CN112419289A - 一种城市地铁轨道扣件缺陷智能检测方法 - Google Patents
一种城市地铁轨道扣件缺陷智能检测方法 Download PDFInfo
- Publication number
- CN112419289A CN112419289A CN202011368492.1A CN202011368492A CN112419289A CN 112419289 A CN112419289 A CN 112419289A CN 202011368492 A CN202011368492 A CN 202011368492A CN 112419289 A CN112419289 A CN 112419289A
- Authority
- CN
- China
- Prior art keywords
- fastener
- image
- fasteners
- pixel point
- rail
- 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
Images
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G01N2021/8874—Taking dimensions of defect into account
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种城市地铁轨道扣件缺陷智能检测方法，包括构建TensorFlow Slim微调模型，进行图像中扣件的识别，并分别提取图像中扣件的空间特征、纹理特征和轮廓特征；并基于SVM模型进行扣件缺陷诊断，同时输出诊断结果，根据输出诊断结构，在原始图像中标注缺陷扣件的位置；计算相邻两个扣件之间的平均间距，并结合列车拍摄图像时的定位点信息，定位缺陷扣件的位置信息。本发明采用智能算法，有效地解决了轨道扣件检查工作效率低，劳动强度大的问题。
Description
技术领域
本发明属于轨道扣件的技术领域，具体涉及一种城市地铁轨道扣件缺陷智能检测方法。
背景技术
随着我国城市地铁轨道交通的快速发速发展，轨道交通的安全问题逐渐凸显。扣件是连接钢轨和轨枕的中间连接器件，可以起到固定钢轨的作用，避免钢轨的纵横移动。扣件失效将会改变轨道间距，增加列车脱轨风险。目前，铁路部门对扣件的检查主要采用人工检查的方法，检查人员在夜间以灯光照明，用塞尺逐个检查扣件的状态，测量精度较低。同时通过轨检车对于钢轨扣件的压力状况检测有很大困难。我国的地铁轨道检查在夜间进行，时间段，工作效率低，劳动强度大，这种方式人力物力消耗很大。
发明内容
本发明的目的在于针对现有技术中的上述不足，提供一种城市地铁轨道扣件缺陷智能检测方法，以解决现有铁轨扣件监测，工作效率低，劳动强度大的问题。
为达到上述目的，本发明采取的技术方案是：
一种城市地铁轨道扣件缺陷智能检测方法，其包括：
S1、基于行进中的列车实时采集若干张铁轨扣件部位的图像；
S2、对图像进行灰度处理，并采用局部自适应二值化计算灰度图像中像素点的阈值，若灰度图像中像素点灰度值大于阈值，则二值化结果为1，代表目标扣件；若像素点灰度值小于阈值，则二值化结果为0，代表扣件背景；
S3、将处理后的若干图像随机划分为训练集和验证集；
S4、构建TensorFlow Slim微调模型，并采用训练集训练模型，验证集验证模型的准确率，导出训练完成的TensorFlow Slim微调模型；
S5、基于TensorFlow Slim微调模型，输入采集的铁轨扣件图像，识别并标注图像中的扣件；
S6、对标注后的扣件图像进行自动分割，划分出图像中的目标扣件区域，并根据目标扣件区域提取图像中扣件的空间特征；
S7、基于训练完成的自回归纹理模型提取图像中扣件的纹理特征；
S8、采用形状不变矩法，根据目标扣件所占区域的矩作为形状描述参数，提取扣件在图像中的轮廓特征；
S9、根据若干组扣件的空间特征、纹理特征和轮廓特征，构建SVM模型，并基于SVM模型进行扣件缺陷诊断，输出诊断结果；
S10、根据输出诊断结构，在原始图像中标注缺陷扣件的位置；
S11、计算相邻两个扣件之间的平均间距，并结合列车拍摄图像时的定位点信息，定位缺陷扣件的位置信息。
优选地，S1中采用工业相机拍摄若干张铁轨扣件部位的图像，并将图像上传至列车车载服务器中。
优选地，S2中对图像进行灰度处理，并采用局部自适应二值化计算灰度图像中像素点的阈值，若灰度图像中像素点灰度值大于阈值，则二值化结果为1，代表目标扣件；若像素点灰度值小于阈值，则二值化结果为0，代表扣件背景，包括：
设图像在像素点(x,y)处的灰度值为f(x,y)；
计算图像中各像素点(x,y)的阈值w(x,y)：
W(x,y)＝0.5*(max f(x+m,y+n)+min f(x+m,y+n))；
若f(x,y)>w(x,y)，则二值化结果为1，代表字符区域的目标点；否则二值化结果为0，代表背景区域的目标点。
优选地，S3中将处理后的若干图像按照3:1的比列划分为训练集和验证集。
优选地，S9中构建SVM模型的最优分类包括：
