CN111855667A - 一种适用于地铁车辆的新型智慧列检系统和检测方法 - Google Patents

一种适用于地铁车辆的新型智慧列检系统和检测方法 Download PDF

Info

Publication number
CN111855667A
CN111855667A CN202010693069.2A CN202010693069A CN111855667A CN 111855667 A CN111855667 A CN 111855667A CN 202010693069 A CN202010693069 A CN 202010693069A CN 111855667 A CN111855667 A CN 111855667A
Authority
CN
China
Prior art keywords
image
vehicle
detected
detection result
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.)
Pending
Application number
CN202010693069.2A
Other languages
English (en)
Inventor
杨凯
梁斌
高春良
谢利明
廖伟
邓勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Shengkai Technology Co Ltd
Original Assignee
Chengdu Shengkai Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Shengkai Technology Co Ltd filed Critical Chengdu Shengkai Technology Co Ltd
Priority to CN202010693069.2A priority Critical patent/CN111855667A/zh
Publication of CN111855667A publication Critical patent/CN111855667A/zh
Pending legal-status Critical Current

Links

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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明实施例公开一种适用于地铁车辆的新型智慧列检系统，所述系统包括：第一检测装置、第二检测装置和数据管理平台；这样，在使用时，所述第一检测装置可以对待测地铁车辆进行360°的外观检测，通过对第一图像的分析处理，从而识别出地铁车辆部件的变形、脱落、缺失等故障现象；所述第二检测装置可以对待测地铁车辆的车底的侧立面可视部位或者遮挡部位进行定点图像采集、识别和分析，从而实现对上述部位的形变、松脱、缺失等故障检查；所述数据管理平台由JAVA代码实现，可以提供数据存储、管理、展示等服务，实现用户角色管理，统计报表输出，打印，查询的功能，从而方便工作人员的使用。

