CN110132990A - 一种基于图像识别的钢轨廓形检测方法 - Google Patents

Abstract

本发明涉及轨道交通及钢轨探伤领域，具体涉及一种基于图像识别的钢轨廓形检测方法，本发明通过以下步骤实现对钢轨廓形的检测：S1，使用两台3D激光扫描仪采集钢轨廓形图像；S2，计算廓形的扭转函数；S3，计算标准廓形和待检测廓形的函数距离；S4，根据距离阈值判定廓形是否存在伤损。本发明的优点是实现了对钢轨廓形伤损的智能判定，提高伤损判定的精准度和效率，降低人工检测钢轨的成本，有效预防断轨事故的发生。

Description

一种基于图像识别的钢轨廓形检测方法

技术领域

本发明涉及轨道交通及钢轨探伤领域，具体涉及一种基于图像识别的钢轨廓形检测方法。

背景技术

我国铁路路网干线向着高速、重载铁路方向发展，铁路运输的全面提速以及高速重载铁路运输的快速发展导致钢轨的服役寿命严重降低，对轨道运行安全的维护要求也不断提高，钢轨廓形的变化是影响轨道安全运行的因素之一。钢轨廓形在自然磨耗的状态下会发生明显的改变，目前的钢轨廓形检测依靠人工手持测量仪对钢轨进行检测，通过人工判断廓形是否存在缺陷并手动对缺陷区域进行标记。这种传统办法检测效率低，精准度不高，受探伤人员的主观影响大，与检测人员对廓形缺陷的定义、类别划分和检测经验、知识密切相关，检测人员长时间的判伤检测工作容易精神分散，造出对缺陷误判漏判。同时廓形伤损数据仅靠人工记录，无法形成多周期多维度的数据分析，不利于后期的数据溯源和多源的信息融合。。

在发明专利CN201711004334一种钢轨廓形及波磨的二维激光动态检测装置和方法中简单提出一种采用二维激光位移传感器采集钢轨廓形初始数据的方法，通过设置二维激光位移传感装置和二维激光位移传感器的采样距离间隔，对钢轨数据进行采集，再将采集到的钢轨多个等距离截面的钢轨廓形数据分别进行数据预处理、离散数据点插值、廓形配准以及廓形偏差分析计算，然后进行多轮廓数据的钢轨廓形平均偏差、最大偏差、均方根偏差以及波磨计算。为钢轨及波磨检测提供一种动态的检测方法，但此发明采用单个二维激光位移传感器对钢轨进行扫描，无法覆盖整个钢轨廓形，采集的数据是多个等距离的廓形数据并进行波磨检测，跟本发明有较大的不同。

为了满足铁路运输和轨道运行安全的不断发展的需求，本发明提出了一种基于图像识别的钢轨廓形检测方法，实现精准识别廓形缺陷、提高检测效率以及满足数据溯源和多源数据分析。

发明内容

有鉴于此，针对现有的钢轨廓形检测技术存在的问题，本发明提供一种基于图像识别的钢轨廓形检测方法。通过非接触式的、使用计算机视觉的方法实现对钢轨廓形伤损的特征提取和精准分类，以有效解决上述技术背景中存在的问题。

本发明采用以下技术方案实现：

一种基于图像识别的钢轨廓形检测方法，其特征在于，包含以下步骤：

S1，使用3D激光扫描仪采集钢轨廓形图像；如图2所示，①为60kg/m的铁轨；②和③为3D激光扫描仪，对称安装于探伤小车的两侧；所述的扫描仪中心相距666mm，中心轴之间的夹角为120°；所述的扫描仪扫描范围在全部轨头至轨底20度圆弧之间，所述的激光扫描仪设定的工作距离在300-450毫米之间。在扫描廓形图像时，随着小车前进，扫描仪沿着铁轨每1mm扫描一次点集，每次大概采集800个点。

S2，计算廓形的扭转函数(Turning Function)，作为廓形的特征函数。扭转函数是对廓形曲线转角的累积统计量，描述曲线距离和扭转角度之间的关系。具体包括以下步骤：

