CN113592860B - 一种基于智能图像处理的轨道线路自动巡检系统 - Google Patents

Abstract

本发明提供了一种基于智能图像处理的轨道线路自动巡检系统，包括图像巡检模块：用于通过同步相机组对火车的线路场景进行图像采集，获取全方位场景图像；数据处理模块：用于将所述全方位场景图像存储在工程车上，并通过无线网络传回设备服务器进行分析；缺陷识别模块：用于通过设备服务器内置的缺陷规程对所述全方位场景图像进行识别，判断是否存在轨道缺陷；预警模块：用于将所述轨道缺陷显示在工业显示器和云平台上，并进行声光报警；闭环自学习模块：用于对识别的轨道缺陷进行统计，并基于机器学习进行训练，根据所述训练结果，更新所述设备服务器内置的缺陷规程。

Description

一种基于智能图像处理的轨道线路自动巡检系统

技术领域

本发明涉及轨道交通技术领域，特别涉及一种基于智能图像处理的轨道线路自动巡检系统。

背景技术

目前，随着轨道交通的快速发展，极大的改善了城市交通拥堵问题，而为了保证车辆的安全运行，在轨道的使用寿命周期内，需要对其进行定期的维护和检修，列检、双周检、三月检等轨道日常检修工作，需要在较短的时间内快速完成。

主要检查对象包括轨道、接触网、障碍物和隧道方面。在现有技术中，会通过运维人员进行人工巡检，虽然存在工程车，不过，工程车的作用大多数只是载人。因此，工程车无辅助巡检功能，而且人工检查存在检查效果差、易遗漏、效率低、作业不安全等问题。

发明内容

本发明提供一种基于智能图像处理的轨道线路自动巡检系统，用以解决人工检查存在检查效果差、易遗漏、效率低、作业不安全，工程车无辅助巡检功能的情况。

一种基于智能图像处理的轨道线路自动巡检系统，包括：

图像巡检模块：用于通过同步相机组对火车的线路场景进行图像采集，获取全方位场景图像；

数据处理模块：用于将所述全方位场景图像存储在工程车上，并通过无线网络传回设备服务器进行分析；

缺陷识别模块：用于通过设备服务器内置的缺陷规程对所述全方位场景图像进行识别，判断是否存在轨道缺陷；

预警模块：用于将所述轨道缺陷显示在工业显示器和云平台上，并进行声光报警；

闭环自学习模块：用于对识别的轨道缺陷进行统计，并基于机器学习进行训练，根据所述训练结果，更新所述设备服务器内置的缺陷规程。

作为本发明的一种实施例：所述图像巡检模块包括：

相机单元：用于预先在轨道运维车上设置同步相机组，进行轨道监测；其中，

所述同步相机组由前视侵限检测相机、顶视接触网检测相机、侧向上视相机和侧向下视相机；

所述同步相机组中相机数量不低于预设最低阀值；

采集模块：用于通过所述同步相机组获取轨道图像；其中，

所述轨道图像包括：线路轨道图像、轨道界限图像、接触网图像和隧道图像；

巡检单元：用于控制所述同步相机组进行重复性的进行火车线路巡检；

场景生成单元：用于根据所述同步相机组采集的轨道图像进行场景搭建，构成全方位场景图像。

作为本发明的一种实施例：所述图像巡检模块还包括以下步骤：

步骤1：设置巡检时间，并通过下式确定巡检时间内采集的轨道图像的综合图像特征：

其中，X_t表示t时刻的线路轨道图像特征；J_t表示t时刻的轨道界限图像特征；W_t表示t时刻的接触网图像特征；D_t表示t时刻的隧道图像特征；T表示巡检时间；Z表示t时刻时获取的图像帧数；t表示巡检的时刻；

