摘要：針對電力機車走行部螺桿數(shù)量眾多導(dǎo)致巡檢費時費力等問題，提出了一種基于深度學(xué)習(xí)的螺桿松動故障智能檢測方法。通過將采集到的螺桿圖像建成標(biāo)簽數(shù)據(jù)集，并用于Pytorch框架下的YOLOv3網(wǎng)絡(luò)模型訓(xùn)練，可以實現(xiàn)螺桿快速識別和裁剪。利用OpenCV計算機視覺庫對裁剪得到的螺桿圖像進(jìn)行圖像增強、Canny邊緣檢測、最小外接矩形算法等傳統(tǒng)圖像處理手段，提取目標(biāo)輪廓并計算其偏轉(zhuǎn)角度與閾值的差值，實現(xiàn)螺桿松動的定量檢測。結(jié)果表明，所提方法對螺桿松動故障具有較好的識別效果，同時能夠?qū)崿F(xiàn)自動化、智能化，避免人為主觀判斷帶來的影響。

關(guān)鍵詞：機車走行部；螺桿松動；故障檢測；YOLOv3；邊緣檢測

一、前言

螺桿是電力機車走行部廣泛采用的緊固件，具有連接力大、便于裝拆，成本低等優(yōu)點。然而，隨著鐵路運輸對電力機車速度和軸重的要求不斷提高，走行部承受的載荷狀況越來越惡劣，使得螺桿在沖擊、振動、變載荷等復(fù)雜環(huán)境中工作，此時螺紋連接的摩擦力和預(yù)緊力會逐漸減小，反復(fù)多次后造成螺桿松動，最終帶來災(zāi)難性的后果。因此，為保障電力機車的安全運行，對走行部螺桿進(jìn)行松動故障檢測意義重大。

在螺桿無損檢測領(lǐng)域，已經(jīng)提出了諸多使用非破壞性技術(shù)識別螺桿松動的方法，其中基于傳感器的檢測方法較為常見，主要有聲彈效應(yīng)法、導(dǎo)波法和阻抗法。

聲彈效應(yīng)法使用超聲傳感器通過對比收到的回波信號與發(fā)出信號在傳播速度上的變化來測量螺桿的預(yù)緊力變化[1]；導(dǎo)波法利用壓電傳感器檢測螺桿預(yù)緊力的動態(tài)變化[2]；阻抗法利用壓電材料的正負(fù)壓電效應(yīng)[3]，以檢測到的電阻抗是否有變化作為依據(jù)，判斷螺桿的松動程度，該方法彌補了導(dǎo)波法局部區(qū)域內(nèi)檢測效果較差的不足，具有較大的頻率帶寬。

基于傳感器的檢測方法需要給每一個待檢測的螺桿配備硬件裝置來采集檢測所需要的信號，存在測量設(shè)備復(fù)雜，成本昂貴，需要大量傳感器裝置等問題，不適用于電力機車走行部螺桿數(shù)量非常龐大的應(yīng)用場景。

近年來，隨著人工智能的發(fā)展以及計算機視覺技術(shù)的成熟，利用圖像處理技術(shù)與深度學(xué)習(xí)的螺桿松動檢測成為研究的熱點，主要檢測方式是通過計算機對螺桿圖像進(jìn)行分析處理，在圖像中定位螺桿位置，再通過圖像識別、圖像分割、數(shù)字圖像處理等手段來檢測螺桿在結(jié)構(gòu)或者角度上是否出現(xiàn)了變化，從而判斷螺桿是否松動。

文獻(xiàn)[4]基于聚類 RBF 網(wǎng)絡(luò)利用離散變換提取圖像的可識別分離特征應(yīng)用于飛機螺桿松動檢測算法；文獻(xiàn)[5]將頂端螺桿的螺紋數(shù)和寬高比兩個特征作為檢測依據(jù)，在卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上提出了螺桿異常檢測方法。

但是上述方法主要適用于螺桿發(fā)生非常明顯松動的場景，尚未針對電力機車走行部螺桿松動問題的檢測方法進(jìn)行研究。本文提出一種數(shù)字圖像處理與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的螺桿松動故障檢測方法，相較于傳統(tǒng)人工實地目測有識別速度快、精度穩(wěn)定、自動化程度高等優(yōu)點。

