CN108573213B - 一种轨道扣件缺损状态自动检测系统及方法 - Google Patents

一种轨道扣件缺损状态自动检测系统及方法 Download PDF

Info

Publication number
CN108573213B
CN108573213B CN201810201266.0A CN201810201266A CN108573213B CN 108573213 B CN108573213 B CN 108573213B CN 201810201266 A CN201810201266 A CN 201810201266A CN 108573213 B CN108573213 B CN 108573213B
Authority
CN
China
Prior art keywords
fastener
positioning
boundary
unit
steel rail
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201810201266.0A
Other languages
English (en)
Other versions
CN108573213A (zh
Inventor
魏秀琨
刘玉鑫
贾利民
曾立国
李岩
杨子明
江思阳
李赛
孟鸿飞
王熙楠
滕延芹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201810201266.0A priority Critical patent/CN108573213B/zh
Publication of CN108573213A publication Critical patent/CN108573213A/zh
Application granted granted Critical
Publication of CN108573213B publication Critical patent/CN108573213B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种轨道扣件缺损状态自动检测系统及方法，包括：第一定位模块；第二定位模块；分割模块；处理模块；检测模块；在本方面提供的系统及方法中，能够实现对扣件不同状态下的自动定位判定，解决了传统人工方法难以保证的漏检以及检测结果的客观准确性，同时为扣件异常状态自动化检测设备的设计提供了新方法和新思路。本发明可以准确有效地识别出轨道线路中存在的异常缺损扣件，显著提高了检测效率，为满足轨道交通线路安全高效地在线检测提供了良好的基础。本系统能实现在线检测，检测速度高，在充足光源下能适应不同时间段的检测需求，系统可靠性强，准确率高。

