CN111024728A - 一种基于计算机视觉与超声波探伤的铁路检测方法和系统 - Google Patents
一种基于计算机视觉与超声波探伤的铁路检测方法和系统 Download PDFInfo
- Publication number
- CN111024728A CN111024728A CN201911369824.5A CN201911369824A CN111024728A CN 111024728 A CN111024728 A CN 111024728A CN 201911369824 A CN201911369824 A CN 201911369824A CN 111024728 A CN111024728 A CN 111024728A
- Authority
- CN
- China
- Prior art keywords
- data
- defect
- track
- ultrasonic
- flaw detection
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 107
- 230000007547 defect Effects 0.000 claims abstract description 188
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 12
- 230000007613 environmental effect Effects 0.000 claims description 29
- 238000005286 illumination Methods 0.000 claims description 27
- 238000007726 management method Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000003750 conditioning effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000000523 sample Substances 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 7
- 239000002699 waste material Substances 0.000 abstract description 7
- 229910000831 Steel Inorganic materials 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 238000002604 ultrasonography Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
- B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
- B61K9/08—Measuring installations for surveying permanent way
- B61K9/10—Measuring installations for surveying permanent way for detecting cracks in rails or welds thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/26—Scanned objects
- G01N2291/262—Linear objects
- G01N2291/2623—Rails; Railroads
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开一种基于计算机视觉与超声波探伤的铁路检测方法和系统,通过摄像头采集列车前方的铁路图像,通过超声波探伤装置采集车辆前方铁轨的超声波探伤信号,通过环境感应设备采集环境数据;摄像头、超声波探伤装置并列设置,同时采集轨道的同一点位信息;通过神经网络模型进行识别,获取图像轨道缺陷数据;通过波形特征分析,获得超声轨道缺陷数据;基于同一时间下的采集数据,对获得的图像轨道缺陷数据、超声轨道缺陷数据和环境数据进行分析和验证,获取到该轨道点位的轨道缺陷优化数据。本发明能够精准且快速的获取到轨道的缺陷数据;能够让管理人员实时获取到缺陷的精准数据,保证铁路安全运行,避免人力物力的浪费。
Description
技术领域
本发明属于铁路轨道技术领域,特别是涉及一种基于计算机视觉与超声波探伤的铁路检测方法和系统。
背景技术
