CN109636789B - 基于图像分割的轨道扣件的零件缺失检测方法及装置 - Google Patents

Abstract

本发明实施例公开一种基于图像分割的轨道扣件的零件缺失检测方法及装置，所述扣件由多个零件组成，其中方法包括：获取目标轨道扣件的图像；将所述目标轨道扣件的图像输入深度神经网络分割模型，输出所述零件的分割图；基于所述零件的分割图，统计所述零件的响应亮度值；将所述响应亮度值与预设的阈值进行比较，当所述响应亮度值低于所述阈值时，判断所述零件有部分缺失。本发明实施例能实现轨道扣件高精度、强鲁棒的缺失检测，效果稳定高效。

Description

基于图像分割的轨道扣件的零件缺失检测方法及装置

技术领域

本发明实施例涉及计算机视觉技术领域，具体涉及一种基于图像分割的轨道扣件的零件缺失检测方法及装置。

背景技术

近年来，轨道交通因其具有大运量和快速安全等诸多优点得到了速猛的发展，给人们的生产生活带来极大便利。

扣件是轨道结构的重要组成部分，它将钢轨和轨枕组合为轨排结构，承受列车载荷，抵抗纵横向作用力。同时它又是轨道弹性和几何调整能力的提供者，起到一定的减振降噪作用。

目前，是通过人工巡检的方式对轨道扣件的缺失进行检测，效率低，劳动强度大，无法及时了解轨道各部件的状态。

鉴于此，如何实现轨道扣件零件高效、高精度、强鲁棒的缺失检测成为目前需要解决的技术问题。

发明内容

由于现有方法存在上述问题，本发明实施例提出一种基于图像分割的轨道扣件的零件缺失检测方法及装置。

第一方面，本发明实施例提出一种基于图像分割的轨道扣件的零件缺失检测方法，所述扣件由多个零件组成，包括：

获取目标轨道扣件的图像；

将所述目标轨道扣件的图像输入深度神经网络分割模型，输出所述零件的分割图；

基于所述零件的分割图，统计所述零件的响应亮度值；

将所述响应亮度值与设置的阈值进行比较，当所述响应亮度值低于所述阈值时，判断所述零件有部分缺失。

第二方面，本发明实施例还提出一种基于图像分割的轨道扣件的零件缺失检测装置，所述扣件由多个零件组成，包括：

获取模块，获取目标轨道扣件的图像；

分割模块，将所述目标轨道扣件的图像输入深度神经网络分割模型，输出所述零件的分割图；

统计模块，基于所述零件的分割图，统计所述零件的响应亮度值；

判断模块，将所述响应亮度值与设置的阈值进行比较，当所述响应亮度值低于所述阈值时，判断所述零件有部分缺失。

第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器、总线及存储在存储器上并可在第处理器上运行的计算机程序；

其中，所述处理器，存储器通过所述总线完成相互间的通信；

所述处理器执行所述计算机程序时实现上述方法。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，所述存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述方法。

由上述技术方案可知，本发明实施例提供的一种基于图像分割的轨道扣件的零件缺失检测方法及装置，通过获取目标轨道扣件图像，将目标轨道扣件图像输入深度神经网络分割模型，输出零件的分割图，基于零件的分割图统计零件的响应亮度值，若所述响应亮度值小于对应的预设阈值，则确认所述零件有部分缺失。由此，能够有效实现轨道扣件的零件的缺失检测，能够代替人工巡检，高精度、强鲁棒，效果稳定高效。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。

图1为本发明一实施例提供的一种基于图像分割的轨道扣件的零件缺失检测方法的流程示意图；

图2为本发明实施例提供的深度神经网络分割模型的结构示意图；

图3为本发明一实施例提供的一种基于图像分割的轨道扣件的零件缺失检测装置的结构示意图；

图4为本发明一实施例提供的一种电子设备的实体结构示意图。

具体实施方式

下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

图1示出了本发明一实施例提供的一种基于图像分割的轨道扣件的零件缺失检测方法的流程示意图，其中所述轨道扣件由多个零件组成。如图1所示，本实施例的基于图像分割的轨道扣件的零件缺失检测方法，包括：