Description

一种适用于地铁车辆的新型智慧列检系统和检测方法
技术领域
本发明涉及一种列检系统和检测方法，尤其涉及一种适用于地铁车辆的新型智慧列检系统和检测方法。
背景技术
地铁车辆是城市轨道交通中重要的组成部分，在铁路轨道上行驶，负责运载客人。地铁车辆结构复杂，为保障地铁车辆的日常安全运营，地铁车辆在每日执行完运载任务后，都需要回到专用检修库进行检修。检修内容主要包含地铁车辆的部件松动、断裂、缺失、变形等。目前对地铁车辆的检修作业通常是由人工进行作业调度、人工用肉眼或者简易工具进行检查作业。其通常的步骤为：1、地铁车辆正常运营；2、当日作业完成，回到检修库；3、检修调度人员安排对应的检修班组，参考既定作业任务指导书对特定车辆进行检查作业；4、检修班组依次执行请示作业点、断电、作业、消除作业点、手工登记等作业流程；5、若检修结果正常，则等待明日继续上线运营；6、若检修结果异常，则安排临时修理班组进行地铁车辆的维修工作。上述针对地铁车辆日常检修的作业流程存在人调度繁琐、信息孤岛、检修不全面、作业强度高、检修效率低下的问题。
发明内容
为解决以上技术问题，本发明实施例提供一种适用于地铁车辆的新型智慧列检系统和检测方法，可以通过使用自动化设备和信息化平台来解决人工作业调度、人工用肉眼或者简易工具进行检查作业带来的人调度繁琐、信息孤岛、检修不全面、作业强度高、检修效率低下的问题。
为达上述目的，本发明实施例的技术方案是这样实现的：
本发明实施例提供一种适用于地铁车辆的新型智慧列检系统，所述系统包括：
第一检测装置，用于获取待测车辆表面的第一图像，并对所述第一图像进行分析处理，得到第一检测结果，将所述第一检测结果发送至数据管理平台；
第二检测装置，用于获取待测车辆底部、待测车辆的指定部位的第二图像，并对所述第二图像进行处理，并进行分析，得到第二检测结果，将所述第二检测结果发送至所述数据管理平台；
所述数据管理平台，用于储存、展示接收到的所述第一检测结果和所述第二检测结果。
在本发明实施例中，所述第一检测装置包括车顶线阵扫描单元、车辆左侧线阵扫描单元、车辆右侧线阵扫描单元和车底线阵扫描单元。
在本发明实施例中，对所述第一图像或所述第二图像进行分析处理的方法包括：
分别计算待测部位处的第一图像或第二图像的指纹特征和待测部位处的预存图像的指纹特征；
计算所述待测部位处的第一图像或第二图像的指纹特征与所述待测部位处的预存图像的指纹特征的相似度；
将计算得到的相似度与预设阈值进行比对，并将比对结果发送至所述数据管理平台。
在本发明实施例中，所述第二检测装置包括检测机器人、自动提升平台和地面控制站，所述地面控制站分别连接所述检测机器人和所述自动提升平台；其中，
所述检测机器人包括：运动平台、升降平台、机械臂和双目相机，所述升降平台设置在所述运动平台上，所述机械臂设置在所述升降平台上，所述双目相机设置在所述机械臂上。
在本发明实施例中，所述运动平台为具有自动引导功能的运动平台，所述运动平台上设置全景拍摄相机。
在本发明实施例中，所述第二图像包括第一图片和第二图片，对所述第二图像进行处理的方法包括3D重构算法，其中，所述3D重构算法包括：
通过SIFT算法分别获取所述第一图片和所述第二图片中匹配特征点的像素坐标a和像素坐标b；
根据获取到的所述像素坐标a和所述像素坐标b分别计算得到空间直线方程A和空间直线方程B；
根据计算得到的所述空间直线方程A和所述空间直线方程B，求得所述空间直线方程A和所述空间直线方程B的交点。
在本发明实施例中，在对所述第一图像进行分析处理或对所述第二图像进行处理前，对待测车辆上的被检部件进行定位检测，所述定位检测的方法包括：
获取包含被检部件的图像信息；
加载深度学习网络参数和权重文件；
采用YOLOV3-Tiny算法进行被检部件的定位和识别；
输出被检部件的位置信息和身份信息。
本发明实施例还公开了一种用于地铁车辆的新型智慧列检系统的检测方法，所述检测方法包括：
获取待测车辆表面的第一图像，并对所述第一图像进行分析处理，得到并发送第一检测结果；