计算机视觉是使用计算机及相关设备对生物视觉的一种模拟。它的主要任务就是通过对采集的图片或视频进行处理以获得相应场景的信息。超声波探伤作为无损检验中常用的方法之一,其原理是通过利用内部缺陷在声学上说具有的性质特点对超声波传播的影响为基础,通过非破坏性地方式探测缺陷的大小、形状及分布情况。
随着高铁的发展,铁路运行时速不断的上升,这对于铁路缺陷的精准实时探测的要求显得越来越重要,为保障铁路安全起到了重要作用。现有方法多在铁路钢轨探伤车上安装有铁路钢轨探伤系统,采用与铁路钢轨踏面接触的轮探头,在探伤车行驶过程中完成铁路钢轨内部伤损的检测作业。但是现有的方法准确性不高,容易造成误判,不能实时、高效且快速的获得到轨道的缺陷状况,无法保证铁路安全运行,给铁路维护造成了交大的人力物力的浪费。
发明内容
为了解决上述问题,本发明提出了一种基于计算机视觉与超声波探伤的铁路检测方法和系统,能够精准且快速的获取到轨道的缺陷数据;能够让管理人员实时获取到缺陷的精准数据,保证铁路安全运行,避免人力物力的浪费。
为达到上述目的,本发明采用的技术方案是:一种基于计算机视觉与超声波探伤的铁路检测方法,包括步骤:
通过摄像头采集列车前方的铁路图像,通过超声波探伤装置采集车辆前方铁轨的超声波探伤信号,通过环境感应设备采集环境数据;所述摄像头、超声波探伤装置并列设置,同时采集轨道的同一点位信息;
对铁路图像数据通过神经网络模型进行识别,获取图像轨道缺陷数据;
对超声波探伤信号进行波形分析,获得超声轨道缺陷数据;
基于同一时间下的采集数据,对所获得的图像轨道缺陷数据、超声轨道缺陷数据和环境数据进行分析和验证,以获取到该轨道点位的轨道缺陷优化数据。
进一步的是,所述对铁路图像数据通过神经网络模型进行识别,获取图像轨道缺陷数据,包括步骤:
提取铁路图像中的铁轨特征点;
对铁路图像中的铁轨特征点进行拟合得到铁轨车道线,进行转换后构成由铁轨像素构成的轨道灰度图;
将所述轨道灰度图输入基于神经网络预先建立的铁路损伤识别模型,识别轨道缺陷数据。
通过提取图像中融合了轨道特征像素的轨道灰度图,能够有效避免图像中其它背景像素对图像的影响,能够精准且快速的识别出轨道的缺陷。
进一步的是,利用大量的轨道缺陷图像通过神经网络模型训练获得铁路损伤识别模型。
进一步的是,所述对超声波探伤信号进行波形分析,获得超声轨道缺陷数据,包括步骤:
对超声波探伤信号进行时域和频率分析,得到轨道缺陷特征量的波形图,所述特征量包括频率、幅值和相位;
将得到轨道缺陷特征量的波形图和与正常轨道特征量的波形图进行对比分析,并基于分析结果确定该轨道缺陷的缺陷类型和等级。
通过对超声波探伤信号进行时域和频率分析,根据特征量的对比能够准确的识别出轨道的缺陷类型和等级。
进一步的是,所述基于同一时间下的采集数据,对所获得的图像轨道缺陷数据、超声轨道缺陷数据和环境数据进行分析和验证,以获取到该轨道点位的轨道缺陷优化数据,包括步骤:
建立时间轴,将图像轨道缺陷数据、超声轨道缺陷数据和环境数据根据其各自的时间点均放入时间轴中;
以时间轴的时间跨步为单位,依次检测该时间跨步内包含的是图像轨道缺陷数据、还是超声轨道缺陷数据或者两种缺陷数据都有,根据所包含的缺陷数据类别对每个时间跨步进行分类;
根据分类结果,调取现有的环境数据,根据环境数据的状态,判断该时间下列车所处的轨道位置确定该位置存在缺陷是否可靠,若可靠则进行反馈,以该时间下列车所处的轨道位置确定该位置存在缺陷,并将该点位位置和缺陷数据发送至管理终端;若不可靠则判定该点位缺陷识别错误,不进行反馈;以获取到该轨道点位的轨道缺陷优化数据。
以时间轴为单位能准确的定位轨道缺陷的位置,并能够将所获得的缺陷数据进行相应点位的精准匹配;通过图像和超声的检测,同时结合环境数据的验证,能够有效验证数据的准确度,能够精准且快速的获取到轨道的缺陷数据;能够让管理人员实时获取到缺陷的精准数据,避免人力物力的浪费。
进一步的是,根据环境数据的状态,判断该时间下列车所处的轨道位置确定该位置存在缺陷是否可靠时:
若环境数据处于良好状态,则以该时间下列车所处的轨道位置确定该位置存在缺陷,并将该点位位置和缺陷数据发送至管理终端;若环境数据处于恶劣状态,根据环境数据和缺陷数据类型的对比,得到该缺陷数据是否可靠,若可靠车以该时间下列车所处的轨道位置确定该位置存在缺陷,并将该点位位置和缺陷数据发送至管理终端;若不可靠则判定该点位缺陷识别错误,不进行反馈。
进一步的是,所述环境感应设备包括光照强度检测器和音频检测器;所述光照强度检测器实时监测列车所处环境的光照强度数据,通过对光照强度数据进行分析验证摄像头是否能够在一个良好条件下进行采集;所述音频检测器实时监测列车所处环境的音频数据,通过对音频数据进行分析验证超声波探伤装置是否能够在一个良好条件下进行采集;