S1、获取目标轨道扣件的图像。

S2、将所述目标轨道扣件的图像输入深度神经网络分割模型，输出所述零件的分割图。

S3、基于所述零件的分割图，统计所述零件的响应亮度值。

S4、将所述响应亮度值与预设的阈值进行比较，当所述响应亮度值低于所述阈值时，判断所述零件有部分缺失。

本发明实施例提供的基于图像分割的轨道扣件的零件缺失检测方法，通过获取目标轨道扣件图像，将目标轨道扣件图像输入深度神经网络分割模型，输出零件的分割图，基于零件的分割图，统计零件的响应亮度值，若所述零件的响应亮度值小于对应的预设阈值，则确认所述零件有部分缺失，由此，能够有效实现轨道扣件的缺失检测，能够代替人工巡检，高精度、强鲁棒，效果稳定高效。

本实施例中，深度神经网络分割模型是基于样本图像，对深度神经网络进行训练后得到的。所述样本图像是在大量采集扣件图片后，对扣件图片中的零件区域进行人工标注分割，获得零件区域的人工分割图，将所述零件区域的人工分割图作为样本图像，对深度神经网络进行训练，获得所述深度神经网络分割模型。

本实施例中，所述零件包括螺纹道钉螺帽、弹条和垫板整体。所述样本图像包括对轨道扣件图片进行人工标注分割后得到的标注有螺纹道钉螺帽区域的人工分割图，对轨道扣件图片进行人工标注分割后得到的标注有弹条区域的人工分割图，以及对轨道扣件图片进行人工标注分割后得到的标注有垫板整体区域的人工分割图。基于所述三个人工分割图，对深度神经网络进行训练，获得所述深度神经网络分割模型。从所述深度神经网络分割模型中输出所述螺纹道钉螺帽的分割图、所述弹条的分割图和所述垫板的分割图。

进一步，在上述实施例中，所述步骤S3可以包括：

利用所述垫板整体的分割图确定所述扣件的位置；

基于所述扣件的位置，在所述道钉螺帽分割图中统计所述螺纹道钉螺帽的响应亮度值，在所述弹条分割图中统计所述弹条的响应亮度值。

进一步，上述利用垫板整体的分割图确定扣件的位置，可以包括：

利用垫板整体的分割图，通过寻找最大的两个连通域的闭合框确定所述扣件的位置。

进一步，上述基于扣件的位置，在道钉螺帽分割图中统计螺纹道钉螺帽的响应亮度值，可以包括:

在所述螺纹道钉螺帽分割图中对应闭合框的位置处统计所述螺纹道钉螺帽的响应亮度值；

进一步，上述基于扣件的位置，在弹条分割图中统计弹条的响应亮度值，可以包括：

在所述弹条分割图中对应闭合框的位置处统计所述弹条的响应亮度值。

这样，可以实现螺纹道钉螺帽和弹条的响应亮度值。

进一步，所述步骤S4可以包括：

将所述螺纹道钉螺帽的响应亮度值与预设的相应阈值进行比较，当所述螺纹道钉螺帽的响应亮度值低于所述阈值，则判断所述螺纹道钉螺帽缺失；或者

将所述弹条的响应亮度值与预设的相应阈值进行比较，当所述弹条的响应亮度值低于所述阈值，则判断所述弹条缺失。

进一步地，在上述实施例的基础上，在所述步骤S2之前，本实施例所述方法还可以包括图中未示出的步骤P1-P2：

P1、获取样本图像。

在具体应用中，可以通过随机采样的方式获取样本图像，可控制获取的螺纹道钉螺帽图片样本、弹条图片样本和垫板整体图片样本的比例大概在1:1:1，可以让后面根据样本图像对深度神经网络进行训练而获得的深度神经网络分割模型能在螺纹道钉螺帽区域、弹条区域和垫板整体区域的分割性能上较为均等。

P2、根据所述样本图像，对深度神经网络进行训练，获得训练好的深度神经网络分割模型，所述深度神经网络分割模型输出三个通道，第一个通道负责螺纹道钉螺帽区域的分割，第二个通道负责弹条区域的分割，第三个通道负责垫板整体区域的分割。

