HI,欢迎来到起点商标网!
24小时服务QQ:2880605093

一种基于图像识别的轨道缺陷检测系统及方法与流程

2021-02-04 10:02:22|377|起点商标网
一种基于图像识别的轨道缺陷检测系统及方法与流程

本发明属于轨道检测领域,特别是涉及一种基于图像识别的轨道缺陷检测系统及方法。



背景技术:

高速列车、地铁等运输系统中,轨道是列车运行的基础,良好的轨道状况是列车安全行驶的保障。但是,在列车行驶的过程中,列车与轨道之间的接触会造成轨道磨耗,电火花现象会造成轨道表面麻点和凹坑;振动现象会造成轨道裂纹、锁扣松动丢失;由于气温温差的变化、轨道热胀冷缩原因、设备安装工艺问题造成轨道断轨、大轨缝问题。因此,要对轨道缺陷进行检测,以及时发现问题、解决问题,保证轨道交通安全运营。

现有技术中,对轨道表面缺陷的检测,一般只针对某一种轨道,且表面缺陷检测类型不全面。对于轨道而言,目前接触轨和走行轨的表面缺陷检测主要依靠人工目视检测,效率低、检测精度不高,受人为因素影响大,且无法实现对接触轨、走行轨和锁扣表面缺陷的同时检测。



技术实现要素:

鉴于现有技术中的上述缺陷或不足,本发明旨在提供一种基于图像识别的轨道缺陷检测系统及方法,通过对图像的自动识别,同时生成接触轨、走行轨和锁扣的最优图像,将图像与预存的正常轨道标准图像进行比对,判断轨道表面是否存在缺陷,通过图像采集、算法生成最优图像与主控系统图像比对,完成轨道表面缺陷的检测,实现高效、精准且智能的轨道检测。

为了实现上述目的,本发明实施例采用如下技术方案:

第一方面,本发明实施例提供了一种基于图像识别的轨道缺陷检测方法,所述缺陷检测方法,包括如下步骤:

步骤s1,现场采集图像数据,图像数据包括正常工况下轨道左右接触轨、走行轨和锁扣表面图像,以及轨道缺陷图像、轨道磨耗、锁扣缺陷图像和锁扣丢失图像,同时对图像进行增光处理;对数据进行分类,不同检测点进行标注,并利用深度学习算法迭代现场数据,训练模型;作为标准图像,储存在控制器中;

步骤s2,检测小车在轨道表面运行,图像采集模块通过编码器产生脉冲信号,将脉冲信号作为触发信号进行图像采集,实时采集接触轨、走行轨和锁扣表面实时图像和位置信息,并上传至控制器;

步骤s3,对所述实时图像进行预处理;

步骤s4,利用深度学习目标检测算法对预处理后的实时图像,进行图像识别,生成最优图像;

步骤s5,将最优图像与预存的标准图像进行对比,并根据对比结果判断当前轨道表面是否存在缺陷,当不存在缺陷时,返回步骤s2;当存在缺陷时,进入步骤s6;

步骤s6,确认缺陷类别,将缺陷类型信息和缺陷图像上报控制器,控制器发出报警信号、存储报警信息,系统界面显示真实缺陷图像和位置信息。

上述方案中,所述图像采集模块通过编码器产生脉冲信号,当检测小车向前推动,车轮每旋转一周,编码器发出一次信号,编码器触发图像采集模块产生一次信号。

上述方案中,所述图像采集,通过以可拆卸方式安装于检测小车上的左接触轨图像采集子模块、右接触轨图像采集子模块、左走行轨图像采集子模块和右走行轨图像采集子模块及锁扣图像采集子模块完成。

上述方案中,所述任意图像采集子模块,由相机、镜头、光源和封闭外壳组成。

上述方案中,所述预处理包括:对图像进行几何变换、去除噪声、图像增强。

上述方案中,所述去除噪声,利用中值滤波算法对采集到的图像进行噪声降噪,同时保持图像清楚轮廓,采用二阶差分法对图像进行增强对比度处理,采用数学形态学上的膨胀和腐蚀算子来处理图像中的噪声和空洞。