光照强度数据恶劣,而在该时间跨步内有图像轨道缺陷数据时:则该图像轨道缺陷数据不可靠,不进行反馈;若存在超声轨道缺陷数据,则该将超声轨道缺陷数据进行反馈;
音频数据对超声波探伤装置存在干扰,而在该时间跨步内有超声轨道缺陷数据时:则该超声轨道缺陷数据不可靠,不进行反馈;若存在图像轨道缺陷数据,则该将图像轨道缺陷数据进行反馈。
另一方面,本发明还提供了一种基于计算机视觉与超声波探伤的铁路检测系统,包括摄像头、图像采集处理电路、超声波探伤装置、环境感应设备、中控器和网络传输电路,所述摄像头通过图像采集处理电路连接至中控器,所述超声波探伤装置和环境感应设备均连接至中控器,在所述中控器上还连接有网络传输电路,所述网络传输电路连接至外部管理终端;所述摄像头、超声波探伤装置并列设置在列车前底部,同时采集轨道的同一点位信息,所述环境感应设备设置在列车前部;
通过摄像头采集列车前方的铁路图像,并通过所述图像采集处理电路对铁路图像数据利用神经网络模型进行识别,获取图像轨道缺陷数据;
通过超声波探伤装置采集车辆前方铁轨的超声波探伤信号,并对超声波探伤信号进行波形分析,获得超声轨道缺陷数据;
通过环境感应设备获取环境数据;
在所述中控器中建立缺陷数据验证程序,对所获得的图像轨道缺陷数据、超声轨道缺陷数据和环境数据进行分析和验证,以获取到精确的轨道缺陷优化数据。
进一步的是,所述超声波探伤装置包括超声波探头、信号调理电路、AD转换电路和处理器,所述超声波探头对轨道进行探伤获得超声波射频信号,通过信号调理电路对超声波射频信号进行信号调理,通过AD转换电路将信号调理后的超声波射频信号进行模数换获得超声波探伤信号,通过处理器对超声波探伤信号进行波形分析,获得超声轨道缺陷数据。
进一步的是,所述环境感应设备包括光照强度检测器和音频检测器;所述光照强度检测器实时监测列车所处环境的光照强度数据,通过对光照强度数据进行分析验证摄像头是否能够在一个良好条件下进行采集;所述音频检测器实时监测列车所处环境的音频数据,通过对音频数据进行分析验证超声波探伤装置是否能够在一个良好条件下进行采集。
采用本技术方案的有益效果:
本发明基于同一时间下的采集数据,对获得的图像轨道缺陷数据、超声轨道缺陷数据和环境数据进行分析和验证,获取到该轨道点位的轨道缺陷优化数据;能够精准且快速的获取到轨道的缺陷数据,提高数据的可靠度;能够让管理人员实时获取到缺陷的精准数据,保证铁路安全运行,避免人力物力的浪费。
本发明通过提取图像中融合了轨道特征像素的轨道灰度图,能够有效避免图像中其它背景像素对图像的影响,能够精准且快速的识别出轨道的缺陷。通过对超声波探伤信号进行时域和频率分析,根据特征量的对比能够准确的识别出轨道的缺陷类型和等级。
本发明以时间轴为单位能准确的定位轨道缺陷的位置,并能够将所获得的缺陷数据进行相应点位的精准匹配;通过图像和超声的检测,同时结合环境数据的验证,能够有效验证数据的准确度,能够精准且快速的获取到轨道的缺陷数据;能够让管理人员实时获取到缺陷的精准数据,避免人力物力的浪费。
附图说明
图1为本发明的一种基于计算机视觉与超声波探伤的铁路检测方法的流程示意图;
图2为本发明实施例中一种基于计算机视觉与超声波探伤的铁路检测系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步阐述。
在本实施例中,参见图1所示,本发明提出了一种基于计算机视觉与超声波探伤的铁路检测方法,包括步骤:
通过摄像头采集列车前方的铁路图像,通过超声波探伤装置采集车辆前方铁轨的超声波探伤信号,通过环境感应设备采集环境数据;所述摄像头、超声波探伤装置并列设置,同时采集轨道的同一点位信息;
对铁路图像数据通过神经网络模型进行识别,获取图像轨道缺陷数据;
对超声波探伤信号进行波形分析,获得超声轨道缺陷数据;
基于同一时间下的采集数据,对所获得的图像轨道缺陷数据、超声轨道缺陷数据和环境数据进行分析和验证,以获取到该轨道点位的轨道缺陷优化数据。
作为上述实施例的优化方案,所述对铁路图像数据通过神经网络模型进行识别,获取图像轨道缺陷数据,包括步骤:
提取铁路图像中的铁轨特征点;
对铁路图像中的铁轨特征点进行拟合得到铁轨车道线,进行转换后构成由铁轨像素构成的轨道灰度图;
将所述轨道灰度图输入基于神经网络预先建立的铁路损伤识别模型,识别轨道缺陷数据。
通过提取图像中融合了轨道特征像素的轨道灰度图,能够有效避免图像中其它背景像素对图像的影响,能够精准且快速的识别出轨道的缺陷。
利用大量的轨道缺陷图像通过神经网络模型训练获得铁路损伤识别模型。
作为上述实施例的优化方案,所述对超声波探伤信号进行波形分析,获得超声轨道缺陷数据,包括步骤:
对超声波探伤信号进行时域和频率分析,得到轨道缺陷特征量的波形图,所述特征量包括频率、幅值和相位;
将得到轨道缺陷特征量的波形图和与正常轨道特征量的波形图进行对比分析,并基于分析结果确定该轨道缺陷的缺陷类型和等级。
通过对超声波探伤信号进行时域和频率分析,根据特征量的对比能够准确的识别出轨道的缺陷类型和等级。
作为上述实施例的优化方案,所述基于同一时间下的采集数据,对所获得的图像轨道缺陷数据、超声轨道缺陷数据和环境数据进行分析和验证,以获取到该轨道点位的轨道缺陷优化数据,包括步骤:
建立时间轴,将图像轨道缺陷数据、超声轨道缺陷数据和环境数据根据其各自的时间点均放入时间轴中;
以时间轴的时间跨步为单位,依次检测该时间跨步内包含的是图像轨道缺陷数据、还是超声轨道缺陷数据或者两种缺陷数据都有,根据所包含的缺陷数据类别对每个时间跨步进行分类;
根据分类结果,调取现有的环境数据,根据环境数据的状态,判断该时间下列车所处的轨道位置确定该位置存在缺陷是否可靠,若可靠则进行反馈,以该时间下列车所处的轨道位置确定该位置存在缺陷,并将该点位位置和缺陷数据发送至管理终端;若不可靠则判定该点位缺陷识别错误,不进行反馈;以获取到该轨道点位的轨道缺陷优化数据。
以时间轴为单位能准确的定位轨道缺陷的位置,并能够将所获得的缺陷数据进行相应点位的精准匹配;通过图像和超声的检测,同时结合环境数据的验证,能够有效验证数据的准确度,能够精准且快速的获取到轨道的缺陷数据;能够让管理人员实时获取到缺陷的精准数据,避免人力物力的浪费。
其中,根据环境数据的状态,判断该时间下列车所处的轨道位置确定该位置存在缺陷是否可靠时:
若环境数据处于良好状态,则以该时间下列车所处的轨道位置确定该位置存在缺陷,并将该点位位置和缺陷数据发送至管理终端;若环境数据处于恶劣状态,根据环境数据和缺陷数据类型的对比,得到该缺陷数据是否可靠,若可靠车以该时间下列车所处的轨道位置确定该位置存在缺陷,并将该点位位置和缺陷数据发送至管理终端;若不可靠则判定该点位缺陷识别错误,不进行反馈。
作为上述实施例的优化方案,所述环境感应设备包括光照强度检测器和音频检测器;所述光照强度检测器实时监测列车所处环境的光照强度数据,通过对光照强度数据进行分析验证摄像头是否能够在一个良好条件下进行采集;所述音频检测器实时监测列车所处环境的音频数据,通过对音频数据进行分析验证超声波探伤装置是否能够在一个良好条件下进行采集;
光照强度数据恶劣,而在该时间跨步内有图像轨道缺陷数据时:则该图像轨道缺陷数据不可靠,不进行反馈;若存在超声轨道缺陷数据,则该将超声轨道缺陷数据进行反馈;
音频数据对超声波探伤装置存在干扰,而在该时间跨步内有超声轨道缺陷数据时:则该超声轨道缺陷数据不可靠,不进行反馈;若存在图像轨道缺陷数据,则该将图像轨道缺陷数据进行反馈。
为配合本发明方法的实现,基于相同的发明构思,如图2所示,本发明还提供了一种基于计算机视觉与超声波探伤的铁路检测系统,包括摄像头、图像采集处理电路、超声波探伤装置、环境感应设备、中控器和网络传输电路,所述摄像头通过图像采集处理电路连接至中控器,所述超声波探伤装置和环境感应设备均连接至中控器,在所述中控器上还连接有网络传输电路,所述网络传输电路连接至外部管理终端;所述摄像头、超声波探伤装置并列设置在列车前底部,同时采集轨道的同一点位信息,所述环境感应设备设置在列车前部;
通过摄像头采集列车前方的铁路图像,并通过所述图像采集处理电路对铁路图像数据利用神经网络模型进行识别,获取图像轨道缺陷数据;
通过超声波探伤装置采集车辆前方铁轨的超声波探伤信号,并对超声波探伤信号进行波形分析,获得超声轨道缺陷数据;
通过环境感应设备获取环境数据;
在所述中控器中建立缺陷数据验证程序,对所获得的图像轨道缺陷数据、超声轨道缺陷数据和环境数据进行分析和验证,以获取到精确的轨道缺陷优化数据。
作为上述实施例的优化方案,所述超声波探伤装置包括超声波探头、信号调理电路、AD转换电路和处理器,所述超声波探头对轨道进行探伤获得超声波射频信号,通过信号调理电路对超声波射频信号进行信号调理,通过AD转换电路将信号调理后的超声波射频信号进行模数换获得超声波探伤信号,通过处理器对超声波探伤信号进行波形分析,获得超声轨道缺陷数据。
作为上述实施例的优化方案,所述环境感应设备包括光照强度检测器和音频检测器;所述光照强度检测器实时监测列车所处环境的光照强度数据,通过对光照强度数据进行分析验证摄像头是否能够在一个良好条件下进行采集;所述音频检测器实时监测列车所处环境的音频数据,通过对音频数据进行分析验证超声波探伤装置是否能够在一个良好条件下进行采集。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于计算机视觉与超声波探伤的铁路检测方法,其特征在于,包括步骤:
通过摄像头采集列车前方的铁路图像,通过超声波探伤装置采集车辆前方铁轨的超声波探伤信号,通过环境感应设备采集环境数据;所述摄像头、超声波探伤装置并列设置,同时采集轨道的同一点位信息;