SVM模型的目标函数与约束条件为：
其中，ω为权重向量；xi为输入数据；yi为对应xi的所属分类；b为偏置向量；
引入松弛变量ξi代表训练样本的错分程度，则：
其中，C为惩罚因子，控制出现样本错误分类的惩罚度；
采用拉格朗日函数对目标函数进行求解：
其中，αi为拉格朗日乘子；
求解得到最优分类函数为：
其中，sgn()为符号函数；
SVM通过构造核函数将低维数据映射到高维，再在高维空间中实现线性分类，引入核函数后的最优分类为：
其中，K()为核函数；
核函数为径向基核函数K(xi,xj)，其表达式为：
其中，g为核函数参数。
优选地，S9输出诊断结果，包括：
根据扣件的空间特征，判断并输出当前扣件是否存在缺失缺陷；
根据扣件的纹理特征，判断并输出当前扣件是否存在松动缺陷；
根据扣件的轮廓特征，判断并输出当前扣件是否存在脱落缺陷。
优选地，S11、计算相邻两个扣件之间的平均间距，并结合列车拍摄图像时的定位点信息，定位缺陷扣件的位置信息，包括：
计算相邻两个扣件之间的平均间距m1：
m1＝s1/n1
其中，s1为距离，n1为距离s1内轨道扣件的数量；
定位缺陷扣件的位置P：
P0＝S0+n2*m1+S2
其中，S0为列车拍摄图像时的定位点位置，n2为缺陷扣件位于图像中的排位数量，S2为拍摄图像时的成像距离。
本发明提供的城市地铁轨道扣件缺陷智能检测方法，具有以下有益效果：
本发明构建TensorFlow Slim微调模型，进行图像中扣件的识别，以便于后期扣件特征的提取，同时根据扣件的不同特征的提取，分别对扣件不同缺陷进行诊断，并根据诊断结果，具体定位存在缺陷的扣件，便于施工人员及时发现并维护。
附图说明
图1为城市地铁轨道扣件缺陷智能检测方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
根据本申请的一个实施例，参考图1，本方案的城市地铁轨道扣件缺陷智能检测方法，包括：
S1、基于行进中的列车实时采集若干张铁轨扣件部位的图像。
将工业相机安装于列车上，可根据实际状况选择安装的位置，可以安装于列车头部，用于实时采集铁轨扣件部位的图像，且在同一时间段内，拍摄多张图像，并将采集到的图像传送至列车车载计算机或服务器内。
S2、对图像进行预处理，其包括：
对图像进行灰度处理，并采用局部自适应二值化计算灰度图像中像素点的阈值，若灰度图像中像素点灰度值大于阈值，则二值化结果为1，代表目标扣件；若像素点灰度值小于阈值，则二值化结果为0，代表扣件背景。
设图像在像素点(x,y)处的灰度值为f(x,y)；
计算图像中各像素点(x,y)的阈值w(x,y)：
W(x,y)＝0.5*(max f(x+m,y+n)+min f(x+m,y+n))；
若f(x,y)>w(x,y)，则二值化结果为1，代表字符区域的目标点；否则二值化结果为0，代表背景区域的目标点。
S3、将处理后的若干图像随机划分为训练集和验证集；
将处理后的若干图像按照3:1的比列划分为训练集和验证集。
S4、构建TensorFlow Slim微调模型，并采用训练集训练模型，验证集验证模型的准确率，导出训练完成的TensorFlow Slim微调模型。
在训练时，可以使用TensorBoard进行可视化训练，有助于设定训练模型的方式及超参数。
在TensorBoard中，观察损失曲线可用于调整参数。当损失曲线比较平缓，收敛较慢时，可以增大学习率，以加快收敛速度；如果损失曲线波动较大，无法收敛，就可能是因为学习率过大，此时就可以尝试适当减小学习率。
S5、基于TensorFlow Slim微调模型，输入采集的铁轨扣件图像，识别并标注图像中的扣件。
S6、对标注后的扣件图像进行自动分割，划分出图像中的目标扣件区域，并根据目标扣件区域提取图像中扣件的空间特征。
扣件的空间特征，可用于检测当前扣件是否存在缺失，即通过存在扣件的空间特征和未存在扣件的空间特征之间的差异，进行扣件缺失的判断。
S7、基于训练完成的自回归纹理模型提取图像中扣件的纹理特征。
同时，也可通进过卷积神经网络进行模型学习，提取纹理特征向量。
将训练图像输入一个通过ImageNet数据库预训练的铁轨扣件特征提取与融合网络，即为基于VGG网络结构的铁轨扣件特征提取与融合网络，即基于卷积神经网络结构的机器学习模型。
将处理后的训练图像通过所述机器学习模型的卷积层、池化层、上采样层、融合层以及全连接层进行处理。
如训练后的图像连续通过32通道卷积层，再经过一个池化层得到扣件纹理特征向量。
并根据扣件的纹理特征，判断并输出当前扣件是否存在松动缺陷。
S8、采用形状不变矩法，根据目标扣件所占区域的矩作为形状描述参数，提取扣件在图像中的轮廓特征；即根据扣件的轮廓特征，判断并输出当前扣件是否存在脱落缺陷。
S9、根据若干组扣件的空间特征、纹理特征和轮廓特征，构建SVM模型，并基于SVM模型进行扣件缺陷诊断，输出诊断结果。
即：
根据扣件的空间特征，判断并输出当前扣件是否存在缺失缺陷；
根据扣件的纹理特征，判断并输出当前扣件是否存在松动缺陷；
根据扣件的轮廓特征，判断并输出当前扣件是否存在脱落缺陷。
且SVM模型的最优分类包括：