步骤2：用于根据所述同步相机组，确定每一时刻每种相机的实际采集特征：

其中，a_t表示t时刻的前视侵限检测相机采集的前视数据特征；b_t表示t时刻的顶视接触网检测相机采集的顶视数据特征；c_t表示t时刻的侧向上视相机采集的侧上数据特征；d_t表示t时刻的侧向下视相机采集的侧下数据特征；Z₁表示前视侵限检测相机t时刻时获取的图像帧数；Z₂表示顶视接触网检测相机t时刻时获取的图像帧数；Z₃表示侧向上视相机t时刻时获取的图像帧数；Z₄表示侧向下视相机t时刻时获取的图像帧数；

步骤3：根据所述实际采集特征和综合图像特征，通过下式判判断巡检数据是否完全：

其中，[γ_min～γ_max]为数据完全的判断阈值区间；当P∈[γ_min～γ_max]时，表述巡检的数据完全；当

时，表述巡检的数据不完全。

作为本发明的一种实施例：所述数据处理模块包括：

数据传输单元：用于通过预设的交换机进行数据传输；其中，

所述数据传输包括：同步相机组对工程车上的车载智能分析服务器进行数据传输和车载智能分析服务器对云平台进行数据传输；

网络单元：用于通过云平台的第一交换机和工程车上的第二交换机组成通信网络；其中，

所述通信网络包括：无线网络和有线网络。

作为本发明的一种实施例：所述数据处理模块，还包括：

链路单元：用于在进行轨道线路自动巡检时，监控所述无线网络的工作路径的状态信息，并形成链路和工作路径的相关二部图，确定数据传输的链路集合；

检测单元：用于在所述链路集合的每一条链路上发送检测报文，并在每一条链路的末端设置报文接收点；

链路信息单元：用于根据所述报文接收点接收的报文信息，判断每条传输链路的具体状态信息；

判断单元：用于根据所述具体状态信息，判断数据链路是否连通；其中，

所述连通的数据链路符合下式：

其中，

表示第j条链路在矢量方向为u→v时的矢量参数；

表示第j条链路在矢量方向为v→u时的矢量参数；M_max表示链路数量的最大传输系数；M_min表示链路数量的最小传输系数；x_uv表示第j条链路在矢量方向为u→v时的实际矢量参数；j∈L表示第j条链路属于传输链路。

作为本发明的一种实施例：所述缺陷识别模块包括：

缺陷规程设置单元：用于预先设置确定轨道线路的缺陷数据，并进行缺陷分类；

规程设置单元：用于根据所述缺陷分类，按照缺陷类型设置缺陷规程：其中，

所述缺陷规程包括：线路缺陷规程、接触网缺陷规程、隧道缺陷规程和轨道障碍物缺陷规程；

模型构建单元：用于根据所述缺陷规程和全方位场景图像，构建基于神经网络模型的缺陷识别模型；

识别单元：用于将所述全方位场景图像导入所述缺陷识别模型，输出缺陷信息。

作为本发明的一种实施例：所述陷识别模块还包括：

线路缺陷识别单元：用于根据所述全方位场景图像，对轨道线路进行识别，判断是否发生线路缺陷；其中，

所述线路缺陷包括：钢轨裂纹、钢轨擦伤、钢轨缺损、扣配件缺失；

接触网缺陷识别单元：用于根据所述全方位场景图像，对接触网进行识别，判断是否发生接触网缺陷；其中，

所述接触网缺陷包括：接触网烧损、接触网断股、接触网散股和定位起脱落；

隧道缺陷识别单元：用于根据所述全方位场景图像，对隧道进行识别，判断是否发生隧道缺陷；其中，

所述隧道缺陷包括：隧道主体结构缺陷、隧道表面裂缝和隧道渗漏水；

轨道障碍物侵限识别单元：用于根据所述全方位场景图像，对轨道侵限内的物体进行识别，判断是否存在障碍物。

作为本发明的一种实施例：所述缺陷识别模块判断是否存在缺陷，包括如下步骤：

步骤10：用于预先获取轨道缺陷数据，构建缺陷特征模型：

其中，β_i表示第i个轨道缺陷的缺陷特征；δ_i表示第i个轨道缺陷的权重；ρ_i表示第i个轨道缺陷的类型；μ_i表示第i个轨道缺陷的像素级的缺陷参数；i＝1，2，3……n；n表示轨道缺陷的总个数；

