燒結(jié)基于改進(jìn)DeepLabv3+的燒結(jié)機(jī)車輪擺動(dòng)檢測算法研究

張昊， 陳波，梅佳銳，楊虎生，王月明

（內(nèi)蒙古科技大學(xué) 自動(dòng)化與電氣工程學(xué)院，內(nèi)蒙古 包頭 014010）

摘要：燒結(jié)機(jī)作為燒結(jié)環(huán)節(jié)的重要設(shè)備，其輪軸健康狀態(tài)對于燒結(jié)機(jī)安全生產(chǎn)具有重要意義。車輪擺動(dòng)作為輪軸故障的典型特征，可以用來對其進(jìn)行監(jiān)測與預(yù)警。本文針對生產(chǎn)現(xiàn)場缺少對燒結(jié)機(jī)臺車輪軸故障預(yù)警的有效手段，提出了一種基于車輪擺動(dòng)角度的檢測方案，并構(gòu)建了基于改進(jìn)DeepLabv3+的燒結(jié)機(jī)臺車車輪擺動(dòng)的檢測算法。該算法通過對比選取車輪分割性能最優(yōu)的模型；根據(jù)分割后的車輪掩膜圖像，確定基準(zhǔn)線與車輪的最小外接矩形框，利用其夾角確定車輪的擺動(dòng)角度；設(shè)定預(yù)警規(guī)則，通過車輪擺動(dòng)角度與預(yù)警規(guī)則對比，對車輪擺動(dòng)按照風(fēng)險(xiǎn)等級分類。試驗(yàn)表明，最優(yōu)改進(jìn)DeepLabv3+模型相較于初始模型平均交并比提升1.7%，模型大小減少92.9%；使用其作為分割模型對車輪擺動(dòng)角度檢測，角度誤差在所設(shè)定區(qū)間達(dá)到0.6°以下；利用設(shè)定的預(yù)警規(guī)則進(jìn)行車輪擺動(dòng)故障的判定，測得平均正確檢出率為96.1%，在此基礎(chǔ)上設(shè)計(jì)了車輪擺動(dòng)自動(dòng)檢測系統(tǒng)，可以為輪軸故障的診斷提供技術(shù)支持。

關(guān)鍵詞：語義分割；擺動(dòng)檢測；輪軸故障；燒結(jié)機(jī)臺車；檢測系統(tǒng) 

燒結(jié)機(jī)是生產(chǎn)燒結(jié)礦的主要設(shè)備之一。在燒結(jié)過程中，燒結(jié)機(jī)臺車車輪會(huì)時(shí)刻處在高扭矩的狀態(tài)，輪軸部位極易發(fā)生油脂皂化、保持架破裂軸承滾珠缺損等故障1-21。輪軸發(fā)生故障時(shí)，車輪會(huì)發(fā)生擺動(dòng)，需及時(shí)處理，否則易造成燒結(jié)機(jī)故障停機(jī)，降低企業(yè)的經(jīng)濟(jì)效益。目前，雖然生產(chǎn)現(xiàn)場大多依舊采用人工巡查的形式對輪軸故障進(jìn)行監(jiān)測，缺乏行之有效的自動(dòng)化監(jiān)測手段，容易導(dǎo)致故障漏檢的發(fā)生。但近年來，研究人員對輪軸故障進(jìn)行了大量研究[3-4。針對于高速列車的輪軸故障問題，大多采用輪軸溫度與振動(dòng)信號對故障進(jìn)行監(jiān)測?；跓犭娕寂浜侠涠搜a(bǔ)償。陳關(guān)君等5設(shè)計(jì)了一種軸承溫度監(jiān)測系統(tǒng)，通過監(jiān)測異常數(shù)據(jù)判定軸承故障。利用軸箱溫度數(shù)據(jù)與人工智能算法，LIU等提出利用軸箱軸承溫度相關(guān)變量的時(shí)間序列數(shù)據(jù)作為多變量長短時(shí)記憶網(wǎng)絡(luò)的輸人來預(yù)測未來的高速動(dòng)車組列車軸箱軸承溫度，從而實(shí)現(xiàn)故障預(yù)警?；谡駝?dòng)與聲發(fā)射技術(shù)，徐科繁等?提出了一種基于預(yù)制故障類型進(jìn)行故障診斷比對的模型，在800~1000r/min的轉(zhuǎn)速范圍取得了較好的效果。利用電機(jī)軸承的振動(dòng)信號，全兆景等[】提出了一種利用改進(jìn)貝葉斯網(wǎng)絡(luò)的故障診斷模型，在軸承多故障分類上取得了良好效果。

