利要求2所述的一种铁路货车BAB型闸调器拉杆头折断故障识别方法， 其特征 在于， 所述采用深度学习网络对获取到的图像中的闸调器进行分类和定位， 是通过TFDS系 统框架先导模块实现的。 4.根据权利要求1所述的一种铁路货车BAB型闸调器拉杆头折断故障识别方法， 其特征 在于， 所述将获取的子图的尺寸归一 化到M*N是将获取的子图的尺寸归一 化到640*320。 5.根据权利要求1所述的一种铁路货车BAB型闸调器拉杆头折断故障识别方法， 其特征 在于， 所述基于归一 化后的图像构