Description

一种轨道扣件缺损状态自动检测系统及方法
技术领域
本发明涉及轨道技术领域。更具体地，涉及一种轨道扣件缺损状态自动检测系统及方法。
背景技术
根据2016年交通运输部的统计公报：截止到2016年末，我国共有30个城市开通了轨道交通运营线路，现有运营线路达到124条，运营线路的总长度达到3727.5公里，比去年增加了532.1公里，运营车辆增长了19.3％；轨道交通全年完成客运量161.51亿人，较去年增长15.4％，运营里程为4.33亿列公里，增幅为15.7％，创历史新高。面对快速发展的轨道交通运营里程和增长的客运量对轨道交通的运输安全提出了严格的要求。
扣件是用来将钢轨约束在轨下基础如轨枕上，保持两者长期可靠的相对固定，防止钢轨相对移动，并且在动力约束下充分发挥其弹性的作用，减少钢轨不同程度下的变形积累。扣件的缺损状态会导致钢轨出现松动，会渐渐地引发钢轨表面病害的产生，长期发展下去钢轨往往会发生变形，逐渐地出现错位崩塌等问题，严重时会直接导致机车脱轨事故的发生。
为保障轨道交通的安全运输与运营效率，需要对扣件等轨道线路关键部分进行定期巡检，但传统的线路检测一直依靠人工和静态检测，缺乏扣件缺损状态检测方面的自动化技术或设备。这在很大程度上限制了检测效率，影响了检测结果的客观准确性，无法进一步满足轨道交通运输安全高效的需求。
发明内容
为了解决上述技术问题中的至少一个，本发明的一个方面提供一种轨道扣件缺损状态自动检测系统，包括：
第一定位模块，对轨道的轻枕区域和钢轨区域进行定位；
第二定位模块，根据定位的轻枕区域和钢轨区域，对扣件进行定位；
分割模块，对定位的扣件进行裁剪分割获得若干扣件区域，若干扣件区域形成数据集，数据集包括训练集部分和测试集部分；
处理模块，构建扣件特征词袋；
检测模块，根据扣件特征词袋的扣件特征描述，对扣件缺损异常状态进行识别检测。
优选地，所述第一定位模块包括：
第一定位单元，对轨道的轻枕区域进行定位；
第二定位单元，对轨道的钢轨区域进行定位；
所述第二定位模块根据第一定位单元和第二定位单元的定位信息，对扣件进行定位。
优选地，所述分割模块被配置为将数据集中的扣件区域随机划分为训练集部分和测试集部分。
优选地，所述第一定位单元被配置为根据第一公式计算灰度图像基于水平方向投影统计的差值；
其中，水平统计差数组的极大值对应轻枕的第一边界，结合轻枕的宽度获得轻枕的第二边界；
和/或
所述第二定位单元被配置为根据第一公式计算灰度图像基于垂直方向投影统计的差值；
其中，水平统计差数组的极大值对应钢轨的第一边界，结合钢轨的宽度获得钢轨的第二边界；
第一公式为：HP(i)＝SP(i+1)-SP(i)i＝1,2,…h，SP(i)表示图像第i行的水平统计值，HP(i)表示第i行水平统计差。
优选地，所述第一定位模块进一步包括：
第一修正单元，结合相邻帧图像轻枕位置的互补信息，根据第二公式改进轻枕边界定位的算法；
其中，第二公式为：
Figure BDA0001594560500000021
edgepre-ed≤i≤edgepre+ed；
edgepre表示前一帧图像的轨枕位置坐标；ed为经验值，通过实验得到。
优选地，所述第一定位模块进一步包括：
第二修正单元，结合相邻帧图像钢轨位置的互补信息，根据第二公式改进钢轨边界定位的算法；
其中，第二公式为：
Figure BDA0001594560500000022
edgepre-ed≤i≤edgepre+ed；
edgepre表示前一帧图像的轨枕位置坐标；ed为经验值，通过实验得到。
优选地，所述第二定位模块被配置为：
将钢轨的左边界向左平移预设数量的单位像素，定位为扣件的左边界；
将钢轨的右边界向右平移预设数量的单位像素，定位为扣件的右边界；
将轻枕的上边界定位为扣件的上边界；
将轻枕的下边界定位为扣件的下边界。
优选地，所述处理模块包括：
计算单元，对所述数据集中每个扣件图像计算Dense SIFT特征向量；
聚类单元，对训练集的扣件图像计算出的Dense SIFT特征向量通过K-means进行聚类，得到多个特征单词组成的视觉特征词典；
分解单元，对数据集中每个扣件图像进行空间金字塔分解；
处理单元，将分解的每个尺度的Dense SIFT特征，在特征词典上进行分布统计形成扣件多尺度融合特征的单词直方图。
优选地，所述检测模块被配置为：
根据扣件特征词袋的扣件特征描述，利用直方图交叉核函数定义词袋特征向量的非线性变换，所述非线性变换为：
Figure BDA0001594560500000031
其中x,z∈Rn为特征向量；
结合直方图交叉核函数选择SVM的其他最优参数，在训练数据集上对其进行训练调优。
本发明第二方面提供一种轨道扣件缺损状态自动检测方法，包括：