在具体应用中，在训练时，标注有螺纹道钉螺帽区域的分割图、标注有弹条区域的分割图和标注有垫板整体区域的分割图可作为监督信息，与深度神经网络分割模型输出的三张分割图(即螺纹道钉螺帽的分割图、弹条的分割图和垫板整体的分割图)构成欧式距离损失函数，驱动深度神经网络分割模型学会将螺纹道钉螺帽、弹条、垫板整体分别分割出来。

在具体应用中，本实施例深度神经网络中的所有卷积均使用3×3卷积，训练好的深度神经网络分割模型结构可参考图2。

由此，本实施例能够获得训练好的深度神经网络分割模型，以利用该深度神经网络分割模型，获得目标轨道扣件图像中螺纹道钉螺帽区域，弹条区域和垫板整体区域的图像分割结果。

本发明实施例提供的基于图像分割的轨道扣件缺失检测方法，能够有效实现轨道扣件的缺失检测，能够代替人工巡检，高精度、强鲁棒，效果稳定高效。

图3示出了本发明一实施例提供的一种基于图像分割的轨道扣件的零件缺失检测装置的结构示意图，如图3所示，本实施例的基于图像分割的轨道扣件的零件缺失检测装置，包括：获取模块31、分割模块32、统计模块33和判断模块34；其中：

所述获取模块31，用于获取目标轨道扣件的图像；

所述分割模块32，用于将所述目标轨道扣件的图像输入深度神经网络分割模型，输出所述零件的分割图；

所述统计模块33，用于基于所述零件的分割图，统计所述零件的响应亮度值；

所述判断模块34，用于将所述响应亮度值与预设的阈值进行比较，当所述响应亮度值低于所述阈值时，判断所述零件有部分缺失。

本发明实施例提供的基于图像分割的轨道扣件的零件缺失检测装置法，能够有效实现轨道扣件的零件的缺失检测，能够代替人工巡检，高精度、强鲁棒，效果稳定高效。

图4示出了本发明一实施例提供的一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器401、存储器402、总线403及存储在存储器402上并可在处理器401上运行的计算机程序；

其中，所述处理器401和存储器402通过所述总线403完成相互间的通信；

所述处理器401执行所述计算机程序时实现上述方法实施例所提供的方法，例如包括：获取目标轨道扣件的图像；将所述目标轨道扣件的图像输入深度神经网络分割模型，输出所述零件的分割图；基于所述零件的分割图，统计所述零件的响应亮度值；将所述响应亮度值与预设的阈值进行比较，当所述响应亮度值低于所述阈值时，判断所述零件有部分缺失。

本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法实施例所提供的方法，例如包括：获取目标轨道扣件的图像；将所述目标轨道扣件的图像输入深度神经网络分割模型，输出所述零件的分割图；基于所述零件的分割图，统计所述零件的响应亮度值；将所述响应亮度值与预设的阈值进行比较，当所述响应亮度值低于所述阈值时，判断所述零件有部分缺失。

本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置/系统。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

需要说明的是，在本文中，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

本发明的说明书中，说明了大量具体细节。然而能够理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (7)

1.一种基于图像分割的轨道扣件的零件缺失检测方法，所述扣件由多个零件组成，其特征在于，包括：

获取目标轨道扣件的图像；

将所述目标轨道扣件的图像输入深度神经网络分割模型，输出所述零件的分割图；

基于所述零件的分割图，统计所述零件的响应亮度值；

将所述响应亮度值与预设的阈值进行比较，当所述响应亮度值低于所述阈值时，判断所述零件有部分缺失；

所述深度神经网络分割模型是基于样本图像对深度神经网络进行训练后得到的，所述样本图像是在采集扣件图片后，对扣件图片中的零件区域进行人工标注分割，获得零件区域的人工分割图，将所述零件区域的人工分割图作为样本图像，对深度神经网络进行训练，获得所述深度神经网络分割模型；

所述零件包括螺纹道钉螺帽、弹条和垫板整体；所述样本图像包括标注有螺纹道钉螺帽区域的人工分割图、标注有弹条区域的人工分割图和标注有垫板整体区域的人工分割图，基于三个人工分割图，对深度神经网络进行训练，获得所述深度神经网络分割模型；所述深度神经网络分割模型包括三个输出通道，第一个通道输出螺纹道钉螺帽区域的分割图，第二个通道输出弹条区域的分割图，第三个通道输出垫板整体区域的分割图；