二、YOLOv3算法分析

2018年，Redmon等提出了YOLOv3算法，YOLOv3在YOLO系列上做出的主要改進(jìn)有：設(shè)計了 Darknet-53 作為特征提取網(wǎng)絡(luò)、構(gòu)建特征金字塔（FPN）、采用３種尺度的YOLO層進(jìn)行預(yù)測、利用Logistic進(jìn)行目標(biāo)分類。

YOLOv3進(jìn)行目標(biāo)檢測時，首先將輸入圖像縮放為 416×416，然后將圖像劃分為S×S個網(wǎng)格，每個網(wǎng)格負(fù)責(zé)預(yù)測中心落在該網(wǎng)格的目標(biāo)，預(yù)測值見式（1）。

P=S×S×B（5+C）" " " " " " " " " " " " " nbsp; " （1）

式中，P為預(yù)測結(jié)果，B為預(yù)測框的數(shù)量，C為檢測物體類別數(shù)，5 表示預(yù)測框的坐標(biāo)（x，y）、寬 w、高 h以及預(yù)測框中檢測物體的置信得分（如果存在檢測物體為 1，否則為 0）。

最后，使用非極大抑制（NMS）算法篩選出置信度得分較高的預(yù)測框為檢測框。

損失函數(shù)的計算包括預(yù)測框坐標(biāo)誤差lossxy、預(yù)測框的寬高誤差losswh、置信度誤差lossconf和類別誤差lossclass，計算公式如式（2）-（5）[6，7]。

式中，i表示網(wǎng)格序號，j表示預(yù)測框序號。

三、螺桿松動智能檢測算法

（一）螺桿圖像識別

通過Pytorch1.2.0+Python3.6.13搭建YOLOv3目標(biāo)檢測平臺，利用LabelImg對采集的螺桿圖像進(jìn)行標(biāo)注，構(gòu)建VOC格式數(shù)據(jù)集投入網(wǎng)絡(luò)訓(xùn)練，最后成功識別螺桿并裁剪保存[8]。

在配置為Intel Core（TM） i5-8250 CPU@1.60GHz、6GB NVIDIA GeFoce MX150、8GB RAM的 windows10操作系統(tǒng)上進(jìn)行網(wǎng)絡(luò)訓(xùn)練，部分網(wǎng)絡(luò)參數(shù)設(shè)置如表1。訓(xùn)練與驗證同時進(jìn)行，采用余弦學(xué)習(xí)率衰減策略，并使用隨機梯度下降（SGD）進(jìn)行優(yōu)化。

圖1展示了YOLOv3網(wǎng)絡(luò)訓(xùn)練過程在訓(xùn)練集與驗證集上的損失值收斂曲線。

（二）評價指標(biāo)

首先計算出模型的精確率P為90.48%和召回率R為54.81%，計算如式（6）和式（7） ，然后結(jié)合這兩個角度，利用平均準(zhǔn)確度AP評價模型的檢測效果，訓(xùn)練后YOLOv3對螺桿檢測準(zhǔn)確達(dá)82.64%，計算如式（8）。

（三）螺桿松動檢測

檢測螺桿松動的核心思想是提取螺桿防松線區(qū)域（本文中為紅色區(qū)域）的輪廓，計算所有輪廓的偏轉(zhuǎn)角度θ，如果未達(dá)到閾值則認(rèn)為螺桿沒有松動。

首先，利用Python-Opencv 函數(shù)庫對裁剪得到的螺桿圖像進(jìn)行圖像增強，包括圖像去噪、顏色空間轉(zhuǎn)換和圖像二值化，二值化函數(shù)第二和第三個參數(shù)為紅色在HSV色彩空間中的范圍。然后，通過圖像形態(tài)學(xué)處理對二值化圖像降噪，采用先腐蝕后膨脹的操作，可以去除噪點，連接斷點。最后，利用Canny算子進(jìn)行邊緣檢測。Canny算子不容易受噪聲干擾，能夠檢測到真正的弱邊緣，它最重要的特點就是試圖將獨立的候選像素拼裝成輪廓。

在此基礎(chǔ)上，提取并篩選圖像外部輪廓。采用函數(shù)cv2.minAreaRect（）生成最小外接矩形，返回值包括矩形的中心點坐標(biāo)、長、寬、旋轉(zhuǎn)角度[0，90）。將每個矩形旋轉(zhuǎn)角度轉(zhuǎn)化為與 OpenCV 中單個坐標(biāo)軸（x或y）夾角的絕對值，計算它們的角度差值并與閾值進(jìn)行比較。