然而上述研究主要針對高速列車，燒結(jié)機(jī)臺車屬于典型的低速重載車輛，輪軸熱量不易聚集，且燒結(jié)現(xiàn)場燒結(jié)礦溫度較高，生產(chǎn)現(xiàn)場振動(dòng)噪音較大加之燒結(jié)機(jī)臺車循環(huán)往復(fù)運(yùn)行，傳統(tǒng)的溫度與振動(dòng)傳感器不能很好的對車軸狀態(tài)進(jìn)行監(jiān)測目前，生產(chǎn)現(xiàn)場仍缺少對燒結(jié)機(jī)臺車輪軸故障自動(dòng)化檢測的有效手段。

隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，其與計(jì)算機(jī)視覺技術(shù)的結(jié)合也被應(yīng)用在故障的監(jiān)測與狀態(tài)判斷上!9-1。通過攝像頭采集軸承等部件的圖像利用圖像邊緣識別算法實(shí)現(xiàn)圖像數(shù)據(jù)的處理，李騰宇等!2]提出了一種深井提升機(jī)軸承可視化監(jiān)測應(yīng)用?；赮OLOv5 目標(biāo)識別算法，袁志龍等(]

提出了一種燒結(jié)機(jī)臺車車輪踏面缺陷檢測系統(tǒng)，對車輪踏面缺陷的查全率為92%以上。基于改進(jìn)的 Deeplabv3+，孫耀澤等[4]提出了一種車輪胎踏面損傷圖像的檢測方法。相較于其他測量方法:計(jì)算機(jī)視覺技術(shù)以無接觸、易安裝、能夠通過算法監(jiān)測故障的視覺特征，同時(shí)利用燒結(jié)機(jī)循環(huán)運(yùn)行，僅需在一處設(shè)置檢測裝置即可，可有效節(jié)約使用成本，正在被越來越多的應(yīng)用于生產(chǎn)現(xiàn)場[5]

針對生產(chǎn)現(xiàn)場缺少低速重載車輛輪軸故障的檢測方法，本文利用輪軸故障時(shí)出現(xiàn)的車輪擺動(dòng)視覺特征提出了一種基于車輪擺動(dòng)角度的輪軸故障檢測方案，并構(gòu)建了一種基于改進(jìn)DeepLabv3+的車輪擺動(dòng)檢測算法，設(shè)計(jì)車輪擺動(dòng)監(jiān)測系統(tǒng)以解決生產(chǎn)現(xiàn)場對于輪軸故障難以監(jiān)測的問題。

總體方案

臺車車輪擺動(dòng)檢測的硬件示意如圖1所示圖1中，側(cè)板編號記錄攝像機(jī)安裝在支架側(cè)邊以獲取臺車車輪對應(yīng)的唯一編號信息，車輪擺動(dòng)檢測攝像機(jī)安裝在臺車正上方的支架上，能夠?qū)囕啍[動(dòng)情況進(jìn)行檢測。兩臺攝像機(jī)將視頻數(shù)據(jù)傳入到服務(wù)器進(jìn)行車輪擺動(dòng)檢測算法處理與側(cè)板數(shù)字識別。當(dāng)車輪擺動(dòng)檢測攝像機(jī)檢測到車輪擺動(dòng)角度大小超過設(shè)定的閾值時(shí)，側(cè)板編號記錄攝像機(jī)采集擺動(dòng)車輪對應(yīng)的側(cè)板編號并推送人工處理。