SVM模型的目标函数与约束条件为：
其中，ω为权重向量；xi为输入数据；yi为对应xi的所属分类；b为偏置向量；
引入松弛变量ξi代表训练样本的错分程度，则：
其中，C为惩罚因子，控制出现样本错误分类的惩罚度；
采用拉格朗日函数对目标函数进行求解：
其中，αi为拉格朗日乘子；
求解得到最优分类函数为：
其中，sgn()为符号函数；
SVM通过构造核函数将低维数据映射到高维，再在高维空间中实现线性分类，引入核函数后的最优分类为：
其中，K()为核函数；
核函数为径向基核函数K(xi,xj)，其表达式为：
其中，g为核函数参数。
S10、根据输出诊断结构，在原始图像中标注缺陷扣件的位置。
S11、计算相邻两个扣件之间的平均间距，并结合列车拍摄图像时的定位点信息，定位缺陷扣件的位置信息，包括：
计算相邻两个扣件之间的平均间距m1：
m1＝s1/n1
其中，s1为距离，n1为距离s1内轨道扣件的数量；
定位缺陷扣件的位置P：
P0＝S0+n2*m1+S2
其中，S0为列车拍摄图像时的定位点位置，n2为缺陷扣件位于图像中的排位数量，S2为拍摄图像时的成像距离。
本发明构建TensorFlow Slim微调模型，进行图像中扣件的识别，以便于后期扣件特征的提取，同时根据扣件的不同特征的提取，分别对扣件不同缺陷进行诊断，并根据诊断结果，具体定位存在缺陷的扣件，便于施工人员及时发现并维护。
虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。
Claims (7)
1.一种城市地铁轨道扣件缺陷智能检测方法，其特征在于，包括：
S1、基于行进中的列车实时采集若干张铁轨扣件部位的图像；
S2、对图像进行灰度处理，并采用局部自适应二值化计算灰度图像中像素点的阈值，若灰度图像中像素点灰度值大于阈值，则二值化结果为1，代表目标扣件；若像素点灰度值小于阈值，则二值化结果为0，代表扣件背景；
S3、将处理后的若干图像随机划分为训练集和验证集；
S4、构建TensorFlow Slim微调模型，并采用训练集训练模型，验证集验证模型的准确率，导出训练完成的TensorFlow Slim微调模型；
S5、基于TensorFlow Slim微调模型，输入采集的铁轨扣件图像，识别并标注图像中的扣件；
S6、对标注后的扣件图像进行自动分割，划分出图像中的目标扣件区域，并根据目标扣件区域提取图像中扣件的空间特征；
S7、基于训练完成的自回归纹理模型提取图像中扣件的纹理特征；
S8、采用形状不变矩法，根据目标扣件所占区域的矩作为形状描述参数，提取扣件在图像中的轮廓特征；
S9、根据若干组扣件的空间特征、纹理特征和轮廓特征，构建SVM模型，并基于SVM模型进行扣件缺陷诊断，输出诊断结果；
S10、根据输出诊断结构，在原始图像中标注缺陷扣件的位置；
S11、计算相邻两个扣件之间的平均间距，并结合列车拍摄图像时的定位点信息，定位缺陷扣件的位置信息。
2.根据权利要求1所述的城市地铁轨道扣件缺陷智能检测方法，其特征在于：所述S1中采用工业相机拍摄若干张铁轨扣件部位的图像，并将图像上传至列车车载服务器中。
3.根据权利要求1所述的城市地铁轨道扣件缺陷智能检测方法，其特征在于：所述S2中对图像进行灰度处理，并采用局部自适应二值化计算灰度图像中像素点的阈值，若灰度图像中像素点灰度值大于阈值，则二值化结果为1，代表目标扣件；若像素点灰度值小于阈值，则二值化结果为0，代表扣件背景，包括：
设图像在像素点(x,y)处的灰度值为f(x,y)；
计算图像中各像素点(x,y)的阈值w(x,y)：
W(x,y)＝0.5*(max f(x+m,y+n)+min f(x+m,y+n))；
若f(x,y)>w(x,y)，则二值化结果为1，代表字符区域的目标点；否则二值化结果为0，代表背景区域的目标点。
4.根据权利要求1所述的城市地铁轨道扣件缺陷智能检测方法，其特征在于：所述S3中将处理后的若干图像按照3:1的比列划分为训练集和验证集。
5.根据权利要求1所述的城市地铁轨道扣件缺陷智能检测方法，其特征在于，所述S9中构建SVM模型的最优分类包括：
所述SVM模型的目标函数与约束条件为：
其中，ω为权重向量；xi为输入数据；yi为对应xi的所属分类；b为偏置向量；
引入松弛变量ξi代表训练样本的错分程度，则：
其中，C为惩罚因子，控制出现样本错误分类的惩罚度；
采用拉格朗日函数对目标函数进行求解：
其中，αi为拉格朗日乘子；
求解得到最优分类函数为：
其中，sgn()为符号函数；
SVM通过构造核函数将低维数据映射到高维，再在高维空间中实现线性分类，引入核函数后的最优分类为：
其中，K()为核函数；
核函数为径向基核函数K(xi,xj)，其表达式为：
其中，g为核函数参数。
6.根据权利要求1所述的城市地铁轨道扣件缺陷智能检测方法，其特征在于，所述S9输出诊断结果，包括：
根据扣件的空间特征，判断并输出当前扣件是否存在缺失缺陷；
根据扣件的纹理特征，判断并输出当前扣件是否存在松动缺陷；
根据扣件的轮廓特征，判断并输出当前扣件是否存在脱落缺陷。