上述方案中,所述步骤s4中深度学习选择yolov3进行目标检测,所述图像识别,利用深度学习算法,使用残差网络并结合fpn网络结构,在网络后两个特征图上采样后于网络前期相应尺寸的特征图聚合再经过卷积网络后得到预测结果,生成图像识别模型;模型舍去了候选框提取分支,直接将特征提取、候选框回归和分类在同一个无分支的卷积网络中完成,输出最优图像。

第二方面,本发明实施例还提供了一种基于图像识别的轨道缺陷检测系统,所述检测系统包括:检测小车、控制器、编码器、由左接触轨图像采集子模块、右接触轨图像采集子模块、左走行轨图像采集子模块、右走行轨图像采集子模块、锁扣图像采集子模块组成的图像采集模块;所述控制器、编码器及图像采集模块装配于检测小车上,检测小车在当前轨道上行驶;其中,

所述控制器包括控制中心、存储器、图像处理模块、图像对比模块和缺陷报警模块;控制中心同时与存储器、图像处理模块、图像对比模块和缺陷报警模块相连,图像处理模块与图像对比模块相连,图像对比模块与缺陷报警模块、存储器的控制中心相连;

控制中心与图像采集子模块相连,所述图像采集模块与编码器相连;图像采集模块均与存储器和图像对比模块相连;

所述图像采集模块用于采集正常工况下地铁左右接触轨、走行轨和锁扣表面图像,以及轨道缺陷图像、轨道磨耗、锁扣缺陷图像和锁扣丢失图像,作为标准图像,并储存在控制器中;并用于接收到编码器的脉冲信号后,实时采集接触轨、走行轨和锁扣表面实时图像,并上传至控制器;

所述编码器用于在轨检测小车车轮转动的控制下产生脉冲信号,并启动图像采集模块;

所述图像处理模块用于对图像采集模块采集的实时图像进行预处理,并利用深度学习目标检测算法对预处理后的实时图像,进行图像识别,生成最优图像,并发送给图像对比模块;

所述图像对比模块用于接收到最优图像后,调用存储器中的标准图像,将最优图像与标准图像进行对比,根据对比结果判断当前轨道表面是否存在缺陷;当不存在缺陷时,向控制中心反馈无缺陷信息;当存在缺陷时,将对比结果发送给缺陷报警模块,同时向控制中心反馈存在缺陷、缺陷类型及位置信息;

所述缺陷报警模块用于接收到图像对比模块的对比结果后,对缺陷进行分类,并根据缺陷类型启动报警,实时记录表面真实图像和位置,反馈给图像对比模块。

上述方案中,所述控制器、编码器及图像采集模块以可拆卸的方式安装于所述检测小车上。

上述方案中,所述图像处理模块的深度学习目标检测算法选择yolov3进行目标检测。

本发明具有如下有益效果:

本发明实施例的基于图像识别的轨道缺陷检测方法,对左右接触轨、走行轨和锁扣表面缺陷同时进行在线检测,快速、准确地识别出轨道表面是否存在缺陷、以及缺陷类型、缺陷位置;将智能图像识别技术、大数据处理技术融合一体,降低检测人员的工作难度,提高了检测数据的精准度;采用传统算法+深度学习目标检测算法,图像采集频率高、缺陷判断精度高、实时性强、工作效率高。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:

图1为本发明实施方式提供的基于图像识别的轨道缺陷检测方法流程图;

图2为本发明实施方式提供的基于图像识别的轨道缺陷检测系统结构示意图;

图3为图2所示轨道缺陷检测系统中检测小车装配图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。

需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

图1示出了本发明实施方式提供的基于图像识别的轨道缺陷检测方法流程图。如图1所示,所述缺陷检测方法,包括如下步骤:

步骤s1,现场采集图像数据,图像数据包括正常工况下轨道左右接触轨、走行轨和锁扣表面图像,以及轨道缺陷图像、轨道磨耗、锁扣缺陷图像和锁扣丢失图像,同时对图像进行增光处理;对现场采集的图像数据进行分类,不同检测点进行标注,并利用深度学习算法迭代现场采集的图像数据,训练模型;将现场采集的图像作为标准图像,储存在控制器中,以后每次巡检时从控制器中调用标准图像。

通过深度学习算法识别图像目标特征,其使用端到端的构架设计了缺陷和锁扣目标的识别模型,采用全新设计的残差网络并结合特征金字塔网络(featurepyramidnetwork,fpn)网络结构,在网络后两个特征图上采样后于网络前期相应尺寸的特征图聚合再经过卷积网络后得到预测结果。这些改进使得模型更少的时间达到更高的精确度。

所述深度学习算法训练模型,所述卷积网络在本质上是一种输入到输出的映射,它能够学习大量的输入与输出之间的映射关系,而不需要任何输入和输出之间的精确的数学表达式,只要用已知的模式对卷积网络加以训练,网络就具有输入输出对之间的映射能力。

卷积网络执行的是有监督训练,所以其样本集是输入向量,理想输出向量对构成的。所有这些向量对,都应该是来源于网络即将模拟的系统的实际“运行”结果。它们从实际运行系统中采集来的。

在开始训练前,所有的权都应该用一些不同的小随机数进行初始化。“小随机数”用来保证网络不会因权值过大而进入饱和状态,从而导致训练失败;“不同”用来保证网络可以正常地学习。

步骤s2,正式开始巡检,采集实时图像,检测小车在轨道表面运行,图像采集模块通过编码器产生脉冲信号,脉冲信号作为触发信号触发图像采集模块进行图像采集,实时采集左右接触轨、走行轨和锁扣表面实时图像和位置信息,并上传至控制器。

优选地,检测小车向前推动,车轮每旋转一周,编码器发出一个脉冲信号,图像采集系统根据编码器提供的脉冲信号对轨道表面进行拍照,获取真实的轨道表面图像。

本步骤中,通过图像采集模块进行图像采集。所述图像采集模块采用模块化设计,包括左接触轨采集子模块、右接触轨采集子模块、走行轨采集子模块和锁扣采集子模块。四个模块安装在检测小车的相应位置,小车在轨道上行进过程中,完成各自的采集工作。同时,各个模块间互不干扰,根据轨道表面缺陷检测需求灵活布局,易于拆装、故障排查和维修。

每一个图像采集子模块,由相机、镜头、光源和封闭外壳组成。所述图像采集子模块采用封闭式壳体设计,防潮、防尘、环境适应性强。采用可见光相机加光源结构设计,全程记录接触轨和走行轨表面缺陷(麻点、凹坑、脱落、裂纹、磨耗)信息,全程记录锁扣表面缺陷(裂纹、丢失、螺栓松动)信息。

步骤s3,对所述实时图像进行预处理。

本步骤中,所述预处理包括:对图像进行几何变换、去除噪声、图像增强。

优选地,利用中值滤波算法对采集到的图像进行噪声降噪,同时保持图像清楚轮廓,采用二阶差分法对图像进行增强对比度处理,采用数学形态学上的膨胀和腐蚀算子来处理图像中一些小的噪声和空洞。

步骤s4,利用深度学习目标检测算法对预处理后的实时图像,进行图像识别,生成最优图像。

优选地,本步骤中深度学习选择yolov3进行目标检测,生成最优图像。

步骤s41,对实时图像进行图像识别,生成图像识别模型。

所述深度学习的目标检测算法,使用全新设计的残差网络并结合fpn网络结构,在网络后两个特征图上采样后于网络前期相应尺寸的特征图聚合再经过卷积网络后得到预测结果,生成图像识别模型。

步骤s42,输出最优图像,生成的图像识别模型舍去了候选框提取分支,直接将特征提取、候选框回归和分类在同一个无分支的卷积网络中完成,使得网络结构变得简单,检测速度较大的提升,输出最优图像。

步骤s5,将最优图像与预存的标准图像进行对比,并根据对比结果判断当前轨道表面是否存在缺陷,当不存在缺陷时,返回步骤s2;当存在缺陷时,进入步骤s6。

步骤s6,确认缺陷类别,将缺陷类型信息和缺陷图像上报控制器,控制器发出报警信号、存储报警信息,系统界面显示真实缺陷图像和位置信息。

由以上技术方案可以看出,本实施方式通过自动对图像进行识别,将有缺陷的图像传送到主控系统,并且能够在控制器触发的情况下将当前的照片进行存储并发送给控制器,得到轨道表面缺陷图像和报告,对接触轨表面缺陷、走行轨表面缺陷及扣件丢失、断裂进行检测,检测过程高效、精确且智能。

图2示出了本发明实施方式提供的基于图像识别的轨道缺陷检测系统结构。如图2所示,所述基于图像识别的轨道缺陷检测系统,包括:检测小车、控制器、编码器、由左接触轨图像采集子模块、右接触轨图像采集子模块、左走行轨图像采集子模块、右走行轨图像采集子模块、锁扣图像采集子模块组成的图像采集模块,所述控制器包括控制中心、存储器、图像处理模块、图像对比模块和缺陷报警模块。本实施方式的基于图像识别的轨道缺陷检测系统用以实现上述实施方式中的检测方法。

如图3所示,所述控制器、编码器及图像采集模块以可拆卸的方式安装于所述检测小车上,检测小车自适应于当前待检测轨道,在当前轨道上行驶。

所述控制器中,控制中心同时与存储器、图像处理模块、图像对比模块和缺陷报警模块相连,图像处理模块与图像对比模块相连,图像对比模块与缺陷报警模块、存储器的控制中心相连,通过控制中心调用存储器中的数据。所述控制器的控制中心与编码器相连,所述编码器与图像采集模块相连;图像采集模块均与存储器和图像对比模块相连。

在检测小车的初始化阶段,图像采集模块采集正常工况下地铁左右接触轨、走行轨和锁扣表面图像,作为标准图像,并储存在控制器的存储器中。

所述控制器的控制中心,根据检测小车的行驶状况及图像对比模块的反馈,选择图像采集频率,控制编码器产生脉冲信号,与编码器相连的图像采集子模块,根据脉冲信号频率进行图像采集,并将采集的图像实时存储在控制器的存储器中。

图像处理模块接收到实时图像后,对实时图像进行预处理,并利用深度学习目标检测算法对预处理后的实时图像,进行图像识别,生成最优图像,并将最优图像发送给图像对比模块。所述预处理,包括:对图像进行几何变换、去除噪声、图像增强。优选地,所述图像处理模块包括预处理子模块和最优图像生成子模块。优选地,所述深度学习选择yolov3进行目标检测,生成最优图像。

图像对比模块接收到最优图像后,调用存储器中的标准图像,将最优图像与标准图像进行对比,根据对比结果判断当前轨道表面是否存在缺陷;当不存在缺陷时,向控制中心反馈无缺陷信息;当存在缺陷时,将对比结果发送给缺陷报警模块,同时向控制中心反馈存在缺陷、缺陷类型及位置信息。

所述缺陷报警模块接收到图像对比模块的对比结果后,对缺陷进行分类,并根据缺陷类型启动报警,实时记录表面真实图像和位置,反馈给图像对比模块。

如上所述,基于图像识别的轨道缺陷检测系统,还可以包括显示装置。所述显示装置与所述控制中心相连。当控制中心接收到图像对比模块反馈的缺陷信息时,将缺陷信息进行显示,所述缺陷信息至少包括:当前轨道图像、标准图像、缺陷类型、位置及时间。

本实施方式提供的基于图像识别的轨道缺陷检测系统,装置可拆卸,能够轨道表面缺陷检测需求自适应的灵活布局,易于拆装、故障排查和维修;检测流程合理,检测结果精准、实时、高效、全面且智能化,提高了轨道检测的工作效率。

以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本发明中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

起点商标作为专业知识产权交易平台,可以帮助大家解决很多问题,如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通,为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除

tips