步骤20：根据所述全方位场景图像，构建图像识别模型：

其中，y_j表示全方位场景图像第j个像素点的像素特征；G_j表示全方位场景图像第j个像素点的位置参数；K_j表示全方位场景图像第j个像素点的同类型像素点的识别参数；ξ表示同类型像素点的识别系数；S表示全方位场景图像的面积；V_j表示全方位场景图像第j个像素点的异常参数；

步骤30：根据所述图像识别模型和缺陷特征模型，通过下式判断全方位场景图像中是否存在缺陷：

其中，f(i，j)表示第i个轨道缺陷和第j个像素点的复合函数；α(i)表示第i个轨道缺陷的识别函数；d(j)全方位场景图像第j个像素点识别函数；C＝3时，表示全方位场景图像中不存在缺陷；C＜3时，表示全方位场景图像中存在缺陷。

作为本发明的一种实施例：所述预警模块包括：

显示单元：用于将在所述轨道缺陷被识别之后，将对应的轨道缺陷显示在工程车的工业显示器上；

可视化单元：用于对得到的缺陷数据进行统计，并生成可视化图表，并通过工程车的工业显示器进行显示；

报警单元：用于在所述工业显示器，对应生成光电报警。

作为本发明的一种实施例：所述闭环自学习模块：

统计单元：用于对识别的轨道缺陷对应的图片和未能识别的轨道缺陷的图片进行统计，生成统计表；

标记单元：用于对所述未能识别的轨道缺陷的图片进行标记，并设定为训练数据；

训练单元：用于将所述训练数据输入预设的样本训练机器进行自动学习，并输出学习结果；

更新单元：用于根据所述训练结果，生成更新程序包，并通过所述更新程序包更新所述设备服务器内置的缺陷规程。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种基于智能图像处理的轨道线路自动巡检系统的系统组成图；

图2为本发明实施例中一种基于智能图像处理的轨道线路自动巡检系统设备构成图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

如附图1和附图2所示的一种基于智能图像处理的轨道线路自动巡检系统，包括：

图像巡检模块：用于通过同步相机组对火车的线路场景进行图像采集，获取全方位场景图像；

数据处理模块：用于将所述全方位场景图像存储在工程车上，并通过无线网络传回设备服务器进行分析；

缺陷识别模块：用于通过设备服务器内置的缺陷规程对所述全方位场景图像进行识别，判断是否存在轨道缺陷；

预警模块：用于将所述轨道缺陷显示在工业显示器和云平台上，并进行声光报警；

闭环自学习模块：用于对识别的轨道缺陷进行统计，并基于机器学习进行训练，根据所述训练结果，更新所述设备服务器内置的缺陷规程。

上述技术方案的原理在于：本发明的时通过摄像机采集轨道的线路场景图像，从线路轨道、轨道界限、接触网和隧道四个方面进行采集图像数据，然后基于轨道可能发生的缺陷，通过图像识别的方式识别轨道缺陷，并在识别后进行预警。本发明还引入机器学习，通过自学习的轨道缺陷识别行为，实现更精确的缺陷识别。

上述技术方案的有益效果在于：加装图像采集相机、车载智能分析发射器、声光报警器，以及网络设备，实现了对轨道及隧道进行360度无死角图像采集，以及轨道线路、隧道巡检缺陷检测；检测到缺陷时，声光报警器可发出警报声光，提醒工作人员进行现场勘查。

