基于多特征融合的地铁车辆制动组件异常检测

地铁车辆驾驶环境多变,导致制动组件异常检测存在精度误差,为此提出基于多特征融合的地铁车辆制动组件异常检测方法。通过无人机与云台搭载相机,采集地铁车辆制动组件运行图像。通过Gabor特征提取方法提取组件图像空间方向与尺度上的多种纹理特征。采用信息熵实现地铁车辆制动组件图像多个提取特征的融合。基于CNN设计BD-YOLO地铁车辆制动组件异常检测模型,实施制动组件异常检测。测试结果表明,在实验地铁车辆静止时,该方法的组件异常检测精确率达到了100%。在车辆正常运行的情况下,其组件异常检测精确率较高。在正常运行中列车管不充风的情况下,其组件异常检测宏平均召回率整体高于95%。