CN109658397A - 一种轨道巡检方法及系统 - Google Patents
一种轨道巡检方法及系统 Download PDFInfo
- Publication number
- CN109658397A CN109658397A CN201811517112.9A CN201811517112A CN109658397A CN 109658397 A CN109658397 A CN 109658397A CN 201811517112 A CN201811517112 A CN 201811517112A CN 109658397 A CN109658397 A CN 109658397A
- Authority
- CN
- China
- Prior art keywords
- image
- foreign matter
- sleeper
- region
- class
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000012806 monitoring device Methods 0.000 claims abstract description 6
- 241001669679 Eleotris Species 0.000 claims description 66
- 238000001514 detection method Methods 0.000 claims description 29
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 31
- 238000007689 inspection Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 7
- 229910000831 Steel Inorganic materials 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及轨道巡检技术领域,具体公开了一种轨道巡检方法及系统,该方法包括:获取列车轨道的图像信息和位置信息;从所述图像信息中截取感兴趣区域图像;将所述感兴趣区域图像输入深度学习网络;在识别出所述感兴趣区域图像为异常时,向服务器和车辆终端监控设备发送所述感兴趣区域图像以及所述位置信息,实现轨道巡检。本发明采用智能识别轨道缺陷,提高轨道缺陷识别率。
Description
技术领域
本发明涉及轨道巡检技术领域,特别涉及一种轨道巡检方法及系统。
背景技术
当前对城市轨道交通轨道线路的检查一般都是在每天夜间运营停止运行后,利用人工到 线路步行巡视的方式,人眼观察发现缺陷。采用人工步行巡检方式,存在工作效率低、轨道 缺陷识别率低等问题。
目前个别城市的部分线路配备了安装在工程车上的自动巡检装置,利用夜间检修时间, 在工程车辆的快速行走过程中,对轨道状态进行快速自动检查。该装置一般采用传统视觉模 式识别技术,通过模式识别的方式,提取标准的轨道部件的图像特征,与当前拍摄到的特征 图像进行匹配,根据匹配度来确定是否存在轨道缺陷。在实际运用过程中,由于光照条件变 化、车辆振动、轨道线路设备复杂等原因,导致图像拍摄角度及拍摄效果与标准特征图像存 在一定的差异,导致识别率较低。
发明内容
为了克服现有技术的不足,本发明提供一种轨道巡检方法,该方法能智能识别轨道缺陷, 提高轨道缺陷识别率和识别速度。
为了达到上述目的,本发明采用以下技术方案:
一种轨道巡检方法,包括以下步骤:获取列车轨道的图像信息和位置信息;从所述图像 信息中截取感兴趣区域图像;将所述感兴趣区域图像输入深度学习网络;在识别出所述感兴 趣区域图像为异常时,向服务器和车辆终端监控设备发送所述感兴趣区域图像以及所述位置 信息,实现轨道巡检。
与现有技术相比,本发明通过从所述图像信息中提取感兴趣区域图像,并将感兴趣区域 图像输入深度学习网络,利用深度学习网络的高检测速度和高准确率,智能识别轨道缺陷, 提高轨道缺陷识别率;在识别出感兴趣区域图像为异常时,及时将缺陷信息及对应轨道位置 发送至向服务器和车辆终端监控设备,使得工作人员及时发现轨道问题并确定轨道问题所在 的轨道位置,及时到达轨道缺陷所在位置并解决轨道问题,防止列车事故的发生。
作为优选,所述感兴趣区域图像包括扣件轮廓图像,所述深度学习网络包括扣件分类器; 将所述感兴趣区域图像输入深度学习网络,包括如下步骤:将截取出的扣件轮廓图像输入所 述扣件分类器;所述扣件分类器包括弹条正常类、弹条脱落类、螺丝正常类、螺丝松动类和 螺丝脱落类;通过如下步骤识别所述扣件轮廓图像为异常:在识别出所述扣件轮廓图像为所 述弹条脱落类、所述螺丝松动类和所述螺丝脱落类中的任意一种时,则所述扣件轮廓图像为 异常。
本发明根据扣件日常出现高频率的构件问题进行弹条正常、弹条脱落、螺丝正常、螺丝 松动和螺丝脱落分类,并通过这几类的分类器对扣件缺陷进行识别,进而利用深度学习网络 的高检测速度和高准确率,智能识别扣件缺陷,提高扣件缺陷识别率。