7.根据权利要求1所述的城市地铁轨道扣件缺陷智能检测方法，其特征在于，所述S11、计算相邻两个扣件之间的平均间距，并结合列车拍摄图像时的定位点信息，定位缺陷扣件的位置信息，包括：
计算相邻两个扣件之间的平均间距m1：
m1＝s1/n1
其中，s1为距离，n1为距离s1内轨道扣件的数量；
定位缺陷扣件的位置P：
P0＝S0+n2*m1+S2
其中，S0为列车拍摄图像时的定位点位置，n2为缺陷扣件位于图像中的排位数量，S2为拍摄图像时的成像距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011368492.1A CN112419289B (zh) | 2020-11-30 | 2020-11-30 | 一种城市地铁轨道扣件缺陷智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011368492.1A CN112419289B (zh) | 2020-11-30 | 2020-11-30 | 一种城市地铁轨道扣件缺陷智能检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112419289A true CN112419289A (zh) | 2021-02-26 |
| CN112419289B CN112419289B (zh) | 2022-11-15 |
Family
ID=74828801
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011368492.1A Active CN112419289B (zh) | 2020-11-30 | 2020-11-30 | 一种城市地铁轨道扣件缺陷智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112419289B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113189111A (zh) * | 2021-04-28 | 2021-07-30 | 西南交通大学 | 一种钢结构网架外观缺陷视觉检测系统及检测方法 |
| CN114166855A (zh) * | 2022-02-11 | 2022-03-11 | 南京邮电大学 | 一种实时铁轨缺陷检测方法 |
| CN114677342A (zh) * | 2022-03-14 | 2022-06-28 | 西南交通大学 | 一种无监督缺陷检测方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105905132A (zh) * | 2016-05-24 | 2016-08-31 | 北京鹰路科技有限公司 | 一种轨道状态智能巡检装置和方法 |
| CN108009574A (zh) * | 2017-11-27 | 2018-05-08 | 成都明崛科技有限公司 | 一种轨道扣件检测方法 |
| CN108596872A (zh) * | 2018-03-08 | 2018-09-28 | 北京交通大学 | 基于Gabor小波和SVM的钢轨病害的检测方法 |
| CN109255776A (zh) * | 2018-07-23 | 2019-01-22 | 中国电力科学研究院有限公司 | 一种输电线路开口销缺损自动识别方法 |
| EP3432266A1 (de) * | 2017-07-17 | 2019-01-23 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und vorrichtung zum erkennen von fehlstellen |
| CN109767427A (zh) * | 2018-12-25 | 2019-05-17 | 北京交通大学 | 列车轨道扣件缺陷的检测方法 |
| CN110599470A (zh) * | 2019-08-30 | 2019-12-20 | 武汉科技大学 | 一种磁瓦表面缺陷检测系统和方法 |
| CN110634121A (zh) * | 2018-06-05 | 2019-12-31 | 成都精工华耀科技有限公司 | 一种基于纹理与深度图像的轨道扣件紧固件松动检测方法 |
| CN111079955A (zh) * | 2019-12-05 | 2020-04-28 | 贵州电网有限责任公司 | 一种基于x射线成像的gis设备缺陷检测方法 |
| CN111091543A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车摇枕弹簧丢失故障目标检测方法 |
| US20200156676A1 (en) * | 2018-11-15 | 2020-05-21 | Avante International Technology, Inc. | Image-based monitoring and detection of track/rail faults |