S21，将廓形轮廓P用n个向量组成的集合表示，即

P＝{p₀,p₁,…,p_n-1},其中p_i-1和p_{i mod n}相邻，i∈{1,…,n}。

S22，计算轮廓的线段表示，即P＝{Δs₁,Δs₂,,…,Δs_n,}。其中

Δs_i＝s_{i mod n}-s_i-1，表示p_i-1和p_{i mod n}之间的线段。

S23，计算轮廓相邻点的距离表示，即P＝{Δl₁,Δl₂,,…,Δl_n,}。其中

Δl_i＝p_{i mod n}-p_i-1，删除无效点，通过计算平均值插补，补全轨型并分为两段。

S24，计算廓形的扭转函数。θ(s)＝θ₁μ₁(s)+θ₂μ₂(s)+…+θ_nμ_n(s)。

其中θ_i∈(0,2π]，代表每一条线段Δs_i的倾斜角。μ_i(s)是指示函数。当s∈(s_i-1,s_i](同通过计算半径，选取最接近20mm的一段)时，函数值取1；否则，函数值取0。

S3，计算标准廓形和待检测廓形的扭转函数之间的距离。

S31，扭转函数距离的计算公式为：

S32，考虑到钢轨廓形成像可能存在的旋转和缩放问题，对以上距离计算公式添加旋转角度和平移距离参数： 对某一特定范围内的旋转角度和平移距离进行距离计算。

S4，设定扭转函数的距离阈值，判定廓形是否存在伤损。若S3中计算得出的距离值大于阈值，说明待判定的钢轨轮廓和标准廓形之间的差距较大，因此判定钢轨廓形存在伤损。

本发明的有益效果：

本发明基于人工智能和计算机视觉，采用一种非接触式的廓形检测方法，实现对钢轨廓形伤损的智能判定，提高判伤的精准度和效率，降低因钢轨廓形伤损而造成的安全事故概率。同时实现了伤损数据的智能存储和溯源，有利于对钢轨的健康状态分析评估，能够为钢轨维修等工作提供数据支持。

附图说明

图1是一种基于图像识别的钢轨廓形检测方法的流程示意图；

图2是3D激光扫描仪对钢轨廓形采集的原理示意图；

具体实施方式

以下结合附图通过具体实施例对本发明作进一步的描述，这些实施例仅用于说明本发明，并不是对本发明保护范围的限制。

如图1所示，本发明所述的基于图像识别的钢轨廓形检测方法，包括3D激光扫描仪采集钢轨廓形图像，计算廓形的扭转函数，计算标准廓形和待检测廓形的函数距离，判定廓形是否存在伤损四部分。

具体实现如下：

一种基于图像识别的钢轨廓形检测方法，其特征在于，包含以下步骤：

S1，使用3D激光扫描仪采集钢轨廓形图像；如图2所示，①为60kg/m的铁轨；②和③为3D激光扫描仪，对称安装于探伤小车的两侧；所述的扫描仪中心相距666mm，中心轴之间的夹角为120°；所述的扫描仪扫描范围在全部轨头至轨底20度圆弧之间，所述的激光扫描仪设定的工作距离在300-450毫米之间。在扫描廓形图像时，随着小车前进，扫描仪沿着铁轨每1mm扫描一次点集，每次大概采集800个点。

S2，计算廓形的扭转函数(Turning Function)，作为廓形的特征函数。扭转函数是对廓形曲线转角的累积统计量，描述曲线距离和扭转角度之间的关系。具体包括以下步骤：

S21，将廓形轮廓P用n个向量组成的集合表示，即

P＝{p₀,p₁,…,p_n-1},其中p_i-1和p_{i mod n}相邻，i∈{1,…,n}。

S22，计算轮廓的线段表示，即P＝{Δs₁,Δs₂,,…,Δs_n,}。其中

Δs_i＝s_{i mod n}-s_i-1，表示p_i-1和p_{i mod n}之间的线段。

S23，计算轮廓相邻点的距离表示，即P＝{Δl₁,Δl₂,,…,Δl_n,}。其中

Δl_i＝p_{i mod n}-p_i-1，删除无效点，通过计算平均值插补，补全轨型并分为两段。

S24，计算廓形的扭转函数。θ(s)＝θ₁μ₁(s)+θ₂μ₂(s)+…+θ_nμ_n(s)。

其中θ_i∈(0,2π]，代表每一条线段Δs_i的倾斜角。μ_i(s)是指示函数。当s∈(s_i-1,s_i](同通过计算半径，选取最接近20mm的一段)时，函数值取1；否则，函数值取0。