获取待测车辆车底指定部位的第二图像，并对所述第二图像进行分析处理，得到并发送第二检测结果；
储存和/或展示所述第一检测结果和所述第二检测结果。
在本发明实施例中，对所述第一图像进行分析处理，得到并发送第一检测结果的方法包括：
确定并提取所述第一图像中待测车辆的各个车厢的图像信息；
将提取到的所述车厢的图像信息与预存的车厢图像信息进行匹配调整，并进行比对，得到差异特征；
剔除所述差异特征中的干扰特征；
对所述车厢的图像信息中的部件特征进行识别、定位和检测，得到所述第一检测结果；
根据所述待测车辆的车辆信息发送所述第一检测结果。
在本发明实施例中，对所述第二图像进行分析处理，得到并发送第二检测结果的方法包括：
对所述第二图像中的部件特征进行识别、定位和检测，并得到第二检测结果；
根据所述待测车辆的车辆信息发送所述第二检测结果。
本发明实施例提供了一种适用于地铁车辆的新型智慧列检系统，所述系统包括：第一检测装置，用于获取待测车辆表面的第一图像，并对所述第一图像进行分析处理，得到第一检测结果，将所述第一检测结果发送至数据管理平台；第二检测装置，用于获取待测车辆底部、待测车辆的侧面可视部位及遮挡严重部位的第二图像，并对所述第二图像进行处理，并进行分析，得到第二检测结果，将所述第二检测结果发送至所述数据管理平台；所述数据管理平台，用于储存、展示接收到的所述第一检测结果和所述第二检测结果；这样，在使用时，所述第一检测装置可以对待测车辆进行360°的外观检测，通过对所述第一图像的分析处理，从而识别出指定部件的变形、脱落、缺失等故障现象；所述第二检测装置可以对待测车辆的车底及车侧的侧面可视部位或者遮挡严重的部位进行图像采集、分析、报警，从而实现对上述部位的形变、松脱、缺失等故障检查；而所述数据管理平台由JAVA代码实现，可以提供数据存储、管理、展示等服务，实现用户角色管理，统计报表输出，打印，查询的功能，从而方便工作人员的使用。
附图说明
图1为本发明实施例提供的一种适用于地铁车辆的新型智慧列检系统的示意图；
图2为本发明实施例提供的第一检测装置设置时的结构示意图；
图3为本发明实施例提供的第二检测装置的结构示意图；
图4为本发明实施例提供的对所述第一图像进行分析处理的方法的模块示意图；
图5为本发明实施例提供的适用于地铁车辆的新型智慧列检系统使用时的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
本发明实施例提供一种适用于地铁车辆的新型智慧列检系统，如图1和5所示，所述系统包括：
第一检测装置1，用于获取待测车辆表面的第一图像，并对所述第一图像进行分析处理，得到第一检测结果，将所述第一检测结果发送至数据管理平台3；
第二检测装置2，用于获取待测车辆车底的指定部位的第二图像，并对所述第二图像进行分析处理，得到第二检测结果，将所述第二检测结果发送至所述数据管理平台3；
所述数据管理平台3，用于储存、展示接收到的所述第一检测结果和所述第二检测结果。
这里，所述第一检测装置1可以为沿待测车辆周向设置的摄像头，从而获取车辆的360°外观图片，在实际中，地铁车辆在日运营任务结束后，将进入检修库内停车、被检修，而地铁车辆在进入到检修库时，会经过“咽喉”区，这样在使用时，所述第一检测装置1设置在“咽喉”区处。
进一步地，所述第一检测装置1包括车顶线阵扫描单元11、车辆左侧线阵扫描单元12、车辆右侧线阵扫描单元13和车底线阵扫描单元14。即如图1中所示出的，地铁车辆在进行检修时，地铁车辆的底部中间、底部左边和底部右边分别设置所述车底线阵扫描单元14，地铁车辆的轮体左侧以及车体左侧分别设置所述车辆左侧线阵扫描单元12，地铁车辆的轮体右侧以及车体右侧分别设置所述车辆右侧线阵扫描单元13，地铁车辆的顶部左侧和顶部右侧设置所述车顶线阵扫描单元11。