作为本发明的一种实施例：所述图像巡检模块包括：

相机单元：用于预先在轨道运维车上设置同步相机组，进行轨道监测；其中，

所述同步相机组由前视侵限检测相机、顶视接触网检测相机、侧向上视相机和侧向下视相机；

所述同步相机组中相机数量不低于预设最低阀值；

采集模块：用于通过所述同步相机组获取轨道图像；其中，

所述轨道图像包括：线路轨道图像、轨道界限图像、接触网图像和隧道图像；

巡检单元：用于控制所述同步相机组进行重复性的进行火车线路巡检；

场景生成单元：用于根据所述同步相机组采集的轨道图像进行场景搭建，构成全方位场景图像。

上述技术方案的原理在于：本发明在图像巡检方面，通过设置同步的相机进行图像采集，相机包括四种，前视侵限检测相机、顶视接触网检测相机、侧向上视相机和侧向下视相机。而相机数量的预设最低阀值为10；通过采集的图像进行融合，构成最后的全方位场景图像。

上述技术方案的有益效果在于：通过生成全方位场景图像，可以360°无死角的观察轨道线路上是否存在轨道缺陷。

作为本发明的一种实施例：所述图像巡检模块还包括以下步骤：

步骤1：设置巡检时间，并通过下式确定巡检时间内采集的轨道图像的综合图像特征：

其中，X_t表示t时刻的线路轨道图像特征；J_t表示t时刻的轨道界限图像特征；W_t表示t时刻的接触网图像特征；D_t表示t时刻的隧道图像特征；T表示巡检时间；Z表示t时刻时获取的图像帧数；t表示巡检的时刻；步骤1中，为了计算综合图像特征，本发明分别将不同摄像机采集的图像进行综合计算，生成总图像特征。

步骤2：用于根据所述同步相机组，确定每一时刻每种相机的实际采集特征：

其中，a_t表示t时刻的前视侵限检测相机采集的前视数据特征；b_t表示t时刻的顶视接触网检测相机采集的顶视数据特征；c_t表示t时刻的侧向上视相机采集的侧上数据特征；d_t表示t时刻的侧向下视相机采集的侧下数据特征；Z₁表示前视侵限检测相机t时刻时获取的图像帧数；Z₂表示顶视接触网检测相机t时刻时获取的图像帧数；Z₃表示侧向上视相机t时刻时获取的图像帧数；Z₄表示侧向下视相机t时刻时获取的图像帧数；

在步骤2中，本发明为了判断摄像状况计算每一种相机在同一时刻采集的特征，用于将每一时刻相机的工作更加清晰，更容易进行数据处理。

步骤3：根据所述实际采集特征和综合图像特征，通过下式判判断巡检数据是否完全：

其中，[γ_min～γ_max]为数据完全的判断阈值区间；当P∈[γ_min～γ_max]时，表述巡检的数据完全；当

时，表述巡检的数据不完全。

上述技术方案的原理在于：本发明通过对预设时间内应该采集的图像特征和实际采集的图像特征进行分别建模，来反馈图像采集的实际特点和理想特点。最后通过对比，判断是不是轨道的每个地方都采集到了数据。

