《表1 实验所用的数据库：基于深度学习的铁路列车关键零部件图像故障检测》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的铁路列车关键零部件图像故障检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为验证算法的有效性，实验所用的数据库包含4种故障检测数据集：截断塞门，集尘器，安全链螺栓和挡键。数据库中图像样本数量见表1所示。所有图像的大小为700×512像素，每个训练集图像都根据PASCAL VOC数据集[16]的格式进行标记。如图1（a）所示，截断塞门和集尘器是列车空气制动系统的重要部件，其技术状态的良好和性能的稳定，是保证列车安全运行的主要环节。如图1（b）所示，制动梁安全链是列车制动系统中的关键零部件。从机械故障角度分析，制动梁安全链脱落属于非刚性机械结构形成的故障，脱落后的状态很难用简单而又精确的特征模型去描述，成为故障检测的首要难点。列车一般具有大约400个转向架挡键，是列车中应用最广泛的部件之一。如图1（c）所示，挡键只占图像很小一部分，其主要功能是保持车轮组不与转向架相碰。实际上，利用机器视觉来检测小部件的状态（故障或非故障）是一项非常困难的工作。