第一定位模块对轨道的轻枕区域和钢轨区域进行定位；
第二定位模块根据定位的轻枕区域和钢轨区域，对扣件进行定位；
分割模块对定位的扣件进行裁剪分割获得若干扣件区域，若干扣件区域形成数据集数据集包括训练集部分和测试集部分；
处理模块构建扣件特征词袋；
检测模块根据扣件特征词袋的扣件特征描述，对扣件缺损异常状态进行识别检测。
优选地，所述第一定位模块对轨道的轻枕区域和钢轨区域进行定位包括：
第一定位单元根据第一公式计算灰度图像基于水平方向投影统计的差值对轨道的轻枕区域进行定位；
其中，水平统计差数组的极大值对应轻枕的第一边界，结合轻枕的宽度获得轻枕的第二边界；
第二定位单元根据第一公式计算灰度图像基于垂直方向投影统计的差值对轨道的钢轨区域进行定位；
其中，水平统计差数组的极大值对应钢轨的第一边界，结合钢轨的宽度获得钢轨的第二边界；
第一公式为：HP(i)＝SP(i+1)-SP(i)i＝1,2,…h，SP(i)表示图像第i行的水平统计值，HP(i)表示第i行水平统计差。
优选地，所述第一定位模块进一步包括第一修正单元；
所述方法进一步包括：
第一修正单元结合相邻帧图像轻枕位置的互补信息，根据第二公式改进轻枕边界定位的算法；
其中，第二公式为：
Figure BDA0001594560500000041
edgepre-ed≤i≤edgepre+ed；
edgepre表示前一帧图像的轨枕位置坐标；ed为经验值，通过实验得到；
和/或
所述第一定位模块进一步包括第二修正单元；
所述方法进一步包括：
第二修正单元结合相邻帧图像钢轨位置的互补信息，根据第二公式改进钢轨边界定位的算法；
其中，第二公式为：
Figure BDA0001594560500000042
edgepre-ed≤i≤edgepre+ed；
edgepre表示前一帧图像的轨枕位置坐标；ed为经验值，通过实验得到。
优选地，所述方法进一步包括下述步骤的至少一个：
将钢轨的左边界向左平移预设数量的单位像素，定位为扣件的左边界；
将钢轨的右边界向右平移预设数量的单位像素，定位为扣件的右边界；
将轻枕的上边界定位为扣件的上边界；
将轻枕的下边界定位为扣件的下边界。
优选地，所述处理模块构建扣件特征词袋包括：
计算单元对所述数据集中每个扣件图像计算Dense SIFT特征向量；
聚类单元对训练集的扣件图像计算出的Dense SIFT特征向量通过K-means进行聚类，得到多个特征单词组成的视觉特征词典；
分解单元对数据集中每个扣件图像进行空间金字塔分解；
处理单元将分解的每个尺度的Dense SIFT特征，在特征词典上进行分布统计形成扣件多尺度融合特征的单词直方图。
优选地，所述检测模块根据扣件特征词袋的扣件特征描述，对扣件缺损异常状态进行识别检测包括：
根据扣件特征词袋的扣件特征描述，利用直方图交叉核函数定义词袋特征向量的非线性变换，所述非线性变换为：
Figure BDA0001594560500000051
其中x,z∈Rn为特征向量；
结合直方图交叉核函数选择SVM的其他最优参数，在训练数据集上对其进行训练调优。
本发明的有益效果如下：
本方面提供一种轨道扣件缺损状态自动检测系统及方法，能够实现对扣件不同状态下的自动定位判定，解决了传统人工方法难以保证的漏检以及检测结果的客观准确性，同时为扣件异常状态自动化检测设备的设计提供了新方法和新思路。本发明可以准确有效地识别出轨道线路中存在的异常缺损扣件，显著提高了检测效率，为满足轨道交通线路安全高效地在线检测提供了良好的基础。本系统能实现在线检测，检测速度高，在充足光源下能适应不同时间段的检测需求，系统可靠性强，准确率高。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出本发明第一方面的具体实施方式提供的一种轨道扣件缺损状态自动检测系统结构示意图。
图2示出本发明第二方面的具体实施方式提供的一种轨道扣件缺损状态自动检测方法流程示意图。
图3示出图2中S100的具体方法流程示意图。
图4示出图2中S400的具体方法流程示意图。
图5示出图2中S500的具体方法流程示意图。
图6示出图3中S101的具体方法流程示意图。
图7示出本发明第一方面的具体实施方式提供的扣件区域分割结果图。
图8示出本发明第一方面的具体实施方式中基于空间金字塔分解的视觉特征词袋模型示意图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
在附图中示出了根据本发明公开实施例的各种截面图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及他们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