具体地，所述车顶线阵扫描单元11、所述车辆左侧线阵扫描单元12、所述车辆右侧线阵扫描单元13和所述车底线阵扫描单元14均为线阵扫描相机，在使用过程中，线阵扫描相机的分辨率为4k，与线阵扫描相机配套的光源采用近红外激光光源，波长为808nm，激光光源功率为15W。如图1中所示出的，为完成全车360°扫描，需要配置9台线阵扫描相机。
在使用所述第一检测装置1对地铁车辆进行检测时，获取到的所述第一图像为车辆的全景图像，在对所述第一图像进行分析处理时，可以根据2D差异检测算法来提高检测的准确率。
具体地，在本发明实施例中，如图4所示，对所述第一图像进行分析处理的方法包括：
分别计算待测部位处的第一图像的指纹特征和待测部位处的预存图像的指纹特征；
计算所述待测部位处的第一图像的指纹特征与所述待测部位处的预存图像的指纹特征的相似度；
将计算得到的相似度与预设阈值进行比对，并将比对结果发送至所述数据管理平台3。
在实际运用中，首先对图像进行离散余弦变换DCT，然后计算DCT图像均值，再二值化得到Phash图，最后计算出相似度。假设图像为f(i，j)，则其DCT变换F(u，v)为：
Figure BDA0002590046090000071
其中，
Figure BDA0002590046090000072
海明距离为：
Distance＝∑∑abs(F(u，v)-F′(u，v))
如图3所示，所述第二检测装置2可以为列检机器人，在使用时主要针对车辆车底及车侧的侧面可视部位或者遮挡严重的部位进行图像采集、分析、报警。实现对上述部位的形变、松脱、缺失等故障检查。具体地，所述第二检测装置2包括检测机器人、自动提升平台和地面控制站，所述地面控制站分别连接所述检测机器人和所述自动提升平台；其中，所述检测机器人包括：包括运动平台21、升降平台22、机械臂23和双目相机24，所述升降平台22设置在所述运动平台21上，所述机械臂23设置在所述升降平台22上，所述双目相机24设置在所述机械臂23上。
进一步地，所述地面控制站可以为中央电脑，用来控制所述检测机器人和所述自动提升平台，所述自动提升平台可以用于移动所述检测机器人，所述检测机器人上的运动平台21为具有自动引导功能的运动平台，所述运动平台21上设置全景拍摄相机。所述运动平台21中设置SLAM系统，所述SLAM系统主要由数据采集模块、视觉里程计、后端算法、地图构建、回环检测五个部分组成。其中，所述数据采集模块为所述扫描模块，所述后端算法为所述算法模块，所述视觉里程计、所述地图构建和所述回环检测组成所述处理模块，在使用时，数据采集模块即所述扫描模块，视觉里程计通过对数据采集模块采集到的数据进行分析，估计两个时刻的相对运动ego-motion，后端算法则处理视觉里程计的误差，地图构建则运动轨迹来建立地图信息，回环检测通过对同一场景下的不同时刻数据分析消除空间上的累计误差。后端算法模块中较特殊的部分采用了混合定位技术，第一步数据采集包含激光雷达原始数据、里程计数据、陀螺仪数据，第二步通过kalman滤波器完成对IMU、里程计及基于雷达数据的估计位姿的融合，进而估计新的激光雷达的位姿，第三步采用子地图的约束方案，进一步的消除因里程计和陀螺仪引入的环境误差。进一步优选的，在后端算法模块中，加入特殊尺寸的反光标识贴、或者加入二维码、或者加入单目相机辅助，进一步消除累计误差，提高最终定位精度。
所述升降平台22和所述机械臂23可以控制所述双目相机24的移动，从而实现对地铁车辆的检测。所述升降平台22在使用中可以采用伺服电机驱动，提升行程不小于400mm，提升重量不低于400kg，采用4根立柱作为框架，这样实现平台距离地面高度最小化的设计。
所述双目相机24具备3D成像能力，其中3D成像技术采用PMP原理。通过所述双目相机24获取到的所述第二图像包括第一图片和第二图片，所述对所述第二图像进行处理的方法包括3D重构算法，其中，所述3D重构算法包括：
通过SIFT算法分别获取所述第一图片和所述第二图片中匹配特征点的像素坐标a和像素坐标b；
根据获取到的所述像素坐标a和所述像素坐标b分别计算得到空间直线方程A和空间直线方程B；
