CN110047070B - 一种轨道磨损程度的识别方法及系统 - Google Patents

Abstract

本公开提出了一种轨道磨损程度的识别方法及系统，根据火车轮毂的轮廓特征，采用卡尔曼滤波匹配跟踪算法，结合已有红外传感器，实现火车高速运行中车轮的计数，判定磨损程度，进行准确分类，降低了技术难度并提高了准确度。采用多信息融合的算法，根据识别的铁轨缺陷类型和通过轨道的车轮数量融合判断，输出轨道磨损程度等级，管理人员就可以随时随地对设备的运行状态进行监控，及时维修轨道，减小了后期设备运行时维护的成本同时提高了设备运行时的安全性。

Description

一种轨道磨损程度的识别方法及系统

技术领域

本公开涉及一种轨道磨损程度的识别方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，并不必然构成在先技术。

随着我国域市的发展,出行需求增加,铁路交通的发展迅速，随着客运量和运年限的不断增加,铁轨将不可避免地出现各种各样的伤损问题。根据资料显示，常见的铁轨表面损伤，即铁轨表面缺陷主要有裂纹、剥离、擦伤、褶皱、断轨、疤痕等形态。其中裂纹和疤痕比较常见，也是特别严重的缺陷类型。在列车长时间的碾压下，很容易导致轨面剥离掉块，而剥离掉块反过来又会进一步增加列车对铁轨的冲击力，致使铁轨损伤加重，如此反复，形成一个恶性循环圈。在这种持续恶性循环的影响下，累积到一定程度就会危及行车安全。

现有的轨道磨损鉴别方法根据轨道局部缺陷的图像，提取特征建模，发明人发现现有的鉴别轨道磨损情况有如下缺点：

1.室外环境多变，无法采集到单一变量的二维图像。

2.受光照阴影的影响，采集的图像亮度不均匀。

3.建造工艺有差距，铁轨表面粗糙，存在较大颗粒，影响裂缝图像的提取而单一的传感器通过轮胎计数来判断损坏程度，则存在部署成本高，效率低、判断不准确。

发明内容

本公开为了解决上述问题，提出了一种轨道磨损程度的识别方法及系统，根据火车轮毂的轮廓特征，采用卡尔曼滤波匹配跟踪算法，结合已有红外传感器，实现火车高速运行中车轮的计数，判定磨损程度，进行准确分类，降低了技术难度并提高了准确度。采用多信息融合的方法，根据识别的铁轨缺陷类型和通过轨道的车轮数量融合判断，输出轨道磨损程度等级，根据判断获得的等级信息和缺陷识别信息进行轨道的维护和维修，管理人员就可以随时随地对设备的运行状态进行监控，及时维修轨道，减小了后期设备运行时维护的成本同时提高了设备运行时的安全性。

为了实现上述目的，本公开采用如下技术方案：

一个或多个实施例提供了一种轨道磨损程度的识别方法，包括如下步骤：

采集火车轨道表面图像和通行车辆的车轮运行图像；

对采集的火车轨道表面图像进行图像处理，提取图像特征，根据提取的图像特征识别铁轨的缺陷类型；

采用目标跟踪算法对采集的车辆的运行图像进行目标跟踪，获得通过轨道的车轮数量；

根据识别的铁轨缺陷类型和通过轨道的车轮数量融合判断，输出轨道磨损程度等级。

进一步的，所述目标跟踪算法为卡尔曼滤波匹配跟踪算法。

进一步的，采用目标跟踪算法对采集的车辆的运行图像进行目标跟踪，获得通过轨道的车轮数量，方法步骤具体为：

步骤31、提取车辆的运行图像中轮毂中部的特征作为跟踪特征点，跟踪特征点包括圆心坐标、长轴和短轴；

步骤32、利用卡尔曼滤波器估计进入当前帧图像中当前车轮在下一帧的位置和速度，在下一帧中利用最近距离匹配法实现车轮目标的匹配跟踪；

步骤33、若当前车轮目标匹配失败，记录目标消失的计数器加1，当前车轮目标匹配失败次数超过M，则判定车辆离开监控区域停止本次计数，计数器的值为经过的车轮数；否则，执行步骤32。

进一步的，采用最小二乘法预测提取跟踪特征点。

进一步的，所述根据识别的铁轨缺陷类型和通过轨道的车轮数量融合判断，输出轨道磨损程度等级方法具体为：

根据类型缺陷的危害程度给相应的缺陷类型赋分；

根据车轮数进行分段赋分；

对缺陷类型赋分和车轮数赋分进行加权求和，按照分数确定轨道磨损程度等级。

进一步的，所述对采集的火车轨道表面图像进行图像处理，提取图像特征，根据提取的图像特征识别铁轨的缺陷类型，的方法具体为：

步骤21、对采集到的图像信息进行预处理，所述预处理包括图像去噪处理以及边缘裂缝增强处理；

步骤22、预处理后的图像进行全局二值化处理，确定裂缝区域的灰度阈值T，根据所述阈值T分割出目标区域和背景区域的像素点；

步骤23、确定裂缝区域像素点个数，将比较的结果分为轨面正常和轨面缺陷两类；将经过滤波器处理后的图像进行全局二值化处理，提取使用八个特征指标作为衡量轨面缺陷的特征项，分别为：质心、周长、面积、长轴、短轴、矩形度、致密度和长宽比；