对铁路图像数据通过神经网络模型进行识别,获取图像轨道缺陷数据;
对超声波探伤信号进行波形分析,获得超声轨道缺陷数据;
基于同一时间下的采集数据,对所获得的图像轨道缺陷数据、超声轨道缺陷数据和环境数据进行分析和验证,以获取到该轨道点位的轨道缺陷优化数据。
2.根据权利要求1所述的一种基于计算机视觉与超声波探伤的铁路检测方法,其特征在于,所述对铁路图像数据通过神经网络模型进行识别,获取图像轨道缺陷数据,包括步骤:
提取铁路图像中的铁轨特征点;
对铁路图像中的铁轨特征点进行拟合得到铁轨车道线,进行转换后构成由铁轨像素构成的轨道灰度图;
将所述轨道灰度图输入基于神经网络预先建立的铁路损伤识别模型,识别轨道缺陷数据。
3.根据权利要求2所述的一种基于计算机视觉与超声波探伤的铁路检测方法,其特征在于,利用大量的轨道缺陷图像通过神经网络模型训练获得铁路损伤识别模型。
4.根据权利要求1所述的一种基于计算机视觉与超声波探伤的铁路检测方法,其特征在于,所述对超声波探伤信号进行波形分析,获得超声轨道缺陷数据,包括步骤:
对超声波探伤信号进行时域和频率分析,得到轨道缺陷特征量的波形图,所述特征量包括频率、幅值和相位;
将得到轨道缺陷特征量的波形图和与正常轨道特征量的波形图进行对比分析,并基于分析结果确定该轨道缺陷的缺陷类型和等级。
5.根据权利要求1-4中任一所述的一种基于计算机视觉与超声波探伤的铁路检测方法,其特征在于,所述基于同一时间下的采集数据,对所获得的图像轨道缺陷数据、超声轨道缺陷数据和环境数据进行分析和验证,以获取到该轨道点位的轨道缺陷优化数据,包括步骤:
建立时间轴,将图像轨道缺陷数据、超声轨道缺陷数据和环境数据根据其各自的时间点均放入时间轴中;
以时间轴的时间跨步为单位,依次检测该时间跨步内包含的是图像轨道缺陷数据、还是超声轨道缺陷数据或者两种缺陷数据都有,根据所包含的缺陷数据类别对每个时间跨步进行分类;
根据分类结果,调取现有的环境数据,根据环境数据的状态,判断该时间下列车所处的轨道位置确定该位置存在缺陷是否可靠,若可靠则进行反馈,以该时间下列车所处的轨道位置确定该位置存在缺陷,并将该点位位置和缺陷数据发送至管理终端;若不可靠则判定该点位缺陷识别错误,不进行反馈;以获取到该轨道点位的轨道缺陷优化数据。
6.根据权利要求5所述的一种基于计算机视觉与超声波探伤的铁路检测方法,其特征在于,根据环境数据的状态,判断该时间下列车所处的轨道位置确定该位置存在缺陷是否可靠时:
若环境数据处于良好状态,则以该时间下列车所处的轨道位置确定该位置存在缺陷,并将该点位位置和缺陷数据发送至管理终端;若环境数据处于恶劣状态,根据环境数据和缺陷数据类型的对比,得到该缺陷数据是否可靠,若可靠车以该时间下列车所处的轨道位置确定该位置存在缺陷,并将该点位位置和缺陷数据发送至管理终端;若不可靠则判定该点位缺陷识别错误,不进行反馈。
7.根据权利要求6所述的一种基于计算机视觉与超声波探伤的铁路检测方法,其特征在于,所述环境感应设备包括光照强度检测器和音频检测器;所述光照强度检测器实时监测列车所处环境的光照强度数据,通过对光照强度数据进行分析验证摄像头是否能够在一个良好条件下进行采集;所述音频检测器实时监测列车所处环境的音频数据,通过对音频数据进行分析验证超声波探伤装置是否能够在一个良好条件下进行采集;
光照强度数据恶劣,而在该时间跨步内有图像轨道缺陷数据时:则该图像轨道缺陷数据不可靠,不进行反馈;若存在超声轨道缺陷数据,则该将超声轨道缺陷数据进行反馈;
音频数据对超声波探伤装置存在干扰,而在该时间跨步内有超声轨道缺陷数据时:则该超声轨道缺陷数据不可靠,不进行反馈;若存在图像轨道缺陷数据,则该将图像轨道缺陷数据进行反馈。
8.一种基于计算机视觉与超声波探伤的铁路检测系统,其特征在于,包括摄像头、图像采集处理电路、超声波探伤装置、环境感应设备、中控器和网络传输电路,所述摄像头通过图像采集处理电路连接至中控器,所述超声波探伤装置和环境感应设备均连接至中控器,在所述中控器上还连接有网络传输电路,所述网络传输电路连接至外部管理终端;所述摄像头、超声波探伤装置并列设置在列车前底部,同时采集轨道的同一点位信息,所述环境感应设备设置在列车前部;
通过摄像头采集列车前方的铁路图像,并通过所述图像采集处理电路对铁路图像数据利用神经网络模型进行识别,获取图像轨道缺陷数据;
通过超声波探伤装置采集车辆前方铁轨的超声波探伤信号,并对超声波探伤信号进行波形分析,获得超声轨道缺陷数据;
通过环境感应设备获取环境数据;
在所述中控器中建立缺陷数据验证程序,对所获得的图像轨道缺陷数据、超声轨道缺陷数据和环境数据进行分析和验证,以获取到精确的轨道缺陷优化数据。