随着轨道交通的发展加快，对安全高效的运营效率提出了更高的要求，传统的扣件缺损状态检测主要采用人工巡检的方法，其效率低下，难以确保检测结果的客观准确性；并且扣件在线路上的分布数量较大，难免会对其有遗漏，如果缺损的扣件不能及时检测或长期缺少维护，导致的后果将难以想象，在很大程度上限制了检测效果和检测效率。本发明的目的是提出一种基于图像处理的扣件缺损状态检测技术，以解决人工检测的弊端，在达到高效检测效率的同时实现较高的检测准确率。
在本发明的第一方面中，结合图1和图7所示，提供一种轨道扣件缺损状态自动检测系统，包括：第一定位模块100，对轨道的轻枕区域和钢轨区域进行定位；第二定位模块200，根据定位的轻枕区域和钢轨区域，对扣件进行定位；分割模块300，对定位的扣件进行裁剪分割获得若干扣件区域，若干扣件区域形成数据集，数据集包括训练集部分和测试集部分；处理模块400，构建扣件特征词袋；检测模块500，根据扣件特征词袋的扣件特征描述，对扣件缺损异常状态进行识别检测。
本方面提供一种轨道扣件缺损状态自动检测系统，能够实现对扣件不同状态下的自动定位判定，解决了传统人工方法难以保证的漏检以及检测结果的客观准确性，同时为扣件异常状态自动化检测设备的设计提供了新方法和新思路。本发明可以准确有效地识别出轨道线路中存在的异常缺损扣件，显著提高了检测效率，为满足轨道交通线路安全高效地在线检测提供了良好的基础。本系统能实现在线检测，检测速度高，在充足光源下能适应不同时间段的检测需求，系统可靠性强，准确率高。
可选的，所述第一定位模块100包括：第一定位单元101，对轨道的轻枕区域进行定位；第二定位单元102，对轨道的钢轨区域进行定位；所述第二定位模块根据第一定位单元和第二定位单元的定位信息，对扣件进行定位。
更具体的，所述第一定位单元101被配置为根据第一公式计算灰度图像基于水平方向投影统计的差值；其中，水平统计差数组的极大值对应轻枕的第一边界，结合轻枕的宽度获得轻枕的第二边界。
与之类似的，所述第二定位单元102被配置为根据第一公式计算灰度图像基于垂直方向投影统计的差值；其中，水平统计差数组的极大值对应钢轨的第一边界，结合钢轨的宽度获得钢轨的第二边界。
在本方面中，第一公式为：HP(i)＝SP(i+1)-SP(i)i＝1,2,…h，SP(i)表示图像第i行的水平统计值，HP(i)表示第i行水平统计差。
可选的，所述第二定位模块200被配置为：将钢轨的左边界向左平移预设数量的单位像素，定位为扣件的左边界；将钢轨的右边界向右平移预设数量的单位像素，定位为扣件的右边界；将轻枕的上边界定位为扣件的上边界；将轻枕的下边界定位为扣件的下边界。
进一步的，所述分割模块300被配置为将数据集中的扣件区域随机划分为训练集部分和测试集部分。
此外，在本方面的一个优选实施方式中，所述第一定位模块进一步包括：
第一修正单元103，结合相邻帧图像轻枕位置的互补信息，根据第二公式改进轻枕边界定位的算法；
其中，第二公式为：
Figure BDA0001594560500000071
edgepre-ed≤i≤edgepre+ed；
edgepre表示前一帧图像的轨枕位置坐标；ed为经验值，通过实验得到。
和/或
所述第一定位模块进一步包括：
第二修正单元104，结合相邻帧图像钢轨位置的互补信息，根据第二公式改进钢轨边界定位的算法；
其中，第二公式为：
Figure BDA0001594560500000072
edgepre-ed≤i≤edgepre+ed；
edgepre表示前一帧图像的轨枕位置坐标；ed为经验值，通过实验得到。
该优选方案中，采用第二公式对轻枕和钢轨的定位进行修正，使其更加准确，能够准确定位轻枕和钢轨的两个边界。
进一步的，所述处理模块包括：计算单元401，对所述数据集中每个扣件图像计算Dense SIFT特征向量；聚类单元402，对训练集的扣件图像计算出的Dense SIFT特征向量通过K-means进行聚类，得到多个特征单词组成的视觉特征词典；分解单元403，对数据集中每张扣件图像进行空间金字塔分解，结合图8，即将图像依次划分为L+1(0,1,2…,L)层的网络，并逐层细化成一系列子区域，其中第n层网络表示沿图像的x轴方向和轴y方向分别将图像划分成2n个大小相等的单元，最终该层图像共得到4n个大小相等的图像patch子区域；处理单元404，分解的每个尺度的Dense SIFT特征，在特征词典上进行分布统计形成扣件多尺度融合特征的单词直方图。
进一步的，所述检测模块500被配置为：根据扣件特征词袋的扣件特征描述，利用直方图交叉核函数定义词袋特征向量的非线性变换，所述非线性变换为：