根据计算得到的所述空间直线方程A和所述空间直线方程B，求得所述空间直线方程A和所述空间直线方程B的交点。
具体地，基于3D相机模型、标定技术和配准技术的3D重构算法流程如下：
使用SIFT法求两幅图像中匹配特征点的像素坐标(u1，v1)和(u2，v2)；
求两像素坐标的空间直线方程。
Line 1：(x-x1)/a1＝(y-y1)/b1＝(z-z1)/c1；
Line 2：(x-x2)/a2＝(y-y2)/b2＝(z-z2)/c2；
求两直线方程的交点(xw，yw，zw)。
所述数据管理平台3，用于储存、展示接收到的所述第一检测结果和所述第二检测结果。具体地，所述数据管理平台3由JAVA代码实现，提供数据存储、管理、展示等服务，实现用户角色管理，统计报表输出，打印，查询等功能，即所述数据管理平台用浏览器展示数据，具备人机交互功能，具备控制第一检测装置和第二检测装置的功能，具备第一检测装置和第二检测装置的状态显示功能，具备检测结果数据管理功能，具备报表导出和打印功能。所述数据管理平台3在使用时需要一台数据服务器作为硬件来支撑。即数据服务器也可以是一台计算机，采用Intel core系列处理器，内存容量不低于8GB，采用raid0式阵列式存储技术，总存储容量不低于4TB。
进一步地，在本发明实施例中，在对所述第一图像进行分析处理或对所述第二图像进行处理前，对待测车辆上的待检部件进行定位检测，所述定位检测的方法包括：获取包含被检部件的图像信息；加载深度学习网络参数和权重文件；采用YOLOV3-Tiny算法进行被检部件的定位和识别；输出被检部件的位置信息和身份信息。
这里，在进行所述第一图像或所述第二图像的分析处理前，需要对所述待测车辆上的待检部件进行定位检测，从而更加准确的得到待检部件的位置，提高了检测的效果。
所述特征包括待测车辆上的螺钉、气管、锁具、注油孔等的结构特征，也包括待测车辆上车厢标识符等的标识特征。所述特征信息包括特征的形状信息，特征之间的位置关系信息。当所述比对结果匹配时，根据待测部件的大小以及形状，可以确定所述图像信息中待检部件的位置。
进一步地，所述第一检测结果和所述第二检测结果均包括：地铁车辆外观部件的形变故障结果、地铁车辆外观部件的脱落故障结果、地铁车辆外观部件的断裂故障结果、地铁车辆外观部件的丢失故障结果、地铁车辆外观部件的姿态变化故障结果和地铁车辆外观部件的正常状态结果。即，所述第一检测装置和所述第二检测装置均具对地铁车辆外观部件的形变、脱落、断裂、丢失和姿态变化等故障的检测功能。
本发明实施例还提供了一种适用于地铁车辆的新型智慧列检系统的检测方法，所述检测方法，包括：获取待测车辆表面的第一图像，并对所述第一图像进行分析处理，得到并发送第一检测结果；获取待测车辆车底的侧部可视部位和/或遮挡部位的第二图像，并对所述第二图像进行分析处理，得到并发送第二检测结果；储存和/或展示所述第一检测结果和所述第二检测结果。
其中，对所述第一图像进行分析处理，得到并发送第一检测结果的方法包括：
确定并提取所述第一图像中待测车辆的各个车厢的图像信息；
将提取到的所述车厢的图像信息与预存的车厢图像信息进行匹配调整，并进行比对，得到差异特征；
剔除所述差异特征中的干扰特征；
对所述车厢的图像信息中的部件特征进行识别、定位和检测，得到所述第一检测结果；
根据所述待测车辆的车辆信息发送所述第一检测结果。
对所述第二图像进行分析处理，得到并发送第二检测结果的方法包括：
对所述第二图像中的部件特征进行识别、定位和检测，并得到第二检测结果；
按所述待测车辆的车号输出所述第二检测结果。
这里，所述第二检测结果还可以包括部件的尺寸参数，具体地，如图5所示出的一种地铁车辆的检测过程流程图，在实际使用中，所述检测的流程为：
步骤S101：地铁车辆正常运营；
步骤S102：通过轨旁360°全车检测系统，获取各个正面可视部件的全景图；
步骤S103：执行车厢分割算法；