首先通過對PSPNet、U-Net、DeepLabv3+型及其改進(jìn)模型進(jìn)行對比，選取車輪分割的最優(yōu)模型。并采用最優(yōu)分割模型對車輪區(qū)域進(jìn)行分割，得到包含車輪區(qū)域掩模的圖像，在車輪掩膜的圖像上一方面根據(jù)現(xiàn)場工況設(shè)定基準(zhǔn)線，另一方面對掩膜進(jìn)行圖像學(xué)處理，求取車輪的最小外接知形框，然后計(jì)算最小外接矩形框長邊相較于基準(zhǔn)線的相對角度，即為車輪的擺動(dòng)角度。通過車輪擺動(dòng)角度與設(shè)定的預(yù)警規(guī)則對比，對車輪擺動(dòng)進(jìn)行不同等級的預(yù)警、并設(shè)計(jì)車輪擺動(dòng)監(jiān)測系統(tǒng)

2車輪分割試驗(yàn)結(jié)果與分析

2.1數(shù)據(jù)集的采集

車輪數(shù)據(jù)集采用燒結(jié)機(jī)臺車生產(chǎn)現(xiàn)場的圖片，采集現(xiàn)場運(yùn)行車輪視頻并裁剪共得到數(shù)據(jù)集2140張，按照8:1:1劃分訓(xùn)練集、驗(yàn)證集、測試集。訓(xùn)練集用于訓(xùn)練模型，驗(yàn)證集用于在訓(xùn)練過程中調(diào)整模型，測試集用于評估模型性能。

2.2 分割模型的改進(jìn)

本文對 DeepLabv3+分割模型進(jìn)行三個(gè)方面的改進(jìn)。

①主干網(wǎng)絡(luò)方面。將DeepLabv3+模型編碼階段中的特征網(wǎng)絡(luò)Xception網(wǎng)絡(luò)換為MobileNetv2網(wǎng)絡(luò)。MobileNetv2利用深度可分離卷積來拆分普通卷積，大幅減少了模型參數(shù)。替換后的模型大小大幅減少，模型推理速度提升，更適用于生產(chǎn)現(xiàn)場的應(yīng)用。

②在編碼過程中的空洞空間卷積池化金字塔(atrous spatial pyramid pooling.ASPP)結(jié)構(gòu)中人壓縮和激勵(lì)注意力機(jī)制(squeeze-and-excitation,SE)。SE注意力機(jī)制的主要思想是對于每個(gè)通道的特征圖，通過全局池化得到一個(gè)全局統(tǒng)計(jì)信息，然后再計(jì)算一個(gè)通道的權(quán)重，最后利用權(quán)重對每個(gè)通道的特征進(jìn)行加權(quán)求和。通過引人SE注意力機(jī)制，可以使得模型在分割邊緣時(shí)更加精細(xì)，提高后續(xù)車輪擺動(dòng)角度檢測的精度。

③ 損失函數(shù)方面。本文采用 Dice 相似系數(shù)損失所數(shù)(soft dice coefficient loss，Dice Loss)結(jié)合交叉熵?fù)p失函數(shù)(cross-entropyloss，CE Loss)作為改進(jìn) DeepLabv3+網(wǎng)絡(luò)的損失函數(shù)。改進(jìn)后的損失函數(shù)F.可以由公式(1)表達(dá):

式中:a與B為權(quán)重系數(shù)，其權(quán)值可根據(jù)模型的訓(xùn)練效果進(jìn)行調(diào)整;(x;)表示模型預(yù)測樣本率;y(x;)表示樣本的真實(shí)標(biāo)簽概率;y;和分別表示第i個(gè)樣本的真實(shí)值與預(yù)測值;N為樣本總數(shù);ε是一個(gè)很小的數(shù)(用于避免分母為0)2.3 車輪分割模型的對比試驗(yàn)