上述技术方案的有益效果在于：本发明通过判断数据采集的全面性，来对数据进行分析，进而得到更加精确的分析结果。

作为本发明的一种实施例：所述数据处理模块包括：

数据传输单元：用于通过预设的交换机进行数据传输；其中，

所述数据传输包括：同步相机组对工程车上的车载智能分析服务器进行数据传输和车载智能分析服务器对云平台进行数据传输；

网络单元：用于通过云平台的第一交换机和工程车上的第二交换机组成通信网络；其中，

所述通信网络包括：无线网络和有线网络。

上述技术方案的原理在于：数据处理上，本发明将数据传输到工程车上的车载智能分析服务器进行分析，并传输到云平台。构建的无线网络主要是和外界互通。

上述技术方案的有益效果在于：本发明能够快速进行轨道缺陷分析，因为车载智能分析服务器在功能车上，对于缺陷工程运维人员可以及时检修。

作为本发明的一种实施例：所述数据处理模块，还包括：

链路单元：用于在进行轨道线路自动巡检时，监控所述无线网络的工作路径的状态信息，并形成链路和工作路径的相关二部图，确定数据传输的链路集合；

检测单元：用于在所述链路集合的每一条链路上发送检测报文，并在每一条链路的末端设置报文接收点；

链路信息单元：用于根据所述报文接收点接收的报文信息，判断每条传输链路的具体状态信息；

判断单元：用于根据所述具体状态信息，判断数据链路是否连通；其中，

所述连通的数据链路符合下式：

其中，

表示第j条链路在矢量方向为u→v时的矢量参数；

表示第j条链路在矢量方向为v→u时的矢量参数；M_max表示链路数量的最大传输系数；M_min表示链路数量的最小传输系数；x_uv表示第j条链路在矢量方向为u→v时的实际矢量参数；j∈L表示第j条链路属于传输链路。

上述技术方案的原理在于：本发明的无线网络会建立多条数据链路，这些数据链路会通过报文来判断是不是存在没有连通的数据链路，进而通过连通的链路进行数据传输。

上述技术方案的有益效果在于：本发明能判断数据链路是否连通，然后根据数据链路进行数据传输，保证数据传输的及时性和有效性。

作为本发明的一种实施例：所述缺陷识别模块包括：

缺陷规程设置单元：用于预先设置确定轨道线路的缺陷数据，并进行缺陷分类；

规程设置单元：用于根据所述缺陷分类，按照缺陷类型设置缺陷规程：其中，

所述缺陷规程包括：线路缺陷规程、接触网缺陷规程、隧道缺陷规程和轨道障碍物缺陷规程；

模型构建单元：用于根据所述缺陷规程和全方位场景图像，构建基于神经网络模型的缺陷识别模型；

识别单元：用于将所述全方位场景图像导入所述缺陷识别模型，输出缺陷信息。

上述技术方案的原理在于：本发明通过设置缺陷规程，就是缺陷识别的规格，基于那些因素判断轨道是不是存在缺陷，进而输出对应的缺陷信息。

上述技术方案的有益效果在于：本发明根据全方位场景图象进行场景识别，因为是基于场景的识别，所以能够更加精确的识别轨道缺陷。

作为本发明的一种实施例：所述陷识别模块还包括：

线路缺陷识别单元：用于根据所述全方位场景图像，对轨道线路进行识别，判断是否发生线路缺陷；其中，

所述线路缺陷包括：钢轨裂纹、钢轨擦伤、钢轨缺损、扣配件缺失；

接触网缺陷识别单元：用于根据所述全方位场景图像，对接触网进行识别，判断是否发生接触网缺陷；其中，

所述接触网缺陷包括：接触网烧损、接触网断股、接触网散股和定位起脱落；

隧道缺陷识别单元：用于根据所述全方位场景图像，对隧道进行识别，判断是否发生隧道缺陷；其中，

所述隧道缺陷包括：隧道主体结构缺陷、隧道表面裂缝和隧道渗漏水；

轨道障碍物侵限识别单元：用于根据所述全方位场景图像，对轨道侵限内的物体进行识别，判断是否存在障碍物。

上述技术方案的原理在于：本发明的轨道缺陷分为，轨道线路、接触网、隧道和障碍物四个方面实现缺陷识别，这些缺陷识别都是基于全方位场景图像。

上述技术方案的有益效果在于：用于将轨道缺陷进行清晰化，进而实现快速且清晰的识别。

作为本发明的一种实施例：所述缺陷识别模块判断是否存在缺陷，包括如下步骤：

步骤10：用于预先获取轨道缺陷数据，构建缺陷特征模型：

其中，β_i表示第i个轨道缺陷的缺陷特征；δ_i表示第i个轨道缺陷的权重；ρ_i表示第i个轨道缺陷的类型；μ_i表示第i个轨道缺陷的像素级的缺陷参数；i＝1，2，3……n；n表示轨道缺陷的总个数；