所述执行车厢分割算法即为提取所述第一图像中待测车辆的各个车厢的图像信息，在提取时，可以通过对车轴进行计数。例如：若每个车厢具有4个车轴，则在对图片进行分割时，当检测到第一个车轴时，以此处作为第一张图片的起始分割点，当检测到第四个车轴时，以此处作为第一张图片的尾部分割点，同时作为第二张图片的起始分割点，而当检测到第八个车轴时，以此处作为第二张图片的尾部分割点，同时作为第三张图片的起始分割点，依次类推，实现图片的分割。
步骤S104：执行图像配准算法；
所述执行图像配准算法即为将提取到的所述车厢的图像信息与预存的车厢图像信息进行匹配调整。由于拍摄到的车厢的图像与预存的车厢图像可能由于角度的问题出现偏差，因此需要先对车厢的图像进行位置匹配，从而使车厢的图像上的特征和预存的车厢图像上的特征能够相互对应。
步骤S105：执行2D差异检测算法；
所述执行2D差异检测算法即将提取到的所述车厢的图像信息与预存的车厢图像信息进行比对，从而找到所述车厢的图像信息与预存的车厢图像信息中的差异特征。
步骤S106：执行3D重构算法；
步骤S107：剔除2D差异算法中的平面干扰；
由于车厢上可能存在水渍、图画标识、脚印等特征，在进行2D识别时，这些差异特征无法有效准确地被识别出来，因此通过执行3D重构算法，并剔除2D差异算法中的平面干扰，从而使得这些差异特征能够更加准确地识别出来。
步骤S108：执行部件识别和定位算法；
步骤S109：执行部件故障检测算法；
所述执行部件故障检测算法即对所述车厢的图像信息中的部件特征进行识别、定位和检测，得到所述第一检测结果，这里的所述第一检测结果可以为地铁车辆外观部件的形变故障结果、地铁车辆外观部件的脱落故障结果、地铁车辆外观部件的断裂故障结果、地铁车辆外观部件的丢失故障结果、地铁车辆外观部件的姿态变化故障结果和地铁车辆外观部件的正常状态结果。
步骤S110：封装故障检测结果，以车号为索引更新数据库；
步骤S111：地铁车辆入库停止；
步骤S112：地铁车辆停车完毕；
步骤S113：下发机器人检测任务；
这里，可以通过地面控制站对所述检测机器人下发检测任务。
步骤S114：通过列检机器人，对指定部件进行定点图像采集；所述列检机器人即为所述检测机器人。
步骤S115：执行部件识别和定位算法；
步骤S116：执行部件故障检测算法；
步骤S117：执行3D重构算法；
步骤S118：基于重构模型，测量目标物尺寸；
步骤S119：封装故障检测结果，以车号为索引更新数据库；
步骤S120：检测结束。
本发明实施例的有益效果包括：
1、自动化智能检测设备的投入，增加了地铁车辆状态信息的数字化，更有利于进行信息化管理；
2、通过智能化图像检测，有助于降低地铁车辆列检工人的作业工作量和强度。
3、通过机器自动识别故障的方法，有助于降低人为因素带来的漏检、误检等。
4、降低人员的作业时间，同时也降低了人员的作业风险。
5、可视化的数据管理平台，有助于提高检修效率和质量。
6、智能化检修可有效延长地铁车辆的检修间隔日期，增加车辆的上线率。
7、智能化检修可逐步使地铁车辆的检修工作向无人化过渡。
以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种适用于地铁车辆的新型智慧列检系统，其特征在于，所述系统包括：
第一检测装置(1)，用于获取待测车辆表面的第一图像，并对所述第一图像进行分析处理，得到第一检测结果，将所述第一检测结果发送至数据管理平台(3)；
第二检测装置(2)，用于获取待测车辆车底的指定部位的第二图像，并对所述第二图像进行分析处理，得到第二检测结果，将所述第二检测结果发送至所述数据管理平台(3)；
所述数据管理平台(3)，用于储存、展示接收到的所述第一检测结果和所述第二检测结果。
2.根据权利要求1所述的一种适用于地铁车辆的新型智慧列检系统，其特征在于，所述第一检测装置(1)包括车顶线阵扫描单元(11)、车辆左侧线阵扫描单元(12)、车辆右侧线阵扫描单元(13)和车底线阵扫描单元(14)。
3.根据权利要求1所述的一种适用于地铁车辆的新型智慧列检系统，其特征在于，对所述第一图像或所述第二图像进行分析处理的方法包括：