為了更好地對車輪區(qū)域進(jìn)行分割，設(shè)計(jì)對比試驗(yàn)來對比在車輪分割任務(wù)中各分割模型的性能指標(biāo)。試驗(yàn)選取分割模型PSPNet、U-Net與原始DeepLabv3+模型及其改進(jìn)模型進(jìn)行比較。步驟①使用 PSPNet、U-Net與原始 DeepLabv3+進(jìn)行車輪分割試驗(yàn);②使用MobileNetv2網(wǎng)絡(luò)替換原DeepLabv3+中的Xception 網(wǎng)絡(luò)進(jìn)行試驗(yàn)，記頭D,;③ 使用替換主干網(wǎng)絡(luò)為 MobileNetv2、替換損失函數(shù)為的模型進(jìn)行試驗(yàn)，記為D,;4使用替換主干網(wǎng)絡(luò)為MobileNetv2、替換損失函數(shù)為F分別引人CBAM、CA、SE注意力機(jī)制的模型進(jìn)行試驗(yàn)分別記為 D、D、D、。試驗(yàn)結(jié)果如表1所示。

由表1可以看出，在車輪分割任務(wù)中，與分割模型 PSPNet、U-Net相比，原始 DeepLabv3+模型在模型大小，Sa、S。指標(biāo)均有優(yōu)勢。將原始DeepLabv3+模型的主干網(wǎng)絡(luò)_Xeeption 換為，模型大小減少90%以下，但

是Spa、Smu指標(biāo)均有小幅下降。更換損失函數(shù)后，Sv、Swoy值有一定上升。在引入通道注意力機(jī)制后，Sp、Smu值進(jìn)一步上升，其中引人SE注意力機(jī)制的模型D;在S、S..u指標(biāo)上均優(yōu)于其他方法。相較于原始DeepLabv3+模型，D、型權(quán)重大小減少92.9%，S.提升1.7%?？梢愿焖倬_的完成車輪區(qū)域的分割。

3 基于車輪掩膜的車輪擺動(dòng)檢測算法

3.1車輪擺動(dòng)角度的判定

選用第2節(jié)中改進(jìn)的DeepLabv3+模型D作為車輪的分割模型，將燒結(jié)機(jī)臺車車輪區(qū)域經(jīng)分割算法處理后，得到車輪的掩膜圖像。根據(jù)車輪的掩模圖像，進(jìn)行車輪擺動(dòng)角度的判定，效果如圖2所示。其中:圖2(a)為基準(zhǔn)線選定示意圖:在攝像頭固定后，選取鐵軌方向作為基準(zhǔn)直線方向;圖2(b)為對包含掩膜的圖像進(jìn)行高斯濾波、灰度化之后，利用HSV顏色通道分離的方法將車輪的掩膜區(qū)域與背景進(jìn)行分離，得到車輪區(qū)域的值圖;圖2(c)為利用圖像處理算法求得車輪的最小矩形包圍框與基準(zhǔn)線的夾角圖;圖2(d)為2(c)中右方車輪的細(xì)節(jié)圖，其中所示角度(B)即為車輪擺動(dòng)夾角。

根據(jù)基準(zhǔn)線的兩端點(diǎn)坐標(biāo)(xm,ym)、(x+1,ym+1),由公式(2)求出基準(zhǔn)線相較于水平線的角度。

式中:0.為基準(zhǔn)線與水平線之間的夾角，其與最小外接矩形包圍框返回參數(shù)中長邊相對于水平線的角度α，取值范圍均為[-90°,0°和[0°,90°其中負(fù)數(shù)表示逆時(shí)針方向，正數(shù)表示順時(shí)針方向。由基準(zhǔn)線和車輪外接矩形框長邊相對于水平線角度可以計(jì)算出車輪外接矩形框長邊與基準(zhǔn)線之間的相對角度B=lx-0，即為車輪的擺動(dòng)角度。3.2 車輪擺動(dòng)預(yù)警規(guī)則的設(shè)定

根據(jù)實(shí)際生產(chǎn)情況，設(shè)定擺動(dòng)預(yù)警規(guī)則，若設(shè)車輪最小外接矩形框長邊與基準(zhǔn)線的夾角為0其具體等級規(guī)則設(shè)定:當(dāng)0°<0≤3°時(shí)，判定為車輪正常運(yùn)行狀態(tài)下發(fā)生的擺動(dòng)偏移，無需進(jìn)行處理;當(dāng)3°<0≤5°時(shí)，判定為低等級風(fēng)險(xiǎn)，需要進(jìn)行持續(xù)的監(jiān)測，并在定期檢修中對輪軸進(jìn)行檢查:當(dāng)0>5°時(shí)，車輪處于比較危險(xiǎn)的處境，有發(fā)生掉落的危險(xiǎn)，判定為發(fā)生高等級擺動(dòng)偏移。為了防止事故的發(fā)生，需要工作人員立即處理。