S3，计算标准廓形和待检测廓形的扭转函数之间的距离。

S31，扭转函数距离的计算公式为：

S32，考虑到钢轨廓形成像可能存在的旋转和缩放问题，对以上距离计算公式添加旋转角度和平移距离参数： 对某一特定范围内的旋转角度和平移距离进行距离计算。

S4，设定扭转函数的距离阈值，判定廓形是否存在伤损。若S3中计算得出的距离值大于阈值，说明待判定的钢轨轮廓和标准廓形之间的差距较大，因此判定钢轨廓形存在伤损。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于图像识别的钢轨廓形检测方法，其特征在于，包含以下步骤：

S1，使用3D激光扫描仪采集钢轨廓形图像；

S2，计算廓形的扭转函数(Turning Function)；

S3，计算标准廓形和待检测廓形的扭转函数之间的距离；

S4，判定廓形是否存在伤损。

2.根据权利要求1所述的一种基于图像识别的钢轨廓形检测方法，其特征在于，①为60kg/m的铁轨；②和③为3D激光扫描仪，对称安装于探伤小车的两侧；所述的扫描仪中心相距666mm，中心轴之间的夹角为120°；所述的扫描仪扫描范围在全部轨头至轨底20度圆弧之间，所述的激光扫描仪设定的工作距离在300-450毫米之间。在扫描廓形图像时，随着小车前进，扫描仪沿着铁轨每1mm扫描一次点集，每次大概采集800个点。

3.根据权利要求1所述的一种基于图像识别的钢轨廓形检测方法，其特征在于，所述的S2中扭转函数是对廓形曲线转角的累积统计量，描述曲线距离和扭转角度之间的关系。

4.根据权利要求2所述的一种基于图像识别的钢轨廓形检测方法，其特征在于，所述的S2扭转函数的计算步骤如下：

S21，将廓形轮廓P用n个向量组成的集合表示，即P＝{p₀，p₁，...，p_n-1}，其中p_i-1和p_{i mod n}相邻，i∈{1，...，n}。

S22，计算轮廓的线段表示，即P＝{Δs₁，Δs₂......Δs_n，}。其中Δs_i＝s_{i mod n}-s_i-1，表示p_i-1和p_{i mod n}之间的线段。

S23，计算轮廓相邻点的距离表示，即P＝{Δl₁，Δl₂，，...，Δl_n，}。其中Δl_i＝p_{i mod n}-p_i-1，删除无效点，通过计算平均值插补，补全轨型并分为两段。

S24，计算廓形的扭转函数。θ(s)＝θ₁μ₁(s)+θ₂μ₂(s)+…+θ_nμ_n(s)。其中θ_i∈(0，2π]，代表每一条线段Δs_i的倾斜角。μ_i(s)是指示函数。当s∈(s_i-1，s_i](同通过计算半径，选取最接近20mm的一段)时，函数值取1；否则，函数值取0。

5.根据权利要求1所述的一种基于图像识别的钢轨廓形检测方法，其特征在于，所述的S3的扭转函数距离的计算公式为：

6.根据权利要求1或3所述的一种基于图像识别的钢轨廓形检测方法，其特征在于，计算扭转函数考虑到钢轨廓形存在旋转或缩放成像的问题，对距离计算公式添加旋转角度和平移距离参数：对某一特定范围内的旋转角度和平移距离进行距离计算。

7.根据权利要求1所述的一种基于图像识别的钢轨廓形检测方法，其特征在于，所述的S4判定廓形，需要先设定扭转函数的距离阈值，若S3中计算得出的距离值大于阈值，说明待判定的钢轨轮廓和标准廓形之间的差距较大，因此可以判定钢轨廓形存在伤损。