分别计算待测部位处的第一图像或第二图像的指纹特征和待测部位处的预存图像的指纹特征；
计算所述待测部位处的第一图像或第二图像的指纹特征与所述待测部位处的预存图像的指纹特征的相似度；
将计算得到的相似度与预设阈值进行比对，并将比对结果发送至所述数据管理平台(3)。
4.根据权利要求1所述的一种适用于地铁车辆的新型智慧列检系统，其特征在于，所述第二检测装置(2)包括检测机器人、自动提升平台和地面控制站，所述地面控制站分别连接所述检测机器人和所述自动提升平台；其中，
所述检测机器人包括：运动平台(21)、升降平台(22)、机械臂(23)和双目相机(24)，所述升降平台(22)设置在所述运动平台(21)上，所述机械臂(23)设置在所述升降平台(22)上，所述双目相机(24)设置在所述机械臂(23)上。
5.根据权利要求4所述的一种适用于地铁车辆的新型智慧列检系统，其特征在于，所述运动平台(21)为具有自动引导功能的运动平台(21)，所述运动平台(21)上设置全景拍摄相机。
6.根据权利要求1所述的一种适用于地铁车辆的新型智慧列检系统，其特征在于，所述第二图像包括第一图片和第二图片，对所述第二图像进行处理的方法包括3D重构算法，其中，所述3D重构算法包括：
通过SIFT算法分别获取所述第一图片和所述第二图片中匹配特征点的像素坐标a和像素坐标b；
根据获取到的所述像素坐标a和所述像素坐标b分别计算得到空间直线方程A和空间直线方程B；
根据计算得到的所述空间直线方程A和所述空间直线方程B，求得所述空间直线方程A和所述空间直线方程B的交点。
7.根据权利要求1所述的一种适用于地铁车辆的新型智慧列检系统，其特征在于，在对所述第一图像进行分析处理或对所述第二图像进行处理前，对待测车辆上的被检部件进行定位检测，所述定位检测的方法包括：
获取包含被检部件的图像信息；
加载深度学习网络参数和权重文件；
采用YOLOV3-Tiny算法进行被检部件的定位和识别；
输出被检部件的位置信息和身份信息。
8.一种用于地铁车辆的新型智慧列检系统的检测方法，其特征在于，所述检测方法包括：
获取待测车辆表面的第一图像，并对所述第一图像进行分析处理，得到并发送第一检测结果；
获取待测车辆车底指定部位的第二图像，并对所述第二图像进行分析处理，得到并发送第二检测结果；
储存和/或展示所述第一检测结果和所述第二检测结果。
9.根据权利要求8所述的一种用于地铁车辆的新型智慧列检系统的检测方法，其特征在于，对所述第一图像进行分析处理，得到并发送第一检测结果的方法包括：
确定并提取所述第一图像中待测车辆的各个车厢的图像信息；
将提取到的所述车厢的图像信息与预存的车厢图像信息进行匹配调整，并进行比对，得到差异特征；
剔除所述差异特征中的干扰特征；
对所述车厢的图像信息中的部件特征进行识别、定位和检测，得到所述第一检测结果；
根据所述待测车辆的车辆信息发送所述第一检测结果。
10.根据权利要求8所述的一种用于地铁车辆的新型智慧列检系统的检测方法，其特征在于，对所述第二图像进行分析处理，得到并发送第二检测结果的方法包括：
对所述第二图像中的部件特征进行识别、定位和检测，并得到第二检测结果；
根据所述待测车辆的车辆信息发送所述第二检测结果。
CN202010693069.2A 2020-07-17 2020-07-17 一种适用于地铁车辆的新型智慧列检系统和检测方法 Pending CN111855667A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010693069.2A CN111855667A (zh) 2020-07-17 2020-07-17 一种适用于地铁车辆的新型智慧列检系统和检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010693069.2A CN111855667A (zh) 2020-07-17 2020-07-17 一种适用于地铁车辆的新型智慧列检系统和检测方法