Figure BDA0001594560500000081
其中x,z∈Rn为特征向量；
结合直方图交叉核函数选择SVM的其他最优参数，在训练数据集上对其进行训练调优。
此外，本发明的第二方面提供一种轨道扣件缺损状态自动检测方法，请参照图2，包括：
S100：第一定位模块对轨道的轻枕区域和钢轨区域进行定位，请结合图3。
具体的，所述第一定位模块对轨道的轻枕区域和钢轨区域进行定位包括：
S101：第一定位单元根据第一公式计算灰度图像基于水平方向投影统计的差值对轨道的轻枕区域进行定位。
其中，水平统计差数组的极大值对应轻枕的第一边界，结合轻枕的宽度获得轻枕的第二边界；
S102：第二定位单元根据第一公式计算灰度图像基于垂直方向投影统计的差值对轨道的钢轨区域进行定位。
其中，水平统计差数组的极大值对应钢轨的第一边界，结合钢轨的宽度获得钢轨的第二边界。
在本方面的实施方式中，第一公式为：HP(i)＝SP(i+1)-SP(i)i＝1,2,…h，SP(i)表示图像第i行的水平统计值，HP(i)表示第i行水平统计差。
S200：第二定位模块根据定位的轻枕区域和钢轨区域，对扣件进行定位。
S300：分割模块对定位的扣件进行裁剪分割获得若干扣件区域，若干扣件区域形成数据集数据集包括训练集部分和测试集部分；
S400：处理模块构建扣件特征词袋；
具体的，请结合图4，所述处理模块构建扣件特征词袋包括：
S401：计算单元对所述数据集中每个扣件图像计算Dense SIFT特征向量；
S402：聚类单元对训练集的扣件图像计算出的Dense SIFT特征向量通过K-means进行聚类，得到多个特征单词组成的视觉特征词典；
S403：分解单元对数据集中每个扣件图像进行空间金字塔分解；
S404：处理单元将分解的每个尺度的Dense SIFT特征，在特征词典上进行分布统计形成扣件多尺度融合特征的单词直方图。
S500：检测模块根据扣件特征词袋的扣件特征描述，对扣件缺损异常状态进行识别检测。
具体的，请结合图5，所述检测模块根据扣件特征词袋的扣件特征描述，对扣件缺损异常状态进行识别检测包括：
S501：根据扣件特征词袋的扣件特征描述，利用直方图交叉核函数定义词袋特征向量的非线性变换，所述非线性变换为：
Figure BDA0001594560500000091
其中x,z∈Rn为特征向量；
S502：结合直方图交叉核函数选择SVM的其他最优参数，在训练数据集上对其进行训练调优。
本方面提供一种轨道扣件缺损状态自动检测方法，能够实现对扣件不同状态下的自动定位判定，解决了传统人工方法难以保证的漏检以及检测结果的客观准确性，同时为扣件异常状态自动化检测设备的设计提供了新方法和新思路。本发明可以准确有效地识别出轨道线路中存在的异常缺损扣件，显著提高了检测效率，为满足轨道交通线路安全高效地在线检测提供了良好的基础。本系统能实现在线检测，检测速度高，在充足光源下能适应不同时间段的检测需求，系统可靠性强，准确率高。
进一步的，请继续结合图3在本方面的一个优选实施方式中，所述第一定位模块进一步包括第一修正单元；所述方法进一步包括：
S103：第一修正单元结合相邻帧图像轻枕位置的互补信息，根据第二公式改进轻枕边界定位的算法；
其中，第二公式为：
Figure BDA0001594560500000092
edgepre-ed≤i≤edgepre+ed；
edgepre表示前一帧图像的轨枕位置坐标；ed为经验值，通过实验得到；
和/或
所述第一定位模块进一步包括第二修正单元；
所述方法进一步包括：
S104：第二修正单元结合相邻帧图像钢轨位置的互补信息，根据第二公式改进钢轨边界定位的算法；
其中，第二公式为：
Figure BDA0001594560500000101
edgepre-ed≤i≤edgepre+ed；
edgepre表示前一帧图像的轨枕位置坐标；ed为经验值，通过实验得到。
该优选方案中，采用第二公式对轻枕和钢轨的定位进行修正，使其更加准确，能够准确定位轻枕和钢轨的两个边界。
当然，在本方面中，所述方法进一步包括下述步骤的至少一个：
S110：将钢轨的左边界向左平移预设数量的单位像素，定位为扣件的左边界；
S120：将钢轨的右边界向右平移预设数量的单位像素，定位为扣件的右边界；
S130：将轻枕的上边界定位为扣件的上边界；
S140：将轻枕的下边界定位为扣件的下边界。
本发明的说明书和权利要求书及上述附图中的属于“第一”、“第二”等是用于区别不同的对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法或设备固有的气体步骤或单元。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (12)