所述基于所述零件的分割图，统计所述零件的响应亮度值，进一步包括：利用所述垫板整体分割图确定所述扣件的位置；基于所述扣件的位置，在所述螺纹道钉螺帽分割图中统计所述螺纹道钉螺帽的响应亮度值，在所述弹条分割图中统计所述弹条的响应亮度值；

所述标注有螺纹道钉螺帽区域的分割图、所述标注有弹条区域的分割图和所述标注有垫板整体区域的分割图作为监督信息，与所述螺纹道钉螺帽的分割图、所述弹条的分割图和所述垫板整体的分割图构成欧式距离损失函数，基于所述欧式距离损失函数训练所述深度神经网络分割模型。

2.根据权利要求1所述的方法，其特征在于，所述利用所述垫板整体分割图确定所述扣件的位置，包括：

利用所述垫板整体分割图，通过寻找最大的两个连通域的闭合框确定所述扣件的位置。

3.根据权利要求2所述的方法，其特征在于，所述基于所述扣件的位置，在所述螺纹道钉螺帽分割图中统计所述螺纹道钉螺帽的响应亮度值，在所述弹条分割图中统计所述弹条的响应亮度值，包括：

在所述螺纹道钉螺帽分割图中对应闭合框的位置处统计所述螺纹道钉螺帽的响应亮度值；

在所述弹条分割图中对应闭合框的位置处统计所述弹条的响应亮度值。

4.根据权利要求1所述的方法，其特征在于，所述将所述响应亮度值与预设的阈值进行比较，当所述响应亮度值低于所述阈值时，判断所述零件有部分缺失，进一步包括：

将所述螺纹道钉螺帽的响应亮度值与预设的阈值进行比较；

当所述螺纹道钉螺帽的响应亮度值低于所述阈值时，则判断所述螺纹道钉螺帽缺失；或者

将所述弹条的响应亮度值与预设的阈值进行比较；

当所述弹条的响应亮度值低于所述阈值时，则判断所述弹条缺失。

5.一种基于图像分割的轨道扣件的零件缺失检测装置，所述扣件由多个零件组成，其特征在于，包括：

获取模块，获取目标轨道扣件的图像；

分割模块，将所述目标轨道扣件的图像输入深度神经网络分割模型，输出所述零件的分割图，所述深度神经网络分割模型是基于样本图像对深度神经网络进行训练后得到的，所述样本图像是在采集扣件图片后，对扣件图片中的零件区域进行人工标注分割，获得零件区域的人工分割图，将所述零件区域的人工分割图作为样本图像，对深度神经网络进行训练，获得所述深度神经网络分割模型；

统计模块，基于所述零件的分割图，统计所述零件的响应亮度值；

判断模块，将所述响应亮度值与预设的阈值进行比较，当所述响应亮度值低于所述阈值时，判断所述零件有部分缺失；

所述零件包括螺纹道钉螺帽、弹条和垫板整体；所述样本图像包括标注有螺纹道钉螺帽区域的人工分割图、标注有弹条区域的人工分割图和标注有垫板整体区域的人工分割图，基于三个人工分割图，对深度神经网络进行训练，获得所述深度神经网络分割模型；所述深度神经网络分割模型包括三个输出通道，第一个通道输出螺纹道钉螺帽区域的分割图，第二个通道输出弹条区域的分割图，第三个通道输出垫板整体区域的分割图；

所述基于所述零件的分割图，统计所述零件的响应亮度值，进一步包括：利用所述垫板整体分割图确定所述扣件的位置；基于所述扣件的位置，在所述螺纹道钉螺帽分割图中统计所述螺纹道钉螺帽的响应亮度值，在所述弹条分割图中统计所述弹条的响应亮度值；

所述标注有螺纹道钉螺帽区域的分割图、所述标注有弹条区域的分割图和所述标注有垫板整体区域的分割图作为监督信息，与所述螺纹道钉螺帽的分割图、所述弹条的分割图和所述垫板整体的分割图构成欧式距离损失函数，基于所述欧式距离损失函数训练所述深度神经网络分割模型。

6.一种电子设备，其特征在于，包括：处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序；

其中，所述处理器，存储器通过所述总线完成相互间的通信；

所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的方法。

7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1-4中任一项所述的方法。

Images