作为优选,所述感兴趣区域图像包括轨枕图像;从所述图像信息中截取感兴趣区域图像, 包括如下步骤:从所述图像信息中检测所述扣件轮廓图像的区域坐标;所述区域坐标用于指 示扣件轮廓图像的像素区域;在所述区域坐标的纵坐标上增加预设的轨枕像素高度,以定位 并截取与所述扣件轮廓图像对应的轨枕图像。
本发明利用扣件与轨枕的位置关系,同时利用扣件易识别的特点,直接在识别的扣件坐 标中增加轨枕的像素高度即可获得轨枕位置信息信息,提高了轨枕信息的获取效率和获取的 准确率,再利用深度学习算法检测轨枕缺陷信息,提高轨枕缺陷识别率。
作为优选,所述深度学习网络包括轨枕破损分类器;通过如下步骤识别所述轨枕图像为 异常:将所述轨枕图像输入所述轨枕破损分类器中;在识别出所述轨枕图像为轨枕破损时, 则所述轨枕图像为异常。
作为优选,所述列车轨道包括感应板和道床,所述感应板和所述道床之间标识有一条直 线;所述感兴趣区域图像包括感应板图像;所述轨道巡检方法还包括如下步骤:采用hough 变换分析检测检测所述感应板图像上的直线条数;在所述直线条数为两条时,计算所述两条 直线之间的距离;其中,所述距离用于指示所述感应板的位移;在所述距离大于预设的距离 阈值时,判定所述感应板图像为异常。
本发明通过用图像中识别直线替代感应板的移位的识别,利用hough变换检测直线优点, 通过识别标识的直线的条数,快速识别感应板是否存在移位现象,提高感应板移位缺陷的识 别准确率和识别率。
作为优选,在获取列车轨道的图像信息和位置信息之后,还包括如下步骤:对所述图像 信息进行滤波处理;采用Canny边缘检测从滤波后的图像信息中检测疑似异物图像的边缘图 像;对所述疑似异物的边缘图像进行形态学闭运算,得到所述疑似异物的连通轮廓图像;根 据所述疑似异物的连通轮廓图像确定所述疑似异物的连通区域;在所述疑似异物的连通区域 面积大于或等于预设的第一面积阈值时,判定所述疑似异物为初次疑似异物,实现初次疑似 异物的检测;在所述疑似异物的连通区域面积小于预设的第二面积阈值时,判定所述疑似异 物为非疑似异物,实现非异物的检测。
作为优选,在实现初次疑似异物检测之后,还包括如下步骤:将所述初次疑似异物的连 通区域输入预设的二次检测分类器中;其中,所述二次检测分类器包括白斑类、缝隙类、管 道类、水坑类、铁块类和钢轨类;在所述识别出所述初次疑似异物的连通区域为所述预设的 二次检测分类器中的任意一类时,从所述初次疑似异物的连通区域中剔除对应的连通区域, 得到异物的连通区域,实现异物识别。
本发明与传统图像识别方法相结合,先通过对疑似异物的信息中,识别出在同一条线路 上相对固定的、被错误识别的对象,再从疑似异物的信息中剔除相对固定的、被错误识别的 对象。采用该方法,减少轨道异物识别错误的概率,提升了轨道异物识别的准确性。
作为优选,所述图像信息通过如下步骤获取:通过设置于列车底部的高速激光测距传感 器实时采集轨枕位置信息;所述轨枕位置信息用于指示所述轨道中出现轨枕;在采集到所述 轨枕位置信息时,通过设置于所述列车底部的高速工业摄像机采集所述图像信息。
与现有技术相比,本发明通过轨枕位置处拍摄轨道图片,保证拍摄时能获取轨道全局图 像;还通过采用了高帧率高分辨的高速工业相机对轨道采集图像,克服电客车在高速运行中 产生的晃动使得图片脱影、画质不佳的技术问题;同时,结合高效率的深度学习算法对图片 进行分析处理,实现对轨道图像缺陷的智能识别和快速识别;进而使得该方法能运用于高速 行驶的载客列车中。载客列车在日常载客运行的过程中对轨道状态进行不断的自动检查,提 高轨道状态巡检频率,进而及时发现轨道缺陷,防止列车事故的发生。
作为优选,所述轨道的位置信息通过如下步骤获得:通过设置于列车车轮轴头上的速度 编码器获取车轮运动的脉冲信息;根据所述脉冲信息定位所述轨道的位置信息。
本发明另一个方面对应地提供一种轨道巡检系统,该系统用于执行上述所述的轨道巡检 方法,所述轨道巡检系统安装于电客车上。
该系统安装在电客车上,运用于高速运行的载客列车中,列车在运行过程中对轨道进行 巡检,具有高轨道缺陷识别率、高轨道缺陷识别准确率的同时,还提高轨道巡检次数,克服 现有技术中人工巡检效率低、轨道缺陷识别率低、巡检成本高的技术问题;克服工程车只能 每隔每个月或者半个月对线路检查一次、轨道巡检率低的技术问题。
附图说明
现结合附图与具体实施例对本发明作进一步说明:
图1是本发明一种轨道巡检方法的流程示意图;
图2是本发明一种轨道巡检方法中扣件缺陷识别流程图;
图3是本发明一种轨道巡检方法中轨枕缺陷识别流程图;
图4是本发明一种轨道巡检方法中感应板缺陷识别流程图;
图5是本发明一种轨道巡检方法中轨道异物识别流程图;
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅 用于说明和解释本发明,并不用于限定本发明。
如图1所示,是本发明实施例1一种轨道巡检方法的流程示意图。
该轨道巡检方法,包括以下步骤:
S1、获取列车轨道的图像信息和位置信息;
S2、从所述图像信息中截取感兴趣区域图像;
S3、将所述感兴趣区域图像输入深度学习网络;
S4、在识别出所述感兴趣区域图像为异常时,向服务器和车辆终端监控设备发送所述感 兴趣区域图像以及所述位置信息,实现轨道巡检。
与现有技术相比,本发明的轨道巡检方法通过从所述图像信息中提取感兴趣区域图像, 并将感兴趣区域图像输入深度学习网络,利用深度学习网络的高检测速度和高准确率,智能 识别轨道缺陷,提高轨道缺陷识别率;在识别出感兴趣区域图像为异常时,及时将缺陷信息 及对应轨道位置发送至向服务器和车辆终端监控设备,使得工作人员及时发现轨道问题并确 定轨道问题所在的轨道位置,及时到达轨道缺陷所在位置并解决轨道问题,防止列车事故的 发生。
如图2所示,是本发明一种轨道巡检方法中扣件缺陷识别流程图。
所述感兴趣区域图像包括扣件轮廓图像,所述深度学习网络包括扣件分类器;步骤S3 将所述感兴趣区域图像输入深度学习网络,包括如下步骤:
将截取出的扣件轮廓图像输入所述扣件分类器;所述扣件分类器包括弹条正常类、弹条 脱落类、螺丝正常类、螺丝松动类和螺丝脱落类;
通过如下步骤识别所述扣件轮廓图像为异常:
在识别出所述扣件轮廓图像为所述弹条脱落类、所述螺丝松动类和所述螺丝脱落类中的 任意一种时,则所述扣件轮廓图像为异常。
其中,扣件分类器通过如下步骤训练得到:训练第一模型;通过第一模型识别感兴趣区 域图像,并从第一模型识别出的图像中,筛选出识别错误的图像;从所述错误的图像中随机 筛选出部分图像作为样本,训练出优化的扣件分类器。
扣件训练分为6个类,包括弹条正常、弹条松动、弹条脱落、螺丝正常、螺丝松动、螺丝脱落;这样分类一方面是由于扣件弹条与螺丝本身独立性决定的,另一方面,可以通过分开识别判断出弹条松动的距离。
本发明根据扣件日常出现高频率的构件问题进行弹条正常、弹条脱落、螺丝正常、螺丝 松动和螺丝脱落分类,并通过这几类的分类器对扣件缺陷进行识别,进而利用深度学习网络 的高检测速度和高准确率,智能识别扣件缺陷,提高扣件缺陷识别率。
如图3所示,是本发明一种轨道巡检方法中轨枕缺陷识别流程图。
所述感兴趣区域图像包括扣件轮廓图像和轨枕图像;从所述图像信息中截取感兴趣区域 图像,包括如下步骤:
从所述图像信息中检测所述扣件轮廓图像的区域坐标;所述区域坐标用于指示扣件轮廓 图像的像素区域;
在所述区域坐标的纵坐标上增加预设的轨枕像素高度,以定位并截取与所述扣件轮廓图 像对应的轨枕图像。
在具体实施过程中,由于轨枕区域位于扣件正下方,且获取轨道图像信息的所使用的高 速工业相机位置固定、图像分辨率相同,故扣件轮廓图像中的像素个数基本不变。因此,可 通过扣件轮廓图像的坐标(x1,y1,x2,y2)得到轨枕轮廓图像的坐标(x1,y2,x2,y2+H),其中 (x1,y1)、(x2,y2)分别为扣件轮廓图像的左上点和右下点,H为预设的轨枕像素高度。
本发明利用扣件与轨枕的位置关系,同时利用扣件易识别的特点,直接在识别的扣件轮 廓图像坐标中增加轨枕预设的像素高度即可获得轨枕轮廓图像的坐标,提高了轨枕信息的获 取效率和获取的准确率。
作为优选,所述深度学习网络包括轨枕破损分类器;将所述感兴趣区域图像输入深度学 习网络,包括:将所述轨枕图像输入所述轨枕破损分类器中;
通过如下步骤识别所述轨枕图像为异常:在识别出所述轨枕图像为轨枕破损时,则所述 轨枕图像为异常。
其中,可以采用如下方法训练轨枕破损分类器:
根据扣件轮廓图像的区域坐标中获取得到轨枕区域坐标;利用HOG提取轨枕区域内轨枕 的纹理信息;将提取到的破损的轨枕的纹理信息作为正样本、正常的轨枕的纹理信息作为负 样本,并按照3:1的比例输入到深度学习网络模型进行训练。
HOG与Haar相比能更好提取到图像轮廓纹理信息,而破损的轨枕正好有着明显的纹理特 征,正常轨枕纹理较少;所以采用HOG轨枕的纹理信息作为训练样本,能很好区分轨枕正常 和破损。
如图4所示,是本发明一种轨道巡检方法中感应板缺陷识别流程图。
所述列车轨道包括感应板和道床,所述感应板和所述道床之间标识有一条直线;所述感 兴趣区域图像包括感应板图像;
所述轨道巡检方法还包括如下步骤:
采用hough变换分析检测检测所述感应板图像上的直线条数;
在所述直线条数为两条时,计算所述两条直线之间的距离;其中,所述距离用于指示所 述感应板的位移;
在所述距离大于预设的距离阈值时,判定所述感应板图像为异常。
本发明的轨道巡检方法中,通过用图像中识别直线替代感应板的移位的识别,利用hough 变换检测直线优点,通过识别标识的直线的条数,快速识别感应板是否存在移位现象,提高 感应板移位缺陷的识别准确率和识别率。
如图5所示,是本发明一种轨道巡检方法中轨道异物识别流程图。
在获取列车轨道的图像信息和位置信息之后,还包括如下步骤:
对所述图像信息进行滤波处理;
采用Canny边缘检测从滤波后的图像信息中检测疑似异物图像的边缘图像;
对所述疑似异物的边缘图像进行形态学闭运算,得到所述疑似异物的连通轮廓图像;
根据所述疑似异物的连通轮廓图像确定所述疑似异物的连通区域;
在所述疑似异物的连通区域面积大于或等于预设的第一面积阈值时,判定所述疑似异物 为初次疑似异物,实现初次疑似异物的检测;
在所述疑似异物的连通区域面积小于预设的第二面积阈值时,判定所述疑似异物为非疑 似异物,实现非异物的检测。
由于光照等因素影响,在检测过程中会存在很多小的分异物的连通区域,本发明通过预 设面积阈值,排除小于面积阈值的分异物的连通区域,降低异物连通区域误检的概率。
作为优选,在实现初次疑似异物检测之后,还包括如下步骤:
将所述初次疑似异物的连通区域输入预设的二次检测分类器中;其中,所述二次检测分 类器包括白斑类、缝隙类、管道类、水坑类、铁块类和钢轨类;
在所述识别出所述初次疑似异物的连通区域为所述预设的二次检测分类器中的任意一类 时,从所述初次疑似异物的连通区域中剔除对应的连通区域,得到异物的连通区域,实现异 物识别。
本发明与传统图像识别方法相结合,先通过统图像识别方法识别出初次疑似异物的连通 区域,再通过深度学习网络,在初次疑似异物的连通区域中,识别出在同一条线路上相对固 定的、被错误识别的连通区域,再初次疑似异物的连通区域中剔除相对固定的、被错误识别 的连通区域,最终获得异物的连通区域,实现异物识别。采用该方法,减少轨道异物识别错 误的概率,提升了轨道异物识别的准确性。
钢轨缺陷较少,因少量钢轨缺陷导致训练出的模型的识别率低,因此在轨道巡检时,直 接利用传统图像识别算法识别钢轨缺陷即可。
作为优选,所述图像信息通过如下步骤获取:
通过设置于列车底部的高速激光测距传感器实时采集轨枕位置信息;所述轨枕位置信息 用于指示所述轨道中出现轨枕;
在采集到所述轨枕位置信息时,通过设置于所述列车底部的高速工业摄像机采集所述图 像信息。
其中,高速激光测距传感器的参数配置如下:
测量范围:60~2000mm;响应时间:1ms;测量分辨率:1mm;激光类型:1类激光;模拟量输出:4~20mA。
所述图像信息由六组高速工业摄像机及配套光源采集,其中四组高速工业摄像机分别从 轨道两个侧面拍摄钢轨区域,两组高速工业摄像机分别从道床区域的中间拍摄钢轨区域。
由于列车的高速行驶同时要确保每个扣件必须拍到还要保证高的识别率,轨道上两个扣 件之间距离为0.6m,按照列车最高时速120km/h考虑,采用四路高速工业摄像机用于拍摄轨 道两个侧面的钢轨区域,可以保证快速拍到每个扣件的同时,且配合扣件异常识别方法,快 速识别扣件异常与否。
作为优选,所述轨道的位置信息通过如下步骤获得:
通过设置于列车车轮轴头上的速度编码器获取车轮运动的脉冲信息;
根据所述脉冲信息定位所述轨道的位置信息。
轨道线路上在轨道中间每隔一定距离,一般为1km,布置有一个RFID电子标签,电子 标签芯片上存储有其所在位置的里程信息。因此,在根据所述脉冲信息定位所述轨道的位置 信息时,还可以包括如下步骤:读取所述轨道的RFID标识;所述RFID标识用于指示轨道的 位置坐标;根据所述RFID标识校准所述轨道的位置信息。
每当安装在列车底部的电子标签阅读器读取到电子标签信息时,对当前检测的轨道位置 信息进行一次校准,进而避免产生累积计算误差。
本发明另一个方面提供一种轨道巡检系统,该系统用于执行所述轨道巡检方法,所述轨 道巡检系统安装于电客车上。
该系统安装在电客车上,运用于高速运行的载客列车中,列车在运行过程中对轨道进行 巡检,具有高轨道缺陷识别率、高轨道缺陷识别准确率的同时,还提高轨道巡检次数,克服 现有技术中人工巡检效率低、轨道缺陷识别率低、巡检成本高的技术问题;克服工程车只能 每隔每个月或者半个月对线路检查一次、轨道巡检率低的技术问题。
本发明所述的一种轨道巡检方法及系统,能智能识别轨道缺陷,提高轨道缺陷识别率和 识别速度,使得该方法及系统能运用于列车日常载客运行的过程中。列车日常载客运行时, 采用该方法对轨道线路缺陷进行实时检测,以取代安排大量的人员步行巡视线路的方式,节 约大量的人力资源,提高轨道巡检率和轨道缺陷识别率。
本发明在列车运行时段对轨道状态进行不间断的巡视检查,发现缺陷可实时报警处理, 具有更高的实时性。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变型不脱离本发明的精神 和范围,倘若这些改动和变型属于本发明的权利要求和等同技术范围之内,则本发明也意图 包含这些改动和变动。
Claims (10)
1.一种轨道巡检方法,其特征在于,包括以下步骤:
获取列车轨道的图像信息和位置信息;
从所述图像信息中截取感兴趣区域图像;
将所述感兴趣区域图像输入深度学习网络;
在识别出所述感兴趣区域图像为异常时,向服务器和车辆终端监控设备发送所述感兴趣区域图像以及所述位置信息,实现轨道巡检。
2.如权利要求1所述的轨道巡检方法,其特征在于,所述感兴趣区域图像包括扣件轮廓图像,所述深度学习网络包括扣件分类器;将所述感兴趣区域图像输入深度学习网络,包括如下步骤:
将截取出的扣件轮廓图像输入所述扣件分类器;所述扣件分类器包括弹条正常类、弹条脱落类、螺丝正常类、螺丝松动类和螺丝脱落类;
通过如下步骤识别所述扣件轮廓图像为异常:
在识别出所述扣件轮廓图像为所述弹条脱落类、所述螺丝松动类和所述螺丝脱落类中的任意一种时,则所述扣件轮廓图像为异常。
3.如权利要求1所述的轨道巡检方法,其特征在于,所述感兴趣区域图像包括扣件轮廓图像和轨枕图像;从所述图像信息中截取感兴趣区域图像,包括如下步骤:
从所述图像信息中检测所述扣件轮廓图像的区域坐标;所述区域坐标用于指示扣件轮廓图像的像素区域;
在所述区域坐标的纵坐标上增加预设的轨枕像素高度,以定位并截取与所述扣件轮廓图像对应的轨枕图像。
4.如权利要求3所述的轨道巡检方法,其特征在于,所述深度学习网络包括轨枕破损分类器;将所述感兴趣区域图像输入深度学习网络,包括:将所述轨枕图像输入所述轨枕破损分类器中;
通过如下步骤识别所述轨枕图像为异常:在识别出所述轨枕图像为轨枕破损时,则所述轨枕图像为异常。
5.如权利要求1所述的轨道巡检方法,其特征在于,所述列车轨道包括感应板和道床,所述感应板和所述道床之间标识有一条直线;所述感兴趣区域图像包括感应板图像;
所述轨道巡检方法还包括如下步骤:
采用hough变换分析检测检测所述感应板图像上的直线条数;
在所述直线条数为两条时,计算所述两条直线之间的距离;其中,所述距离用于指示所述感应板的位移;
在所述距离大于预设的距离阈值时,判定所述感应板图像为异常。
6.如权利要求1所述的轨道巡检方法,其特征在于,在获取列车轨道的图像信息和位置信息之后,还包括如下步骤:
对所述图像信息进行滤波处理;
采用Canny边缘检测从滤波后的图像信息中检测疑似异物图像的边缘图像;
对所述疑似异物的边缘图像进行形态学闭运算,得到所述疑似异物的连通轮廓图像;
根据所述疑似异物的连通轮廓图像确定所述疑似异物的连通区域;
在所述疑似异物的连通区域面积大于或等于预设的第一面积阈值时,判定所述疑似异物为初次疑似异物,实现初次疑似异物的检测;
在所述疑似异物的连通区域面积小于预设的第二面积阈值时,判定所述疑似异物为非疑似异物,实现非异物的检测。
7.如权利要求6所述的轨道巡检方法,其特征在于,在实现初次疑似异物检测之后,还包括如下步骤:
将所述初次疑似异物的连通区域输入预设的二次检测分类器中;其中,所述二次检测分类器包括白斑类、缝隙类、管道类、水坑类、铁块类和钢轨类;
在所述识别出所述初次疑似异物的连通区域为所述预设的二次检测分类器中的任意一类时,从所述初次疑似异物的连通区域中剔除对应的连通区域,得到异物的连通区域,实现异物识别。
8.如权利要求1~7中任一项所述的轨道巡检方法,其特征在于,所述图像信息通过如下步骤获取:
通过设置于列车底部的高速激光测距传感器实时采集轨枕位置信息;所述轨枕位置信息用于指示所述轨道中出现轨枕;
在采集到所述轨枕位置信息时,通过设置于所述列车底部的高速工业摄像机采集所述图像信息。
9.如权利要求8所述的轨道巡检方法,其特征在于,所述轨道的位置信息通过如下步骤获得:
通过设置于列车车轮轴头上的速度编码器获取车轮运动的脉冲信息;
根据所述脉冲信息定位所述轨道的位置信息。
10.一种轨道巡检系统,其特征在于,用于执行如权利要求9所述的轨道巡检方法,所述轨道巡检系统安装于电客车上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811517112.9A CN109658397A (zh) | 2018-12-12 | 2018-12-12 | 一种轨道巡检方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811517112.9A CN109658397A (zh) | 2018-12-12 | 2018-12-12 | 一种轨道巡检方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109658397A true CN109658397A (zh) | 2019-04-19 |
Family
ID=66113732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811517112.9A Pending CN109658397A (zh) | 2018-12-12 | 2018-12-12 | 一种轨道巡检方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109658397A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175434A (zh) * | 2019-06-19 | 2019-08-27 | 西南交通大学 | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 |
CN110254468A (zh) * | 2019-06-20 | 2019-09-20 | 吉林大学 | 一种轨道表面缺陷智能在线检测装置及检测方法 |
CN111257422A (zh) * | 2020-02-28 | 2020-06-09 | 北京新联铁集团股份有限公司 | 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法 |
CN111275845A (zh) * | 2020-02-21 | 2020-06-12 | 中国科学院声学研究所东海研究站 | 一种智能巡检方法、系统及存储介质 |
CN111507147A (zh) * | 2019-10-28 | 2020-08-07 | 深圳市海洋王照明工程有限公司 | 智能巡检方法、装置、计算机设备和存储介质 |
CN111524248A (zh) * | 2020-04-24 | 2020-08-11 | 王晨庄 | 5g云存储图像分析的铁道视觉传感器巡检装置和方法 |
CN111815605A (zh) * | 2020-07-09 | 2020-10-23 | 成都协创信和科技有限公司 | 基于分步深度学习的轨枕缺陷检测方法及存储介质 |
CN112200483A (zh) * | 2020-10-22 | 2021-01-08 | 卡斯柯信号有限公司 | 一种地铁轨旁设备自动巡检系统及自动巡检方法 |
JP2021015041A (ja) * | 2019-07-12 | 2021-02-12 | Jfeエンジニアリング株式会社 | ボルト検査装置、ボルト検査システム、ボルト検査方法及びプログラム |
CN112561487A (zh) * | 2020-12-21 | 2021-03-26 | 广联达科技股份有限公司 | 一种计算施工进度的方法、装置、设备及可读存储介质 |
CN112989931A (zh) * | 2021-02-05 | 2021-06-18 | 广州华微明天软件技术有限公司 | 一种地铁轨道异物智能识别方法 |
CN113002594A (zh) * | 2021-04-09 | 2021-06-22 | 东莞市诺丽电子科技有限公司 | 一种列车车辆定位方法及装置 |
CN113112501A (zh) * | 2021-05-11 | 2021-07-13 | 上海市东方海事工程技术有限公司 | 一种基于深度学习的车载轨道巡检装置及方法 |
CN113408315A (zh) * | 2021-05-27 | 2021-09-17 | 山东新一代信息产业技术研究院有限公司 | 一种数据中心服务器状态检测方法及系统 |
CN113776461A (zh) * | 2021-09-09 | 2021-12-10 | 北京京东乾石科技有限公司 | 用于轨道表面检测的三维检测设备 |
CN114581437A (zh) * | 2022-04-09 | 2022-06-03 | 成都精工华耀科技有限公司 | 一种视觉标识引导的轨道可视化巡检系统 |
CN114771599A (zh) * | 2022-04-27 | 2022-07-22 | 上海申浙数智轨道科技有限公司 | 一种轨道故障的定位方法、系统、存储介质和电子设备 |
CN116342966A (zh) * | 2023-05-30 | 2023-06-27 | 苏州振畅智能科技有限公司 | 一种基于深度学习的轨道巡检方法、装置、设备及介质 |
EP4242979A1 (en) * | 2022-03-09 | 2023-09-13 | Moxa Inc. | Object recognition method and object recognition device |
CN117555141A (zh) * | 2023-09-27 | 2024-02-13 | 迈特诺(马鞍山)特种电缆有限公司 | 智能vr眼镜系统 |
JP7526047B2 (ja) | 2019-12-27 | 2024-07-31 | 川崎車両株式会社 | タグ位置情報管理システム、タグ位置登録システム、タグ位置表示システム、タグ位置登録方法及びタグ位置表示方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002145064A (ja) * | 2000-11-14 | 2002-05-22 | Nippon Signal Co Ltd:The | 鉄道線路の侵入物検出装置 |
CN202265327U (zh) * | 2011-09-01 | 2012-06-06 | 河南科技大学 | 一种天车定位装置 |
CN203298737U (zh) * | 2013-05-06 | 2013-11-20 | 哈尔滨威克轨道交通技术开发有限公司 | 地铁直线电机气隙检测箱 |
CN107292870A (zh) * | 2017-06-07 | 2017-10-24 | 复旦大学 | 基于图像对齐与检测网络模型的轨道塞钉故障检测方法与系统 |
CN107364466A (zh) * | 2017-07-18 | 2017-11-21 | 上海欣铁机电科技有限公司 | 一种轨道车辆的非接触式轨道巡检系统 |
CN108985274A (zh) * | 2018-08-20 | 2018-12-11 | 上海磐波智能科技有限公司 | 水面异物识别方法 |
-
2018
- 2018-12-12 CN CN201811517112.9A patent/CN109658397A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002145064A (ja) * | 2000-11-14 | 2002-05-22 | Nippon Signal Co Ltd:The | 鉄道線路の侵入物検出装置 |
CN202265327U (zh) * | 2011-09-01 | 2012-06-06 | 河南科技大学 | 一种天车定位装置 |
CN203298737U (zh) * | 2013-05-06 | 2013-11-20 | 哈尔滨威克轨道交通技术开发有限公司 | 地铁直线电机气隙检测箱 |
CN107292870A (zh) * | 2017-06-07 | 2017-10-24 | 复旦大学 | 基于图像对齐与检测网络模型的轨道塞钉故障检测方法与系统 |
CN107364466A (zh) * | 2017-07-18 | 2017-11-21 | 上海欣铁机电科技有限公司 | 一种轨道车辆的非接触式轨道巡检系统 |
CN108985274A (zh) * | 2018-08-20 | 2018-12-11 | 上海磐波智能科技有限公司 | 水面异物识别方法 |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175434A (zh) * | 2019-06-19 | 2019-08-27 | 西南交通大学 | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 |
CN110254468A (zh) * | 2019-06-20 | 2019-09-20 | 吉林大学 | 一种轨道表面缺陷智能在线检测装置及检测方法 |
JP2021015041A (ja) * | 2019-07-12 | 2021-02-12 | Jfeエンジニアリング株式会社 | ボルト検査装置、ボルト検査システム、ボルト検査方法及びプログラム |
JP7331509B2 (ja) | 2019-07-12 | 2023-08-23 | Jfeエンジニアリング株式会社 | ボルト検査装置、ボルト検査システム、ボルト検査方法及びプログラム |
CN111507147A (zh) * | 2019-10-28 | 2020-08-07 | 深圳市海洋王照明工程有限公司 | 智能巡检方法、装置、计算机设备和存储介质 |
JP7526047B2 (ja) | 2019-12-27 | 2024-07-31 | 川崎車両株式会社 | タグ位置情報管理システム、タグ位置登録システム、タグ位置表示システム、タグ位置登録方法及びタグ位置表示方法 |
CN111275845A (zh) * | 2020-02-21 | 2020-06-12 | 中国科学院声学研究所东海研究站 | 一种智能巡检方法、系统及存储介质 |
CN111257422A (zh) * | 2020-02-28 | 2020-06-09 | 北京新联铁集团股份有限公司 | 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法 |
CN111257422B (zh) * | 2020-02-28 | 2023-09-08 | 北京新联铁集团股份有限公司 | 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法 |
CN111524248A (zh) * | 2020-04-24 | 2020-08-11 | 王晨庄 | 5g云存储图像分析的铁道视觉传感器巡检装置和方法 |
CN111815605B (zh) * | 2020-07-09 | 2021-08-17 | 成都运达科技股份有限公司 | 基于分步深度学习的轨枕缺陷检测方法及存储介质 |
CN111815605A (zh) * | 2020-07-09 | 2020-10-23 | 成都协创信和科技有限公司 | 基于分步深度学习的轨枕缺陷检测方法及存储介质 |
CN112200483A (zh) * | 2020-10-22 | 2021-01-08 | 卡斯柯信号有限公司 | 一种地铁轨旁设备自动巡检系统及自动巡检方法 |
CN112561487A (zh) * | 2020-12-21 | 2021-03-26 | 广联达科技股份有限公司 | 一种计算施工进度的方法、装置、设备及可读存储介质 |
CN112561487B (zh) * | 2020-12-21 | 2024-01-23 | 广联达科技股份有限公司 | 一种计算施工进度的方法、装置、设备及可读存储介质 |
CN112989931A (zh) * | 2021-02-05 | 2021-06-18 | 广州华微明天软件技术有限公司 | 一种地铁轨道异物智能识别方法 |
CN113002594A (zh) * | 2021-04-09 | 2021-06-22 | 东莞市诺丽电子科技有限公司 | 一种列车车辆定位方法及装置 |
CN113112501A (zh) * | 2021-05-11 | 2021-07-13 | 上海市东方海事工程技术有限公司 | 一种基于深度学习的车载轨道巡检装置及方法 |
CN113408315A (zh) * | 2021-05-27 | 2021-09-17 | 山东新一代信息产业技术研究院有限公司 | 一种数据中心服务器状态检测方法及系统 |
CN113776461A (zh) * | 2021-09-09 | 2021-12-10 | 北京京东乾石科技有限公司 | 用于轨道表面检测的三维检测设备 |
EP4242979A1 (en) * | 2022-03-09 | 2023-09-13 | Moxa Inc. | Object recognition method and object recognition device |
CN114581437A (zh) * | 2022-04-09 | 2022-06-03 | 成都精工华耀科技有限公司 | 一种视觉标识引导的轨道可视化巡检系统 |
CN114771599B (zh) * | 2022-04-27 | 2024-01-05 | 上海申浙数智轨道科技有限公司 | 一种轨道故障的定位方法、系统、存储介质和电子设备 |
CN114771599A (zh) * | 2022-04-27 | 2022-07-22 | 上海申浙数智轨道科技有限公司 | 一种轨道故障的定位方法、系统、存储介质和电子设备 |
CN116342966B (zh) * | 2023-05-30 | 2023-08-11 | 苏州振畅智能科技有限公司 | 一种基于深度学习的轨道巡检方法、装置、设备及介质 |
CN116342966A (zh) * | 2023-05-30 | 2023-06-27 | 苏州振畅智能科技有限公司 | 一种基于深度学习的轨道巡检方法、装置、设备及介质 |
CN117555141A (zh) * | 2023-09-27 | 2024-02-13 | 迈特诺(马鞍山)特种电缆有限公司 | 智能vr眼镜系统 |
CN117555141B (zh) * | 2023-09-27 | 2024-07-26 | 迈特诺(马鞍山)特种电缆有限公司 | 智能vr眼镜系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109658397A (zh) | 一种轨道巡检方法及系统 | |
CN106919915B (zh) | 基于adas系统的地图道路标记及道路质量采集装置及方法 | |
Liu et al. | A review of applications of visual inspection technology based on image processing in the railway industry | |
CN105373135B (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
CN106128115B (zh) | 一种基于双摄像机检测道路交通信息的融合方法 | |
CN103971097B (zh) | 一种基于多尺度笔画模型的车牌识别方法与系统 | |
CN109550712A (zh) | 一种化纤丝尾丝外观缺陷检测系统及方法 | |
CN102759347B (zh) | 一种高铁接触网在线巡检装置、巡检方法以及其检测系统 | |
CN110211101A (zh) | 一种铁轨表面缺陷快速检测系统及方法 | |
CN105550654B (zh) | 高速列车图像采集系统、实时车号检测系统及方法 | |
CN110414334A (zh) | 一种基于无人机巡视的智能水质识别方法 | |
CN103454285A (zh) | 基于机器视觉的传动链条质量检测系统 | |
CN105905132A (zh) | 一种轨道状态智能巡检装置和方法 | |
CN105203552A (zh) | 一种360°踏面图像检测系统及其检测方法 | |
CN112270310A (zh) | 一种基于深度学习的跨摄像头行人多目标跟踪方法和装置 | |
CN101706274B (zh) | 钢轨扣件系统螺母缺失自动检测装置 | |
CN113947731B (zh) | 一种基于接触网安全巡检的异物识别方法及系统 | |
CN109146859A (zh) | 一种基于机器视觉的路面裂缝检测系统 | |
CN109242035B (zh) | 车底故障检测装置及方法 | |
CN103065519A (zh) | 坡道定点停车和起步检测系统及其检测方法 | |
CN106803087A (zh) | 一种车号自动识别方法及系统 | |
CN103837087A (zh) | 基于主动形状模型的受电弓自动检测方法 | |
CN111942434A (zh) | 一种铁路货车关键部件故障图像智能检测装置 | |
CN105891220A (zh) | 一种路面标志线缺陷检测装置及其检测方法 | |
CN111754460A (zh) | 一种转辙机缺口自动检测方法、系统及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190419 |