1.一种轨道扣件缺损状态自动检测系统，其特征在于，包括：
第一定位模块，对轨道的轻枕区域和钢轨区域进行定位；
第二定位模块，根据定位的轻枕区域和钢轨区域，对扣件进行定位；
分割模块，对定位的扣件进行裁剪分割获得若干扣件区域，若干扣件区域形成数据集，数据集包括训练集部分和测试集部分；
处理模块，构建扣件特征词袋；
检测模块，根据扣件特征词袋的扣件特征描述，对扣件缺损异常状态进行识别检测，
所述第一定位模块包括：
第一定位单元，对轨道的轻枕区域进行定位；
第二定位单元，对轨道的钢轨区域进行定位；
所述第二定位模块根据第一定位单元和第二定位单元的定位信息，对扣件进行定位，
所述第一定位单元被配置为根据第一公式计算灰度图像基于水平方向投影统计的差值；
其中，水平统计差数组的极大值对应轻枕的第一边界，结合轻枕的宽度获得轻枕的第二边界；
和/或
所述第二定位单元被配置为根据第一公式计算灰度图像基于垂直方向投影统计的差值；
其中，水平统计差数组的极大值对应钢轨的第一边界，结合钢轨的宽度获得钢轨的第二边界；
第一公式为：HP(i)＝SP(i+1)-SP(i)i＝1,2,…h，SP(i)表示图像第i行的水平统计值，HP(i)表示第i行水平统计差。
2.根据权利要求1所述系统，其特征在于，所述分割模块被配置为将数据集中的扣件区域随机划分为训练集部分和测试集部分。
3.根据权利要求1所述系统，其特征在于，所述第一定位模块进一步包括：
第一修正单元，结合相邻帧图像轻枕位置的互补信息，根据第二公式改进轻枕边界定位的算法；
其中，第二公式为：
Figure FDA0003247812540000011
edgepre表示前一帧图像的轨枕位置坐标；ed为经验值，通过实验得到。
4.根据权利要求1所述系统，其特征在于，所述第一定位模块进一步包括：
第二修正单元，结合相邻帧图像钢轨位置的互补信息，根据第二公式改进钢轨边界定位的算法；
其中，第二公式为：
Figure FDA0003247812540000021
edgepre表示前一帧图像的轨枕位置坐标；ed为经验值，通过实验得到。
5.根据权利要求1所述系统，其特征在于，所述第二定位模块被配置为：
将钢轨的左边界向左平移预设数量的单位像素，定位为扣件的左边界；
将钢轨的右边界向右平移预设数量的单位像素，定位为扣件的右边界；
将轻枕的上边界定位为扣件的上边界；
将轻枕的下边界定位为扣件的下边界。
6.根据权利要求1所述系统，其特征在于，所述处理模块包括：
计算单元，对所述数据集中每个扣件图像计算Dense SIFT特征向量；
聚类单元，对训练集的扣件图像计算出的Dense SIFT特征向量通过K-means进行聚类，得到多个特征单词组成的视觉特征词典；
分解单元，对数据集中每个扣件图像进行空间金字塔分解；
处理单元，将分解的每个尺度的Dense SIFT特征，在特征词典上进行分布统计形成扣件多尺度融合特征的单词直方图。
7.根据权利要求1所述系统，其特征在于，所述检测模块被配置为：
根据扣件特征词袋的扣件特征描述，利用直方图交叉核函数定义词袋特征向量的非线性变换，所述非线性变换为：
Figure FDA0003247812540000022
其中x,z∈Rn为特征向量；
结合直方图交叉核函数选择SVM的其他最优参数，在训练数据集上对其进行训练调优。
8.一种轨道扣件缺损状态自动检测方法，其特征在于，包括：
第一定位模块对轨道的轻枕区域和钢轨区域进行定位；
第二定位模块根据定位的轻枕区域和钢轨区域，对扣件进行定位；
分割模块对定位的扣件进行裁剪分割获得若干扣件区域，若干扣件区域形成数据集，数据集包括训练集部分和测试集部分；