步骤20：根据所述全方位场景图像，构建图像识别模型：

其中，y_j表示全方位场景图像第j个像素点的像素特征；G_j表示全方位场景图像第j个像素点的位置参数；K_j表示全方位场景图像第j个像素点的同类型像素点的识别参数；ξ表示同类型像素点的识别系数；S表示全方位场景图像的面积；V_j表示全方位场景图像第j个像素点的异常参数；

步骤30：根据所述图像识别模型和缺陷特征模型，通过下式判断全方位场景图像中是否存在缺陷：

其中，f(i，j)表示第i个轨道缺陷和第j个像素点的复合函数；α(i)表示第i个轨道缺陷的识别函数；d(j)全方位场景图像第j个像素点识别函数；C＝3时，表示全方位场景图像中不存在缺陷；C＜3时，表示全方位场景图像中存在缺陷。

上述技术方案的原理在于：本发明在进行缺陷识别的时候采用了对比的方式，因此，首先建立缺陷特征模型，将所有可能出现的缺陷进行统计，建模。此时，只要轨道缺陷在缺陷特征模型之内都能发现。然后建立图像识别模型，图像识别的目的是识别图像中的各种信息，然后将图像识别的结果和可能出现的缺陷带入回归函数，判断出是否存在缺陷。

作为本发明的一种实施例：所述预警模块包括：

显示单元：用于将在所述轨道缺陷被识别之后，将对应的轨道缺陷显示在工程车的工业显示器上；

可视化单元：用于对得到的缺陷数据进行统计，并生成可视化图表，并通过工程车的工业显示器进行显示；

报警单元：用于在所述工业显示器，对应生成光电报警。

上述技术方案的原理在于：本发明产生的轨道缺陷需要进行显示，因此，设置了工业显示器。又因为需要进行缺陷分析，所以设置可可视化图表，便于进行数据统计，并通过报警单元提醒运维人员进行维修轨道缺陷。

作为本发明的一种实施例：所述闭环自学习模块：

统计单元：用于对识别的轨道缺陷对应的图片和未能识别的轨道缺陷的图片进行统计，生成统计表；

标记单元：用于对所述未能识别的轨道缺陷的图片进行标记，并设定为训练数据；

训练单元：用于将所述训练数据输入预设的样本训练机器进行自动学习，并输出学习结果；

更新单元：用于根据所述训练结果，生成更新程序包，并通过所述更新程序包更新所述设备服务器内置的缺陷规程。

上述技术方案的原理在于：因为轨道缺陷会出现一些不可预料的缺陷，这是机器无法发现的，机器只能对比现有缺陷，所以本发明会通过机器学习和标记不能识别的轨道缺陷图片，通过机器学习的训练将不能识别的轨道缺陷更新在设备服务器中。

上述技术方案的有益效果在于：本发明具有自学习功能，能够实现自学习，对没有发现的轨道缺陷进行更新。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种基于智能图像处理的轨道线路自动巡检系统，其特征在于，包括：