| US20200175352A1 (en) * | 2017-03-14 | 2020-06-04 | University Of Manitoba | Structure defect detection using machine learning algorithms |
| CN111311560A (zh) * | 2020-02-10 | 2020-06-19 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 钢轨扣件状态的检测方法及装置 |
| 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 |
| CN111899227A (zh) * | 2020-07-06 | 2020-11-06 | 北京交通大学 | 基于无人机作业的铁路扣件缺陷自动采集辨识方法 |
-
2020
- 2020-11-30 CN CN202011368492.1A patent/CN112419289B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105905132A (zh) * | 2016-05-24 | 2016-08-31 | 北京鹰路科技有限公司 | 一种轨道状态智能巡检装置和方法 |
| US20200175352A1 (en) * | 2017-03-14 | 2020-06-04 | University Of Manitoba | Structure defect detection using machine learning algorithms |
| EP3432266A1 (de) * | 2017-07-17 | 2019-01-23 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und vorrichtung zum erkennen von fehlstellen |
| CN108009574A (zh) * | 2017-11-27 | 2018-05-08 | 成都明崛科技有限公司 | 一种轨道扣件检测方法 |
| CN108596872A (zh) * | 2018-03-08 | 2018-09-28 | 北京交通大学 | 基于Gabor小波和SVM的钢轨病害的检测方法 |
| CN110634121A (zh) * | 2018-06-05 | 2019-12-31 | 成都精工华耀科技有限公司 | 一种基于纹理与深度图像的轨道扣件紧固件松动检测方法 |
| CN109255776A (zh) * | 2018-07-23 | 2019-01-22 | 中国电力科学研究院有限公司 | 一种输电线路开口销缺损自动识别方法 |
| US20200156676A1 (en) * | 2018-11-15 | 2020-05-21 | Avante International Technology, Inc. | Image-based monitoring and detection of track/rail faults |
| CN109767427A (zh) * | 2018-12-25 | 2019-05-17 | 北京交通大学 | 列车轨道扣件缺陷的检测方法 |
| CN110599470A (zh) * | 2019-08-30 | 2019-12-20 | 武汉科技大学 | 一种磁瓦表面缺陷检测系统和方法 |
| CN111079955A (zh) * | 2019-12-05 | 2020-04-28 | 贵州电网有限责任公司 | 一种基于x射线成像的gis设备缺陷检测方法 |
| CN111091543A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车摇枕弹簧丢失故障目标检测方法 |
| CN111311560A (zh) * | 2020-02-10 | 2020-06-19 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 钢轨扣件状态的检测方法及装置 |
| CN111899227A (zh) * | 2020-07-06 | 2020-11-06 | 北京交通大学 | 基于无人机作业的铁路扣件缺陷自动采集辨识方法 |
| 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 |
Non-Patent Citations (7)
| Title |
|---|
| QIANG HAN 等: "A Rail Fastener Tightness Detection Approach Using Multi-source Visual Sensor", 《SENSORS》 * |