Publications (1)

Publication Number Publication Date
CN111855667A true CN111855667A (zh) 2020-10-30

Family

ID=73001984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010693069.2A Pending CN111855667A (zh) 2020-07-17 2020-07-17 一种适用于地铁车辆的新型智慧列检系统和检测方法

Country Status (1)

Country Link
CN (1) CN111855667A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488995A (zh) * 2020-11-18 2021-03-12 成都主导软件技术有限公司 列车自动化检修的智能判伤方法及系统
CN112858290A (zh) * 2021-01-08 2021-05-28 北京中车重工机械有限公司 一种基于数字图像处理的检测系统及其检测方法和装置
CN115451942A (zh) * 2022-09-26 2022-12-09 西南交通大学 基于车轮特征的车底巡检机器人slam回环检测方法
WO2024068377A1 (de) * 2022-09-30 2024-04-04 Siemens Mobility GmbH Verfahren und vorrichtung zur interaktiven annotation von bilddaten im servicebetrieb

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077526A (zh) * 2013-02-01 2013-05-01 苏州华兴致远电子科技有限公司 具有深度检测功能的列车异常检测方法及系统
CN104567725A (zh) * 2014-12-17 2015-04-29 苏州华兴致远电子科技有限公司 车辆运行故障检测系统及方法
CN108376268A (zh) * 2018-05-21 2018-08-07 北京京天威科技发展有限公司 地铁电动客车列检车底、车侧故障检测系统和方法
CN109559301A (zh) * 2018-11-20 2019-04-02 江苏第二师范学院（江苏省教育科学研究院） 一种端到端的动车组入所缺陷检测的孪生网络方法
CN110450813A (zh) * 2019-08-06 2019-11-15 中铁第四勘察设计院集团有限公司 一种动车组全车身运行故障动态图像检测系统及检测方法
CN110852457A (zh) * 2019-11-05 2020-02-28 成都铁安科技有限责任公司 地铁车辆运维系统
KR20200028764A (ko) * 2018-09-07 2020-03-17 투아이시스(주) 전차선로 지하시설물 검측시스템
CN111161262A (zh) * 2020-02-14 2020-05-15 东莞市科研世智能科技有限公司 列车综合检测系统
CN210879689U (zh) * 2019-11-07 2020-06-30 成都铁安科技有限责任公司 一种适用于地铁车辆列检工作的智能机器人
CN111402211A (zh) * 2020-03-04 2020-07-10 广西大学 一种基于深度学习的高速列车车底异物识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077526A (zh) * 2013-02-01 2013-05-01 苏州华兴致远电子科技有限公司 具有深度检测功能的列车异常检测方法及系统
CN104567725A (zh) * 2014-12-17 2015-04-29 苏州华兴致远电子科技有限公司 车辆运行故障检测系统及方法
CN108376268A (zh) * 2018-05-21 2018-08-07 北京京天威科技发展有限公司 地铁电动客车列检车底、车侧故障检测系统和方法
KR20200028764A (ko) * 2018-09-07 2020-03-17 투아이시스(주) 전차선로 지하시설물 검측시스템
CN109559301A (zh) * 2018-11-20 2019-04-02 江苏第二师范学院（江苏省教育科学研究院） 一种端到端的动车组入所缺陷检测的孪生网络方法
CN110450813A (zh) * 2019-08-06 2019-11-15 中铁第四勘察设计院集团有限公司 一种动车组全车身运行故障动态图像检测系统及检测方法
CN110852457A (zh) * 2019-11-05 2020-02-28 成都铁安科技有限责任公司 地铁车辆运维系统
CN210879689U (zh) * 2019-11-07 2020-06-30 成都铁安科技有限责任公司 一种适用于地铁车辆列检工作的智能机器人
CN111161262A (zh) * 2020-02-14 2020-05-15 东莞市科研世智能科技有限公司 列车综合检测系统
CN111402211A (zh) * 2020-03-04 2020-07-10 广西大学 一种基于深度学习的高速列车车底异物识别方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488995A (zh) * 2020-11-18 2021-03-12 成都主导软件技术有限公司 列车自动化检修的智能判伤方法及系统
CN112488995B (zh) * 2020-11-18 2023-12-12 成都主导软件技术有限公司 列车自动化检修的智能判伤方法及系统
CN112858290A (zh) * 2021-01-08 2021-05-28 北京中车重工机械有限公司 一种基于数字图像处理的检测系统及其检测方法和装置
CN115451942A (zh) * 2022-09-26 2022-12-09 西南交通大学 基于车轮特征的车底巡检机器人slam回环检测方法
CN115451942B (zh) * 2022-09-26 2024-08-02 西南交通大学 基于车轮特征的车底巡检机器人slam回环检测方法
WO2024068377A1 (de) * 2022-09-30 2024-04-04 Siemens Mobility GmbH Verfahren und vorrichtung zur interaktiven annotation von bilddaten im servicebetrieb

Similar Documents

Publication Publication Date Title
CN111855667A (zh) 一种适用于地铁车辆的新型智慧列检系统和检测方法
CN103413313B (zh) 基于电力机器人的双目视觉导航系统及方法
CN112418103B (zh) 一种基于动态双目视觉的桥式起重机吊装安全防撞系统及方法
CN113052903B (zh) 一种用于移动机器人的视觉与雷达融合定位方法
CN112132896A (zh) 一种轨旁设备状态检测方法及系统
CN106767399A (zh) 基于双目立体视觉和点激光测距的物流货物体积的非接触测量方法
AU2015280775A1 (en) Lost vehicle recovery utilizing associated feature pairs
WO2015024407A1 (zh) 基于电力机器人的双目视觉导航系统及方法
CN112348034A (zh) 基于无人机图像识别的起重机缺陷检测系统和工作方法
CN103419944A (zh) 一种登机桥及其自动靠接方法
CN115482195B (zh) 一种基于三维点云的列车部件变形检测方法
CN107187464A (zh) 轨道板检测车、系统以及方法
CN103837087B (zh) 基于主动形状模型的受电弓自动检测方法
CN113448333B (zh) 基于传感器组合的底部巡检定位方法、装置及电子设备
CN112967283A (zh) 基于双目摄像头的目标识别方法、系统、设备及存储介质
CN105701453B (zh) 一种带障碍识别系统的铁路配碴车及其障碍识别方法
CN112465706A (zh) 一种闸口集装箱自动验残方法
CN105809219B (zh) 一种隧道预制管片生产线的预制管片质量检测统计系统和方法
CN109543533B (zh) 一种用于机场作业人员管理的自动识别方法
CN106494611B (zh) 一种空轨两用巡检无人机
CN205158461U (zh) 机器人出入口控制系统
CN115115768A (zh) 基于立体视觉的物体坐标识别系统及方法、装置、介质
CN113256731A (zh) 基于单目视觉的目标检测方法及装置
CN113433560B (zh) 一种机器人侧边巡检的定位方法、装置、电子设备及介质
CN115857040A (zh) 一种机车车顶异物动态视觉检测装置及方法

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

Application publication date: 20201030

RJ01 Rejection of invention patent application after publication