图像巡检模块：用于通过同步相机组对火车的线路场景进行图像采集，获取全方位场景图像；

数据处理模块：用于将所述全方位场景图像存储在工程车上，并通过无线网络传回设备服务器进行分析；

缺陷识别模块：用于通过设备服务器内置的缺陷规程对所述全方位场景图像进行识别，判断是否存在轨道缺陷；

预警模块：用于将所述轨道缺陷显示在工业显示器和云平台上，并进行声光报警；

闭环自学习模块：用于对识别的轨道缺陷进行统计，并基于机器学习进行训练，根据训练结果，更新所述设备服务器内置的缺陷规程；

所述数据处理模块，还包括：

链路单元：用于在进行轨道线路自动巡检时，监控所述无线网络的工作路径的状态信息，并形成链路和工作路径的相关二部图，确定数据传输的链路集合；

检测单元：用于在所述链路集合的每一条链路上发送检测报文，并在每一条链路的末端设置报文接收点；

链路信息单元：用于根据所述报文接收点接收的报文信息，判断每条传输链路的具体状态信息；

判断单元：用于根据所述具体状态信息，判断数据链路是否连通；其中，

所述连通的数据链路符合下式：

其中，

表示第j条链路在矢量方向为u→v时的矢量参数；

表示第j条链路在矢量方向为v→u时的矢量参数；M_max表示链路数量的最大传输系数；M_min表示链路数量的最小传输系数；x_uv表示第j条链路在矢量方向为u→v时的实际矢量参数；j∈L表示第j条链路属于传输链路。

2.如权利要求1所述的一种基于智能图像处理的轨道线路自动巡检系统，其特征在于，所述图像巡检模块包括：

相机单元：用于预先在轨道运维车上设置同步相机组，进行轨道监测；其中，

所述同步相机组由前视侵限检测相机、顶视接触网检测相机、侧向上视相机和侧向下视相机；

所述同步相机组中相机数量不低于预设最低阀值；

采集模块：用于通过所述同步相机组获取轨道图像；其中，

所述轨道图像包括：线路轨道图像、轨道界限图像、接触网图像和隧道图像；

巡检单元：用于控制所述同步相机组进行重复性的进行火车线路巡检；

场景生成单元：用于根据所述同步相机组采集的轨道图像进行场景搭建，构成全方位场景图像。

3.如权利要求1所述的一种基于智能图像处理的轨道线路自动巡检系统，其特征在于，所述图像巡检模块还包括以下步骤：

步骤1：设置巡检时间，并通过下式确定巡检时间内采集的轨道图像的综合图像特征：

其中，X_t表示t时刻的线路轨道图像特征；J_t表示t时刻的轨道界限图像特征；W_t表示t时刻的接触网图像特征；D_t表示t时刻的隧道图像特征；T表示巡检时间；Z表示t时刻时获取的图像帧数；t表示巡检的时刻；

步骤2：用于根据所述同步相机组，确定每一时刻每种相机的实际采集特征：

其中，a_t表示t时刻的前视侵限检测相机采集的前视数据特征；b_t表示t时刻的顶视接触网检测相机采集的顶视数据特征；c_t表示t时刻的侧向上视相机采集的侧上数据特征；d_t表示t时刻的侧向下视相机采集的侧下数据特征；Z₁表示前视侵限检测相机t时刻时获取的图像帧数；Z₂表示顶视接触网检测相机t时刻时获取的图像帧数；Z₃表示侧向上视相机t时刻时获取的图像帧数；Z₄表示侧向下视相机t时刻时获取的图像帧数；