由于車輪擺動(dòng)故障的隨機(jī)性，為提高擺動(dòng)檢測的準(zhǔn)確性，采用多次檢測的方法提高檢測的準(zhǔn)確率。具體步驟:設(shè)置攝像頭視野中心區(qū)域能容納連續(xù)100幀車輪的區(qū)域作為車輪檢測的感興趣區(qū)域。在車輪完全進(jìn)人感興趣區(qū)域后，每隔10幀采集圖像并執(zhí)行車輪擺動(dòng)多次檢測的流程，車輪多次檢測的流程如圖3所示。

多次檢測的方法能夠較好龜紀(jì)錄生輪檢測周

期的最大擺角，進(jìn)而可更準(zhǔn)確地判定車輪的擺動(dòng)風(fēng)險(xiǎn)等級。

車輪擺動(dòng)檢測試驗(yàn)與系統(tǒng)實(shí)現(xiàn)4

為驗(yàn)證本文方法的有效性，設(shè)計(jì)車輪擺動(dòng)試驗(yàn)。車輪擺動(dòng)角度試驗(yàn)采用改進(jìn)的DeepLabv3+模型D,。在車輪相較于基準(zhǔn)線偏左擺動(dòng)與偏右擺動(dòng)的情況下，對車輪擺動(dòng)角度進(jìn)行檢測。在試驗(yàn)平臺設(shè)定車輪擺動(dòng)夾角為特定角度作為試驗(yàn)的實(shí)際角度，范圍為[1°,11°]，每隔2°設(shè)置為特定角度。試驗(yàn)時(shí)在每個(gè)特定角度點(diǎn)對車輪相較于基準(zhǔn)線左偏與右偏兩種工況各進(jìn)行5次測量，各個(gè)測量點(diǎn)共進(jìn)行60組試驗(yàn)，取平均值作為最后的檢測結(jié)果。車輪擺動(dòng)角度預(yù)警試驗(yàn)共選取100組車輪運(yùn)行數(shù)據(jù)，其中正常運(yùn)行狀態(tài)下的車輪50組，低風(fēng)險(xiǎn)擺動(dòng)車輪35組，高風(fēng)險(xiǎn)擺動(dòng)車輪15組。使用設(shè)定的車輪擺動(dòng)預(yù)警規(guī)則對檢測的車輪擺動(dòng)角度進(jìn)行判斷，進(jìn)而針對風(fēng)險(xiǎn)等級給出預(yù)警。

4.1 試驗(yàn)環(huán)境

試驗(yàn)所用軟件環(huán)境為Linux系統(tǒng)，系統(tǒng)版本為Ubuntu18.04。深度學(xué)習(xí)框架采用Tensorflow2.2.車輪擺動(dòng)角度試驗(yàn)結(jié)果與分析4.2

在各個(gè)測量點(diǎn)對車輪使用改進(jìn)DeepLabv3+型D，進(jìn)行分割，并對分割后的掩膜圖像采用車輪擺動(dòng)檢測算法進(jìn)行處理。采用本文方法測得車輪擺動(dòng)角度與在試驗(yàn)平臺預(yù)設(shè)夾角對比，判定車輪擺動(dòng)檢測算法的誤差，誤差結(jié)果如表2所示。

由表2可以看出，基于改進(jìn)的DeepLabv3+型，D、在車輪擺動(dòng)角度測量的平均誤差與最大誤差均在0.6°以內(nèi)，滿足燒結(jié)現(xiàn)場燒結(jié)機(jī)車輪擺動(dòng)檢測的精度要求。