处理模块构建扣件特征词袋；
检测模块根据扣件特征词袋的扣件特征描述，对扣件缺损异常状态进行识别检测，
所述第一定位模块对轨道的轻枕区域和钢轨区域进行定位包括：
第一定位单元根据第一公式计算灰度图像基于水平方向投影统计的差值对轨道的轻枕区域进行定位；
其中，水平统计差数组的极大值对应轻枕的第一边界，结合轻枕的宽度获得轻枕的第二边界；
第二定位单元根据第一公式计算灰度图像基于垂直方向投影统计的差值对轨道的钢轨区域进行定位；
其中，水平统计差数组的极大值对应钢轨的第一边界，结合钢轨的宽度获得钢轨的第二边界；
第一公式为：HP(i)＝SP(i+1)-SP(i)i＝1,2,…h，SP(i)表示图像第i行的水平统计值，HP(i)表示第i行水平统计差。
9.根据权利要求8所述方法，其特征在于，所述第一定位模块进一步包括第一修正单元；
所述方法进一步包括：
第一修正单元结合相邻帧图像轻枕位置的互补信息，根据第二公式改进轻枕边界定位的算法；
其中，第二公式为：
Figure FDA0003247812540000031
edgepre表示前一帧图像的轨枕位置坐标；ed为经验值，通过实验得到；
和/或
所述第一定位模块进一步包括第二修正单元；
所述方法进一步包括：
第二修正单元结合相邻帧图像钢轨位置的互补信息，根据第二公式改进钢轨边界定位的算法；
其中，第二公式为：
Figure FDA0003247812540000032
edgepre表示前一帧图像的轨枕位置坐标；ed为经验值，通过实验得到。
10.根据权利要求8所述方法，其特征在于，所述方法进一步包括下述步骤的至少一个：
将钢轨的左边界向左平移预设数量的单位像素，定位为扣件的左边界；
将钢轨的右边界向右平移预设数量的单位像素，定位为扣件的右边界；
将轻枕的上边界定位为扣件的上边界；
将轻枕的下边界定位为扣件的下边界。
11.根据权利要求8所述方法，其特征在于，所述处理模块构建扣件特征词袋包括：
计算单元对所述数据集中每个扣件图像计算Dense SIFT特征向量；
聚类单元对训练集的扣件图像计算出的Dense SIFT特征向量通过K-means进行聚类，得到多个特征单词组成的视觉特征词典；
分解单元对数据集中每个扣件图像进行空间金字塔分解；
处理单元将分解的每个尺度的Dense SIFT特征，在特征词典上进行分布统计形成扣件多尺度融合特征的单词直方图。
12.根据权利要求8所述方法，其特征在于，所述检测模块根据扣件特征词袋的扣件特征描述，对扣件缺损异常状态进行识别检测包括：
根据扣件特征词袋的扣件特征描述，利用直方图交叉核函数定义词袋特征向量的非线性变换，所述非线性变换为：
Figure FDA0003247812540000041
其中x,z∈Rn为特征向量；
结合直方图交叉核函数选择SVM的其他最优参数，在训练数据集上对其进行训练调优。
CN201810201266.0A 2018-03-12 2018-03-12 一种轨道扣件缺损状态自动检测系统及方法 Expired - Fee Related CN108573213B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810201266.0A CN108573213B (zh) 2018-03-12 2018-03-12 一种轨道扣件缺损状态自动检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810201266.0A CN108573213B (zh) 2018-03-12 2018-03-12 一种轨道扣件缺损状态自动检测系统及方法