9.根据权利要求8所述的一种基于计算机视觉与超声波探伤的铁路检测系统,其特征在于,所述超声波探伤装置包括超声波探头、信号调理电路、AD转换电路和处理器,所述超声波探头对轨道进行探伤获得超声波射频信号,通过信号调理电路对超声波射频信号进行信号调理,通过AD转换电路将信号调理后的超声波射频信号进行模数换获得超声波探伤信号,通过处理器对超声波探伤信号进行波形分析,获得超声轨道缺陷数据。
10.根据权利要求8所述的一种基于计算机视觉与超声波探伤的铁路检测系统,其特征在于,所述环境感应设备包括光照强度检测器和音频检测器;所述光照强度检测器实时监测列车所处环境的光照强度数据,通过对光照强度数据进行分析验证摄像头是否能够在一个良好条件下进行采集;所述音频检测器实时监测列车所处环境的音频数据,通过对音频数据进行分析验证超声波探伤装置是否能够在一个良好条件下进行采集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911369824.5A CN111024728B (zh) | 2019-12-26 | 2019-12-26 | 一种基于计算机视觉与超声波探伤的铁路检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911369824.5A CN111024728B (zh) | 2019-12-26 | 2019-12-26 | 一种基于计算机视觉与超声波探伤的铁路检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111024728A true CN111024728A (zh) | 2020-04-17 |
CN111024728B CN111024728B (zh) | 2022-04-26 |
Family
ID=70213911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911369824.5A Expired - Fee Related CN111024728B (zh) | 2019-12-26 | 2019-12-26 | 一种基于计算机视觉与超声波探伤的铁路检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111024728B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112621707A (zh) * | 2020-12-16 | 2021-04-09 | 华东交通大学 | 一种高速列车车底巡检机器人 |
CN112649513A (zh) * | 2020-12-30 | 2021-04-13 | 天津精益铁安机电技术有限公司 | 一种基于图像识别的铁路人工智能判伤方法 |
CN113758932A (zh) * | 2021-09-07 | 2021-12-07 | 广东奥普特科技股份有限公司 | 一种基于深度学习的锂电池膈膜缺陷视觉系统 |
CN114310935A (zh) * | 2021-12-16 | 2022-04-12 | 杭州申昊科技股份有限公司 | 基于巡检机器人的轨道状态检测系统、机器人以及方法 |
CN114460173A (zh) * | 2022-02-08 | 2022-05-10 | 苏州伟恒检测技术有限公司 | 一种轨道超声探伤系统及应用 |
CN114878582A (zh) * | 2022-07-01 | 2022-08-09 | 苏州翔楼新材料股份有限公司 | 一种特钢的缺陷检测分析方法及系统 |
CN115436488A (zh) * | 2022-08-31 | 2022-12-06 | 南京智慧基础设施技术研究院有限公司 | 一种基于视觉与声纹融合的自引导自调适移动检测系统及方法 |
CN116620348A (zh) * | 2023-06-06 | 2023-08-22 | 宁波思高信通科技有限公司 | 一种钢轨检测方法、系统、智能终端及存储介质 |
CN117002544A (zh) * | 2023-08-17 | 2023-11-07 | 中关村科学城城市大脑股份有限公司 | 折叠式轨道巡检设备和轨道故障信息发送方法 |
CN117890466A (zh) * | 2024-01-03 | 2024-04-16 | 广州声华科技股份有限公司 | 一种基于超声波和视觉检测的表面缺陷检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61273632A (ja) * | 1985-05-30 | 1986-12-03 | Ando Electric Co Ltd | デ−タの比較方法 |