步骤24、将提取的特征值与正常轨面的八个特征值比较，特征值超出安全范围，将特征值输入BP神经网络进行缺陷图像识别分类，找到相似的特征值从而判断轨面缺陷类型。

进一步的，预处理具体的采用双边滤波器去噪，得到准确的图像细节信息。

一种轨道磨损程度的识别系统，包括：

图像采集模块：用于采集火车轨道表面图像和通行车辆的车轮运行图像；

缺陷类型识别模块：用于对采集的火车轨道表面图像进行图像处理，提取图像特征，根据提取的图像特征识别铁轨的缺陷类型；

车轮计数模块：用于采用目标跟踪算法对采集的车辆的运行图像进行目标跟踪，获得通过轨道的车轮数量；

轨道磨损程度等级判断模块：用于根据识别的铁轨缺陷类型和通过轨道的车轮数量融合判断，输出轨道磨损程度等级。

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。

与现有技术相比，本公开的有益效果为：

(1)本公开通过跟踪车轮经过的数量，将车轮数量信息作为轨道磨损的一个判断指标，提高了轨道磨损判断的准确性，可以在缺陷出现之前对车辆进行维护，大大减少了车辆事故和延长了轨道的寿命。

(2)本公开采用多信息融合的算法，根据识别的铁轨缺陷类型和通过轨道的车轮数量融合判断，输出轨道磨损程度等级，根据判断获得的等级信息和缺陷识别信息进行轨道的维护和维修。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的限定。

图1是本公开实施例1的方法流程图；

图2是本公开的实施例1车辆的运行图像采集结构示意图；

图3是本公开的实施例1目标区域边界最小外接矩形示意图；

图4是本公开的实施例1中步骤2的轨道表面缺陷类型识别方法示意图；

其中：1、双阵列摄像头，2、红外传感器，3、车轮。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。

在一个或多个实施方式中公开的技术方案中，如图1所示，一种轨道磨损程度的识别方法，包括如下步骤：

步骤1、采集火车轨道表面图像信息和通行车辆的车轮运行图像；

步骤2、对采集的图像进行图像处理，提取图像特征，根据提取的图像特征识别铁轨的缺陷类型；

步骤3、采用目标跟踪算法对采集的车辆的运行图像进行目标跟踪，获得通过轨道的车轮数量；

步骤4、根据识别的铁轨缺陷类型和通过轨道的车轮数量融合判断，输出轨道磨损程度等级。

如图2所示，所述步骤1中采集轨道道图像和通过车辆的运行图像；可以通过双阵列摄像头1进行图像的拍摄和采集。在车辆运行的关键区段如转弯处的轨道面的上方设置双阵列摄像头1，分别在没有车辆通过时采集轨道图像，在有车辆通过时采集车辆车轮3的高速运行图像，还可以在轨道的侧面设置红外传感器2用于辅助检测是否有车辆通行。

步骤2和3的步骤顺序不限定，没有前后顺序可以同时进行数据的处理。

步骤3、采用目标跟踪算法对采集的车辆的运行图像进行目标跟踪，获得通过轨道的车轮数量，可以卡尔曼滤波匹配跟踪算法。具体步骤如下：

步骤31、提取车辆的运行图像中轮毂中部的特征作为跟踪特征点，跟踪特征点包括圆心坐标、长轴和短轴；

步骤32、利用卡尔曼滤波器估计进入当前帧图像中当前车轮在下一帧的位置和速度，在下一帧中利用最近距离匹配法实现车轮目标的匹配跟踪；

步骤33、若当前车轮目标匹配失败，记录目标消失的计数器加1，当前车轮目标匹配失败次数超过M，则判定车辆离开监控区域停止本次计数，计数器的值为经过的车轮数；否则，执行步骤32。

在目标跟踪计数中，选取轮毂中部作为跟踪特征点。采用卡尔曼滤波匹配跟踪算法，实现动态准确计数。我们将轮毂近似椭圆形，用最小二乘法预测轮毂的特征点，在斜对着高速运行中火车轮子运动方向拍摄机械装置时，联动的机械装置会是近似的椭圆形，如图3所示，而且是旋转状态的椭圆，用所有测量特征点到理想圆形的4个参数：x₀,y₀,a,b，分别为圆心坐标，长轴，短轴距离，半径与x轴的夹角β。用数学表达式将平面位置椭圆形方程表达为：