步骤3：根据所述实际采集特征和综合图像特征，通过下式判判断巡检数据是否完全：

其中，[γ_min～γ_max]为数据完全的判断阈值区间；当P∈[γ_min～γ_max]时，表述巡检的数据完全；当

时，表述巡检的数据不完全。

4.如权利要求1所述的一种基于智能图像处理的轨道线路自动巡检系统，其特征在于，所述数据处理模块包括：

数据传输单元：用于通过预设的交换机进行数据传输；其中，

所述数据传输包括：同步相机组对工程车上的车载智能分析服务器进行数据传输和车载智能分析服务器对云平台进行数据传输；

网络单元：用于通过云平台的第一交换机和工程车上的第二交换机组成通信网络；其中，

所述通信网络包括：无线网络和有线网络。

5.如权利要求1所述的一种基于智能图像处理的轨道线路自动巡检系统，其特征在于，所述缺陷识别模块包括：

缺陷规程设置单元：用于预先设置确定轨道线路的缺陷数据，并进行缺陷分类；

规程设置单元：用于根据所述缺陷分类，按照缺陷类型设置缺陷规程：其中，

所述缺陷规程包括：线路缺陷规程、接触网缺陷规程、隧道缺陷规程和轨道障碍物缺陷规程；

模型构建单元：用于根据所述缺陷规程和全方位场景图像，构建基于神经网络模型的缺陷识别模型；

识别单元：用于将所述全方位场景图像导入所述缺陷识别模型，输出缺陷信息。

6.如权利要求1所述的一种基于智能图像处理的轨道线路自动巡检系统，其特征在于，所述陷识别模块还包括：

线路缺陷识别单元：用于根据所述全方位场景图像，对轨道线路进行识别，判断是否发生线路缺陷；其中，

所述线路缺陷包括：钢轨裂纹、钢轨擦伤、钢轨缺损、扣配件缺失；

接触网缺陷识别单元：用于根据所述全方位场景图像，对接触网进行识别，判断是否发生接触网缺陷；其中，

所述接触网缺陷包括：接触网烧损、接触网断股、接触网散股和定位起脱落；

隧道缺陷识别单元：用于根据所述全方位场景图像，对隧道进行识别，判断是否发生隧道缺陷；其中，

所述隧道缺陷包括：隧道主体结构缺陷、隧道表面裂缝和隧道渗漏水；

轨道障碍物侵限识别单元：用于根据所述全方位场景图像，对轨道侵限内的物体进行识别，判断是否存在障碍物。

7.如权利要求1所述的一种基于智能图像处理的轨道线路自动巡检系统，其特征在于，所述缺陷识别模块判断是否存在缺陷，包括如下步骤：

步骤10：用于预先获取轨道缺陷数据，构建缺陷特征模型：

其中，β_i表示第i个轨道缺陷的缺陷特征；δ_i表示第i个轨道缺陷的权重；ρ_i表示第i个轨道缺陷的类型；μ_i表示第i个轨道缺陷的像素级的缺陷参数；i＝1，2，3……n；n表示轨道缺陷的总个数；

步骤20：根据所述全方位场景图像，构建图像识别模型：

其中，y_j表示全方位场景图像第j个像素点的像素特征；G_j表示全方位场景图像第j个像素点的位置参数；K_j表示全方位场景图像第j个像素点的同类型像素点的识别参数；ξ表示同类型像素点的识别系数；S表示全方位场景图像的面积；V_j表示全方位场景图像第j个像素点的异常参数；

步骤30：根据所述图像识别模型和缺陷特征模型，通过下式判断全方位场景图像中是否存在缺陷：

其中，f(i，j)表示第i个轨道缺陷和第j个像素点的复合函数；α(i)表示第i个轨道缺陷的识别函数；d(j)全方位场景图像第j个像素点识别函数；C＝3时，表示全方位场景图像中不存在缺陷；C＜3时，表示全方位场景图像中存在缺陷。

8.如权利要求1所述的一种基于智能图像处理的轨道线路自动巡检系统，其特征在于，所述预警模块包括：

显示单元：用于将在所述轨道缺陷被识别之后，将对应的轨道缺陷显示在工程车的工业显示器上；

可视化单元：用于对得到的缺陷数据进行统计，并生成可视化图表，并通过工程车的工业显示器进行显示；

报警单元：用于在所述工业显示器，对应生成光电报警。

9.如权利要求1所述的一种基于智能图像处理的轨道线路自动巡检系统，其特征在于，所述闭环自学习模块：

统计单元：用于对识别的轨道缺陷对应的图片和未能识别的轨道缺陷的图片进行统计，生成统计表；

标记单元：用于对所述未能识别的轨道缺陷的图片进行标记，并设定为训练数据；

训练单元：用于将所述训练数据输入预设的样本训练机器进行自动学习，并输出学习结果；

更新单元：用于根据所述训练结果，生成更新程序包，并通过所述更新程序包更新所述设备服务器内置的缺陷规程。

Images