CN104535652A (zh) * | 2015-01-15 | 2015-04-22 | 无锡北斗星通信息科技有限公司 | 一种钢轨损伤探测方法 |
CN104535581A (zh) * | 2015-01-15 | 2015-04-22 | 无锡北斗星通信息科技有限公司 | 钢轨损伤探测推车 |
CN106049210A (zh) * | 2016-07-14 | 2016-10-26 | 北京鹰路科技有限公司 | 一种轨道状态智能检测平台 |
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 |
-
2019
- 2019-12-26 CN CN201911369824.5A patent/CN111024728B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61273632A (ja) * | 1985-05-30 | 1986-12-03 | Ando Electric Co Ltd | デ−タの比較方法 |
CN104535652A (zh) * | 2015-01-15 | 2015-04-22 | 无锡北斗星通信息科技有限公司 | 一种钢轨损伤探测方法 |
CN104535581A (zh) * | 2015-01-15 | 2015-04-22 | 无锡北斗星通信息科技有限公司 | 钢轨损伤探测推车 |
CN106049210A (zh) * | 2016-07-14 | 2016-10-26 | 北京鹰路科技有限公司 | 一种轨道状态智能检测平台 |
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 |
Non-Patent Citations (1)
Title |
---|
林景星等: "《计量基础知识》", 31 August 2008, 中国计量出版社 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112621707B (zh) * | 2020-12-16 | 2022-03-22 | 华东交通大学 | 一种高速列车车底巡检机器人 |
CN112621707A (zh) * | 2020-12-16 | 2021-04-09 | 华东交通大学 | 一种高速列车车底巡检机器人 |
CN112649513A (zh) * | 2020-12-30 | 2021-04-13 | 天津精益铁安机电技术有限公司 | 一种基于图像识别的铁路人工智能判伤方法 |
CN113758932A (zh) * | 2021-09-07 | 2021-12-07 | 广东奥普特科技股份有限公司 | 一种基于深度学习的锂电池膈膜缺陷视觉系统 |
CN113758932B (zh) * | 2021-09-07 | 2022-11-25 | 广东奥普特科技股份有限公司 | 一种基于深度学习的锂电池膈膜缺陷视觉检测方法 |
CN114310935B (zh) * | 2021-12-16 | 2023-08-04 | 杭州申昊科技股份有限公司 | 基于巡检机器人的轨道状态检测系统、机器人以及方法 |
CN114310935A (zh) * | 2021-12-16 | 2022-04-12 | 杭州申昊科技股份有限公司 | 基于巡检机器人的轨道状态检测系统、机器人以及方法 |
CN114460173A (zh) * | 2022-02-08 | 2022-05-10 | 苏州伟恒检测技术有限公司 | 一种轨道超声探伤系统及应用 |
CN114878582A (zh) * | 2022-07-01 | 2022-08-09 | 苏州翔楼新材料股份有限公司 | 一种特钢的缺陷检测分析方法及系统 |
CN115436488A (zh) * | 2022-08-31 | 2022-12-06 | 南京智慧基础设施技术研究院有限公司 | 一种基于视觉与声纹融合的自引导自调适移动检测系统及方法 |
CN115436488B (zh) * | 2022-08-31 | 2023-12-15 | 南京智慧基础设施技术研究院有限公司 | 一种基于视觉与声纹融合的自引导自调适移动检测系统及方法 |
CN116620348A (zh) * | 2023-06-06 | 2023-08-22 | 宁波思高信通科技有限公司 | 一种钢轨检测方法、系统、智能终端及存储介质 |
CN116620348B (zh) * | 2023-06-06 | 2023-10-20 | 宁波思高信通科技有限公司 | 一种钢轨检测方法、系统、智能终端及存储介质 |