4.3 車輪擺動(dòng)角度預(yù)警試驗(yàn)結(jié)果分析與系統(tǒng)實(shí)現(xiàn)使用設(shè)定的車輪擺動(dòng)預(yù)警規(guī)則，對基于改進(jìn)的DeepLabv3+模型D、的車輪擺動(dòng)檢測算法進(jìn)行試驗(yàn)測試。試驗(yàn)結(jié)果如表3所示。由表3可以看出，正常車輪組檢出47張，誤檢3張，檢0張，檢出率為94%，誤檢為將正常車輪判定為低風(fēng)險(xiǎn)車輪。低風(fēng)險(xiǎn)組檢出 33 張，誤檢1張，檢1張，檢出率為94.29%，誤檢為將低風(fēng)險(xiǎn)車輪判定為高風(fēng)險(xiǎn)車輪，漏檢為將低風(fēng)險(xiǎn)車輪判定為正常車輪。高風(fēng)險(xiǎn)組檢出15張，檢出率為100%車輪擺動(dòng)的綜合檢出率為96.1%，其中誤檢與漏檢均發(fā)生在正常與低風(fēng)險(xiǎn)情況，對生產(chǎn)安全影響較小，且由于燒結(jié)機(jī)臺車循環(huán)往復(fù)運(yùn)行，當(dāng)車輪擺動(dòng)有進(jìn)一步惡化風(fēng)險(xiǎn)時(shí)，可以及時(shí)檢測報(bào)警。

當(dāng)檢測到車輪發(fā)生擺動(dòng)故障時(shí)，側(cè)板編號記錄攝像機(jī)會(huì)記錄與故障點(diǎn)唯一對應(yīng)的側(cè)板編號圖像進(jìn)行存儲(chǔ)，并將側(cè)板編號圖像發(fā)送至預(yù)先訓(xùn)練好的YOLOv7目標(biāo)檢測模型中進(jìn)行識別，識別后的編號數(shù)字推送至工作臺并送入數(shù)據(jù)庫記錄，現(xiàn)場工作人員可以根據(jù)側(cè)板數(shù)字對車輪擺動(dòng)故障進(jìn)行快速定位，后臺數(shù)據(jù)分析人員也可以根據(jù)車輪擺動(dòng)異常數(shù)據(jù)組織定期的檢查與維修。

基于上述算法與PyOt5(創(chuàng)建圖形用戶界面的Python庫)，設(shè)計(jì)了燒結(jié)機(jī)車輪擺動(dòng)監(jiān)測系統(tǒng)。系統(tǒng)包括車輪擺動(dòng)的檢測、故障點(diǎn)側(cè)板定位、報(bào)警故障存儲(chǔ)等功能。系統(tǒng)運(yùn)行效果如圖4所示。

經(jīng)試驗(yàn)，燒結(jié)機(jī)車輪擺動(dòng)監(jiān)測系統(tǒng)能夠滿足生產(chǎn)現(xiàn)場需求，可為輪軸故障監(jiān)測與定位提供有利指導(dǎo)。

(1)對比分析了燒結(jié)機(jī)臺車車輪圖像的分割模型，選取DeepLabv3+語義分割模型進(jìn)行改進(jìn)通過更換主干網(wǎng)絡(luò)、引人注意力機(jī)制、融合損失函數(shù)，實(shí)現(xiàn)了模型的輕量化與性能的提升，改進(jìn)后的最優(yōu)模型相較于原始模型大小減少92.9%，平均交并比提升了1.7%。

(2)使用改進(jìn)后的模型D;分割車輪，在分割后得到的車輪掩膜基礎(chǔ)上，設(shè)計(jì)了車輪擺動(dòng)檢測算法，計(jì)算車輪擺動(dòng)角度。試驗(yàn)結(jié)果表明，在設(shè)定區(qū)間內(nèi)，車輪擺動(dòng)角度的測量誤差在0.6°以內(nèi)。(3)設(shè)定了預(yù)警規(guī)則，在設(shè)定工況下，使用車輪擺動(dòng)角度與設(shè)定的預(yù)警規(guī)則對比，故障的正確檢出率為96.1%，設(shè)計(jì)了燒結(jié)機(jī)車輪擺動(dòng)監(jiān)測系統(tǒng)，實(shí)現(xiàn)了車輪擺動(dòng)的實(shí)時(shí)監(jiān)測與定位，基本滿足了生產(chǎn)的需求。