四、實驗結(jié)果與分析

（一）螺桿數(shù)據(jù)集

數(shù)據(jù)集是深度學(xué)習(xí)的基礎(chǔ)，然而針對電力機車走行部螺桿檢測，尚沒有公開的圖像數(shù)據(jù)集可供使用。本文使用在太原鐵路局湖東電力機務(wù)段現(xiàn)場拍攝的圖像為主數(shù)據(jù)，將從互聯(lián)網(wǎng)爬取的螺桿圖片作為輔助數(shù)據(jù)，借助 LabelImg 圖像標(biāo)注工具構(gòu)建螺桿圖像標(biāo)簽數(shù)據(jù)集。該數(shù)據(jù)集經(jīng)過數(shù)據(jù)篩選和數(shù)據(jù)增強后，由 666 張共包含 1025 個檢測螺桿的圖像組成。

（二）網(wǎng)絡(luò)預(yù)測結(jié)果

利用 Anconda 配置虛擬環(huán)境 pytorch，搭建 YOLOv3 目標(biāo)檢測網(wǎng)絡(luò)。將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集、測試集三個子集，投入網(wǎng)絡(luò)訓(xùn)練如圖2所示。經(jīng)過 300 個輪次（epoch）后，loss 收斂至 0.03，模型訓(xùn)練完成。

從螺桿數(shù)據(jù)集中隨機抽取 6 張圖片進(jìn)行預(yù)測，紅色檢測框數(shù)字為置信度（0-1），代表對檢測結(jié)果為螺桿的把握，結(jié)果如圖2所示。

結(jié)果表明，訓(xùn)練后的模型可以有效預(yù)測螺桿松動，但當(dāng)一張圖像中存在多個螺桿時，置信度會有所下降。

（三）松動判定結(jié)果

從 YOLOv3 預(yù)測結(jié)果中隨機選取 10 張螺桿圖像進(jìn)行松動檢測，設(shè)置安全閾值 θ0=6，完成檢測時間總共不到 1 秒，檢測結(jié)果如表2所示。

根據(jù)結(jié)果可知，本文所提方法能快速完成螺桿松動檢測，并返回松動程度相關(guān)數(shù)據(jù)，便于掌握螺桿松動狀態(tài)。

五、結(jié)語

本文深度學(xué)習(xí)、應(yīng)用到電力機車走行部檢測領(lǐng)域，提出了一種螺桿松動故障智能檢測方法。使用采集的螺桿圖像構(gòu)建數(shù)據(jù)集，通過引入YOLOv3卷積神經(jīng)網(wǎng)絡(luò)，訓(xùn)練后識別準(zhǔn)確率達(dá) 82.64%。針對螺桿松動判斷，采用 Canny 邊緣檢測、最小外接矩形算法等傳統(tǒng)圖像處理手段，計算螺桿偏轉(zhuǎn)角度，實現(xiàn)定量檢測。

參考文獻(xiàn)

[1]佘丹.電力機車裝配過程中螺紋緊固件的防松處理[J].電力機車技術(shù)，2002（02）：30-32

[2]劉傳波，孫靜明，莫易敏.螺紋緊固件防松性能影響因素研究[J].現(xiàn)代制造工程，2018（04）：138-143.

[3]潘勤學(xué)，邵唱，肖定國，等.基于形狀因子的螺栓緊固力超聲檢測方法研究[J].兵工學(xué)報，2019，40（04）：880-888.

[4]Pan Q， Pan R， Chang M， et al. A shape factor based ultrasonic measurement method for determination of bolt preload[J]. NDT amp; E International， 2020， 111： 102210.

[5]杜飛，徐超.螺栓連接松動的導(dǎo)波監(jiān)測技術(shù)綜述[J].宇航總體技術(shù)，2018（04）：13-23.

[6]李元生，高慶.基于小波分析的飛行器結(jié)構(gòu)緊固件松動故障分析方法[J].強度與環(huán)境，2013，40（04）：48-51.

[7]王濤，楊志武，邵俊華，等.基于壓電阻抗技術(shù)的螺栓松動檢測試驗研究[J].傳感技術(shù)學(xué)報，2014，27（10）：1321-1325.

[8]王慶領(lǐng)，程慶陽，謝雋然.螺栓松動檢測的若干關(guān)鍵技術(shù)問題[J].科學(xué)技術(shù)與工程，2021，21（22）：9194-9202.

作者單位：中國鐵路太原局集團(tuán)有限公司機務(wù)部

■ 責(zé)任編輯：周航