在卡尔曼滤波算法跟踪中，通过对动态系统的状态序列进行线性最小方差误差估计的算法，采用最近距离匹配法实现车轮目标的匹配跟踪，通过如下公式进行估算：

基于轮毂特征的匹配跟踪算法：

具体的，提取车轮目标的特征点后，可以拟合出运行中的车轮的椭圆质心作为跟踪的特征点，利用卡尔曼滤波器估计椭圆质心在下一帧的位置、速度，然后在下一帧中利用最近距离匹配法实现车轮目标的匹配跟踪。

采取“等待M帧匹配法”，即若当前目标匹配失败，记录目标消失的计数器加1,循环执行匹配的步骤，当前车轮目标匹配失败次数超过M，说明在当前帧图像的当前目标在后续的图像中一直没有被检测到，则判定车辆离开监控区域停止本次计数，计数器的值为经过的车轮数。

所述步骤2对采集的图像进行图像处理，提取图像特征，根据提取的图像特征识别铁轨的缺陷类型，方法具体为：

步骤21、对采集到的图像信息进行预处理，所述预处理包括图像去噪处理以及边缘裂缝增强处理。具体的可以采用双边滤波器去噪，局部灰度值变化较小的区域得到增强，得到准确的图像细节信息。

步骤22、预处理后的图像进行全局二值化处理，确定裂缝区域的灰度阈值T，根据所述阈值T分割出目标区域和背景区域的像素点。将经过滤波器预处理后的图像进行全局二值化处理，提取轨道局部缺陷如(轨道压溃，轨道焊缝，铁轨板裂缝)的信息。

步骤23、确定裂缝区域像素点个数，将比较的结果分为轨面正常和轨面缺陷两类。将经过滤波器处理后的图像进行全局二值化处理，从经过双边滤波处理后的全局二值化图像中，提取使用八个特征指标作为衡量轨面缺陷的特征项，分别为：质心、周长、面积、长轴、短轴、矩形度、致密度和长宽比；其中一个示例的特征项的提取如表1所示。

当提取了特征项可以首先判断是否有轨面缺陷：与提取的正常轨面的八个特征值比较，当特征值误差超出安全范围时判定为出现轨面缺陷。图3给出了目标区域边界最小外接矩形示意图。

步骤24、将提取的特征值与正常轨面的八个特征值比较，特征值超出安全范围，将特征值输入BP神经网络进行缺陷图像识别分类，找到相似的特征值从而判断轨面缺陷类型。缺陷主要有裂纹、擦伤、剥离、褶皱、断轨等缺陷类型。

表1目标区域轨道缺陷特征参数

缺陷编号	质心(pixel)	周长(pixel)	面积(pixel)	致密度
					1	[272.3048 464.3562]	57	525	6.1886
2	[276.9797 391.6599]	37	197	6.9492
					3	[193.4208 259.8460]	136	461	40.1215
缺陷编号	长轴(pixel)	短轴(pixel)	长宽比	矩形度
					1	37.2036	19.6322	1.8950	0.7188
2	23.0705	12.4035	1.8600	0.6884
					3	120.0334	6.9506	17.2694	0.5526

根据从图像提取的八个特征值指标作为衡量轨面缺陷的特征值，通过与正常轨道特征值作比较，当发现某些特征值超出安全范围，输入的特征值将通过BP神经网络进行缺陷图像识别分类，找到相似的特征值从而判断轨面缺陷类型。

需要说明的是，根据最小外接矩形方法确定质心、周长、面积、长轴、短轴、矩形度、致密度和长宽比，以及利用BP神经网络进行缺陷图像识别分类，都是本领域技术人员根据现有技术能够实现的，因此未作展开说明。

本实施例对轨道的磨损程度的判断采用多信息融合的算法，根据识别的铁轨缺陷类型和通过轨道的车轮数量融合判断，输出轨道磨损程度等级。

所述的缺陷类型为裂纹、擦伤、剥离、褶皱、断轨等缺陷类型，可以根据类型缺陷的危害程度给相应的缺陷类型赋分，赋分的分数可以根据要达到精度等级进行设定，距离说如擦伤为10分，裂纹20分、剥离20分、褶皱30分、断轨50分，车轮数分段进行赋分，如车轮数在0-10000之间为10分、10000-20000为20分等等，对缺陷类型赋分和车轮数赋分进行加权求和，按照分数确定轨道磨损程度等级。

轨道磨损程度等级可以分为：一级损伤：表面良好需要涂油维护，二级损伤：轻伤，根据识别的缺陷类型进行相应的修复；三级损伤：重伤，列为紧急维修任务需尽快维修，铁轨表面剥离；四级损伤：铁轨断裂，需要停止使用。

实施例2

本实施例提供了一种轨道磨损程度的识别系统，包括：

图像采集模块：用于采集火车轨道表面图像和通行车辆的车轮运行图像；

缺陷类型识别模块：用于对采集的火车轨道表面图像进行图像处理，提取图像特征，根据提取的图像特征识别铁轨的缺陷类型；

车轮计数模块：用于采用目标跟踪算法对采集的车辆的运行图像进行目标跟踪，获得通过轨道的车轮数量；

轨道磨损程度等级判断模块：用于根据识别的铁轨缺陷类型和通过轨道的车轮数量融合判断，输出轨道磨损程度等级。

实施例3

本实施例还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一个实施例中方法的步骤。

实施例4

本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一个实施例中方法的步骤。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种轨道磨损程度的识别方法，其特征是，包括如下步骤：

采集火车轨道表面图像和通行车辆的车轮运行图像；

对采集的火车轨道表面图像进行图像处理，提取图像特征，根据提取的图像特征识别铁轨的缺陷类型；

采用目标跟踪算法对采集的车辆的运行图像进行目标跟踪，获得通过轨道的车轮数量；

根据识别的铁轨缺陷类型和通过轨道的车轮数量融合判断，输出轨道磨损程度等级。

2.如权利要求1所述的一种轨道磨损程度的识别方法，其特征是：所述目标跟踪算法为卡尔曼滤波匹配跟踪算法。

3.如权利要求1所述的一种轨道磨损程度的识别方法，其特征是：采用目标跟踪算法对采集的车辆的运行图像进行目标跟踪，获得通过轨道的车轮数量，方法步骤具体为：

步骤31、提取车辆的运行图像中轮毂中部的特征作为跟踪特征点，跟踪特征点包括圆心坐标、长轴距离和短轴距离；

步骤32、利用卡尔曼滤波器估计进入当前帧图像中当前车轮在下一帧的位置和速度，在下一帧中利用最近距离匹配法实现车轮目标的匹配跟踪；

步骤33、若当前车轮目标匹配失败，记录目标消失的计数器加1，当前车轮目标匹配失败次数超过M，则判定车辆离开监控区域停止本次计数，计数器的值为经过的车轮数；否则，执行步骤32。

4.如权利要求1所述的一种轨道磨损程度的识别方法，其特征是：采用最小二乘法预测提取跟踪特征点。

5.如权利要求1所述的一种轨道磨损程度的识别方法，其特征是：所述根据识别的铁轨缺陷类型和通过轨道的车轮数量融合判断，输出轨道磨损程度等级方法具体为：

根据类型缺陷的危害程度给相应的缺陷类型赋分；

根据车轮数进行分段赋分；

对缺陷类型赋分和车轮数赋分进行加权求和，按照分数确定轨道磨损程度等级。

6.如权利要求1所述的一种轨道磨损程度的识别方法，其特征是：所述对采集的火车轨道表面图像进行图像处理，提取图像特征，根据提取的图像特征识别铁轨的缺陷类型的方法具体为：

步骤21、对采集到的图像信息进行预处理，所述预处理包括图像去噪处理以及边缘裂缝增强处理；

步骤22、预处理后的图像进行全局二值化处理，确定裂缝区域的灰度阈值T，根据所述阈值T分割出目标区域和背景区域的像素点；

步骤23、确定裂缝区域像素点个数，将比较的结果分为轨面正常和轨面缺陷两类；将经过滤波器处理后的图像进行全局二值化处理，提取使用八个特征指标作为衡量轨面缺陷的特征项，分别为：质心、周长、面积、长轴、短轴、矩形度、致密度和长宽比；

步骤24、将提取的特征值与正常轨面的八个特征值比较，特征值超出安全范围，将特征值输入BP神经网络进行缺陷图像识别分类，找到相似的特征值从而判断轨面缺陷类型。

7.如权利要求1所述的一种轨道磨损程度的识别方法，其特征是：预处理具体的采用双边滤波器去噪得到准确的图像细节信息。

8.一种轨道磨损程度的识别系统，其特征是，包括：

图像采集模块：用于采集火车轨道表面图像和通行车辆的车轮运行图像；

缺陷类型识别模块：用于对采集的火车轨道表面图像进行图像处理，提取图像特征，根据提取的图像特征识别铁轨的缺陷类型；

车轮计数模块：用于采用目标跟踪算法对采集的车辆的运行图像进行目标跟踪，获得通过轨道的车轮数量；

轨道磨损程度等级判断模块：用于根据识别的铁轨缺陷类型和通过轨道的车轮数量融合判断，输出轨道磨损程度等级。

9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项方法所述的步骤。

10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项方法所述的步骤。

Images