Publications (2)

Publication Number Publication Date
CN108573213A CN108573213A (zh) 2018-09-25
CN108573213B true CN108573213B (zh) 2021-11-02

Family

ID=63576833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810201266.0A Expired - Fee Related CN108573213B (zh) 2018-03-12 2018-03-12 一种轨道扣件缺损状态自动检测系统及方法

Country Status (1)

Country Link
CN (1) CN108573213B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109785301B (zh) * 2018-12-27 2020-12-15 北京交通大学 一种基于图像处理的钢轨波磨周期评估方法
CN111178244B (zh) * 2019-12-27 2024-03-15 北京首钢自动化信息技术有限公司 一种异常生产场景的识别方法
CN111311567A (zh) * 2020-02-12 2020-06-19 北京交通大学 对轨道线路图像进行扣件和钢轨病害识别的方法
CN111539436B (zh) * 2020-04-20 2022-02-15 上海工程技术大学 一种基于一字模板匹配的轨道扣件定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106428558A (zh) * 2016-11-28 2017-02-22 北京交通大学 一种基于空‑轨两用无人机的轨道综合巡检方法
CN106494611A (zh) * 2016-11-28 2017-03-15 北京交通大学 一种空轨两用巡检无人机
CN107766886A (zh) * 2017-10-20 2018-03-06 华中师范大学 高速铁路钢轨扣件弹条疲劳断口自动识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106428558A (zh) * 2016-11-28 2017-02-22 北京交通大学 一种基于空‑轨两用无人机的轨道综合巡检方法
CN106494611A (zh) * 2016-11-28 2017-03-15 北京交通大学 一种空轨两用巡检无人机
CN107766886A (zh) * 2017-10-20 2018-03-06 华中师范大学 高速铁路钢轨扣件弹条疲劳断口自动识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
有砟轨道扣件缺失识别算法的研究;张新峰 等;《计算机工程与应用》;20170810;摘要，正文第3-4节 *
融合式空间塔式算子和HIK-SVM的交通标志识别研究;刘亚辰 等;《交通运输系统工程与信息》;20170228;第17卷(第1期);正文第1-2节 *

Also Published As

Publication number Publication date
CN108573213A (zh) 2018-09-25

Similar Documents

Publication Publication Date Title
CN108573213B (zh) 一种轨道扣件缺损状态自动检测系统及方法
CN110533640B (zh) 基于改进YOLOv3网络模型的轨道线路病害辨识方法
CN111079747B (zh) 铁路货车转向架侧架断裂故障图像识别方法
CN103020618B (zh) 视频图像文字的检测方法及系统
CN102902974B (zh) 一种基于图像的铁路接触网杆柱标识信息的识别方法
CN112200225B (zh) 基于深度卷积神经网络的钢轨伤损b显图像识别方法
CN111311567A (zh) 对轨道线路图像进行扣件和钢轨病害识别的方法
CN110363742B (zh) 一种基于cnn和图像处理的转辙机缺口检测方法
CN111489339A (zh) 高速铁路定位器螺栓备母缺陷的检测方法
CN105426870A (zh) 一种人脸关键点定位方法及装置
CN103903005A (zh) 车牌影像辨识系统及方法
CN111080608A (zh) 铁路货车脱轨自动制动阀塞门手把关闭故障图像识别方法
CN111080611A (zh) 一种铁路货车摇枕弹簧折断故障图像识别方法
CN114368411B (zh) 一种列车脱轨安全的监测预警方法
CN107154034B (zh) 一种高铁接触网斜拉线定位钩的状态检测方法及系统
CN109523549B (zh) 一种用于压力容器气密性试验的漏气区域检测方法
CN105354533A (zh) 一种基于词袋模型的卡口无牌车辆车型识别方法
CN115526864A (zh) 基于改进的特征金字塔网络和度量学习的钢轨表面缺陷检测方法
CN111598855B (zh) 一种基于深度学习和迁移学习的2c设备高铁接触网吊弦缺陷检测方法
CN112288717A (zh) 一种动车组列车侧部异物检测方法
CN107247967B (zh) 一种基于r-cnn的车窗年检标检测方法
CN117409039A (zh) 一种基于虚拟点跟踪网络的轮轨相对位移计算方法
CN116958052A (zh) 一种基于yolo和注意力机制的印刷电路板缺陷检测方法
CN112686188B (zh) 基于深度学习方法的前挡风玻璃及驾驶员区域定位方法
JP4492258B2 (ja) 文字・図形の認識方法および検査方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20211102

CF01 Termination of patent right due to non-payment of annual fee