CN117002544A (zh) * | 2023-08-17 | 2023-11-07 | 中关村科学城城市大脑股份有限公司 | 折叠式轨道巡检设备和轨道故障信息发送方法 |
CN117002544B (zh) * | 2023-08-17 | 2024-04-12 | 中关村科学城城市大脑股份有限公司 | 折叠式轨道巡检设备和轨道故障信息发送方法 |
CN117890466A (zh) * | 2024-01-03 | 2024-04-16 | 广州声华科技股份有限公司 | 一种基于超声波和视觉检测的表面缺陷检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111024728B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111024728B (zh) | 一种基于计算机视觉与超声波探伤的铁路检测方法和系统 | |
CN109344905A (zh) | 一种基于集成学习的输电设备自动故障识别方法 | |
Dubey et al. | Maximally stable extremal region marking-based railway track surface defect sensing | |
CN105913059A (zh) | 一种车辆vin码的自动识别系统及其控制方法 | |
WO2008099177A1 (en) | Photographic recording of a rail surface | |
CN105044122A (zh) | 一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法 | |
CN102735747A (zh) | 高速铁路钢轨高速漏磁巡检的缺陷定量识别方法 | |
CN104101600A (zh) | 连铸坯断面微小裂纹检测方法及装置 | |
CN111007365A (zh) | 一种基于神经网络的超声波局部放电识别方法及系统 | |
CN108334908B (zh) | 铁路钢轨伤损检测方法及装置 | |
CN114799610A (zh) | 一种基于傅里叶逆变换及自编码器的焊接质量实时检测方法及系统 | |
CN113805018A (zh) | 一种配电网10kV电缆局部放电故障类型智能识别方法 | |
CN111767913A (zh) | 一种基于深度学习的动车组车辆故障动态图像检测方法 | |
CN111368824B (zh) | 一种仪表识别方法、移动设备及存储介质 | |
CN115656335A (zh) | 一种轴承套圈内部缺陷快速检测与识别方法 | |
Vijayalakshmi et al. | A smart rail track inspection system | |
CN112446320B (zh) | 一种模糊识别逻辑门多重互补局放判别装置及方法 | |
CN116990229B (zh) | 一种产品镀铜层表面的缺陷检测方法及系统 | |
CN113945990A (zh) | 一种乘用车的安检方法、装置以及系统 | |
US20230084562A1 (en) | Non-destructive inspection method and system based on artificial intelligence | |
Song et al. | Modeling and optimization of semantic segmentation for track bed foreign object based on attention mechanism | |
Zhang et al. | Rail defect recognition based on waveform subtraction and rule base | |
Yang et al. | Accurate and effective framework for identifying track defects | |
Gao et al. | Use of combined railway inspection data sources for characterization of rolling contact fatigue | |
Wang et al. | Automated identification and localization of rail internal defects based on object detection networks |
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: 20220426 |