| QING SONG 等: "High-speed Railway Fastener Detection and Localization Method based on convolutional neural network", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
| 代先星 等: "铁路扣件缺陷自动检测研究进展", 《铁道科学与工程学报》 * |
| 代国忠: "图像识别技术在铁轨扣件异常检测中的应用研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
| 刘甲甲 等: "融合PHOG和MSLBP特征的铁路扣件检测算法", 《西南交通大学学报》 * |
| 廖进 等: "车载式地铁轨道缺陷巡检系统设计", 《现代城市轨道交通》 * |
| 韩金岳: "基于多特征融合的轨道螺栓扣件图像识别技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113189111A (zh) * | 2021-04-28 | 2021-07-30 | 西南交通大学 | 一种钢结构网架外观缺陷视觉检测系统及检测方法 |
| CN114166855A (zh) * | 2022-02-11 | 2022-03-11 | 南京邮电大学 | 一种实时铁轨缺陷检测方法 |
| CN114677342A (zh) * | 2022-03-14 | 2022-06-28 | 西南交通大学 | 一种无监督缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112419289B (zh) | 2022-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112419289B (zh) | 一种城市地铁轨道扣件缺陷智能检测方法 | |
| CN110378869B (zh) | 一种样本自动标注的钢轨扣件异常检测方法 | |
| CN107437245B (zh) | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 | |
| CN111079747B (zh) | 铁路货车转向架侧架断裂故障图像识别方法 | |
| CN109977817B (zh) | 基于深度学习的动车组车底板螺栓故障检测方法 | |
| Liang et al. | Defect detection of rail surface with deep convolutional neural networks | |
| CN111080597A (zh) | 一种基于深度学习的轨道扣件缺陷识别算法 | |
| CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
| CN111311567A (zh) | 对轨道线路图像进行扣件和钢轨病害识别的方法 | |
| CN111091544B (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
| CN108846331B (zh) | 一种动车组底盘螺丝紧固件是否脱落的视频识别方法 | |
| 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 | |
| CN111079734B (zh) | 铁路货车三角孔异物检测方法 | |
| CN112967252B (zh) | 一种轨道车辆机感吊架组装螺栓丢失检测方法 | |
| CN113436157A (zh) | 一种用于受电弓故障的车载图像识别方法 | |
| Zhao et al. | Image-based comprehensive maintenance and inspection method for bridges using deep learning | |
| CN111652295A (zh) | 一种铁路货车钩尾销托梁脱落故障识别方法 | |
| CN113298059A (zh) | 受电弓异物入侵检测方法、装置、计算机设备、系统及存储介质 | |
| Xiao et al. | A hierarchical features-based model for freight train defect inspection | |
| CN115526864A (zh) | 基于改进的特征金字塔网络和度量学习的钢轨表面缺陷检测方法 | |
| CN115424128A (zh) | 一种货车转向架下拉杆故障图像检测方法及系统 | |
| CN114067296A (zh) | 钢轨表面缺陷识别方法及装置 | |
| CN117372677A (zh) | 一种高速铁路接触网紧固件开口销健康状态检测方法 | |
| CN114742975B (zh) | 一种车载图像铁轨曲线建模方法 | |
| CN111652228A (zh) | 铁路货车枕梁孔异物检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |