CN114937040A - 轨道交通车辆段的列车巡检方法、装置、系统及存储介质 - Google Patents
轨道交通车辆段的列车巡检方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN114937040A CN114937040A CN202210865898.3A CN202210865898A CN114937040A CN 114937040 A CN114937040 A CN 114937040A CN 202210865898 A CN202210865898 A CN 202210865898A CN 114937040 A CN114937040 A CN 114937040A
- Authority
- CN
- China
- Prior art keywords
- train
- equipment
- image
- image set
- unmanned aerial
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/145—Indicating the presence of current or voltage
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明涉及远程图像处理领域,公开了一种轨道交通车辆段的列车巡检方法、装置、系统及存储介质,用于提高在轨道交通车辆段对列车的巡检效率。轨道交通车辆段的列车巡检方法包括:读取列车巡检指令并发送至无人机,列车巡检指令用于控制无人机根据巡检路线对目标列车进行巡检;获取无人机发送的列车设备图像集,并调用设备识别模型进行设备故障识别;若存在匹配图像,则确定列车设备图像集中的设备存在故障;当无人机根据巡检路线完成巡检时,读取通电检测指令,并将通电检测指令发送至无人机;获取无人机发送的目标接触网的第一隔离开关图像集,若第一隔离开关图像集中每张第一隔离开关图像都符合预设通电条件,则确定目标接触网处于通电状态。
Description
技术领域
本发明涉及远程图像处理领域,尤其涉及一种轨道交通车辆段的列车巡检方法、装置、系统及存储介质。
背景技术
轨道交通车辆段是城市轨道交通系统中对列车进行运用管理、停放及维修保养的场所,是列车停运以后的归属地。当前,轨道交通车辆段检修作业的设备巡查方式有:人工方式和智能机器人方式,其中,人工方式是由作业人员按照任务,沿检修线路走动,逐个巡查检验完成,智能机器人方式是通过陆地机器人或者导轨式机器人,沿着固定的轨道或者地面上规划线路执行任务,拍摄、监控现场环境。
但是,人工方式消耗人工成本大且效率低,导轨式机器人需要安装轨道,机器人路线固定,不易改变且只能延地面或者墙面等支撑才可以运行,地面机器人在活动区域中只能在地面行走,空中区域、高处区域不易到达、作业范围受限,以上三种方式都不易查看到空中设备的情况,从而导致在轨道交通车辆段对列车的巡检效率较低。
发明内容
本发明提供了一种轨道交通车辆段的列车巡检方法、装置、系统及存储介质,用于提高在轨道交通车辆段对列车的巡检效率。
本发明第一方面提供了一种轨道交通车辆段的列车巡检方法,包括:读取列车巡检指令,并将所述列车巡检指令发送至预置的无人机,所述列车巡检指令用于控制所述无人机根据预置的巡检路线对在轨道交通车辆段的目标列车进行巡检,所述轨道交通车辆段对应的目标接触网处于断电状态;获取所述无人机发送的所述目标列车的列车设备图像集,并调用预置的设备识别模型对所述列车设备图像集进行设备故障识别,所述列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像;若所述列车设备图像集中存在匹配图像,则确定所述列车设备图像集中对应的设备存在故障,所述匹配图像用于指示与预置的设备故障图像库中故障模板图像相匹配的图像;当所述无人机根据所述巡检路线完成巡检时,读取通电检测指令,并将所述通电检测指令发送至所述无人机,所述通电检测指令用于控制所述无人机对所述目标接触网进行通电检测;获取所述无人机发送的所述目标接触网的第一隔离开关图像集,若所述第一隔离开关图像集中每张第一隔离开关图像都符合预设通电条件,则确定所述目标接触网处于通电状态,所述预设通电条件用于指示第一隔离开关图像对应的隔离开关处于关闭状态。
在一种可行的实施方式中,在所述读取列车巡检指令之前,还包括:读取断电检测指令,并将所述断电检测指令发送至所述无人机,所述断电检测指令用于控制所述无人机对所述目标接触网进行断电检测;获取所述无人机发送的所述目标接触网的第二隔离开关图像集,若所述第二隔离开关图像集中每张第二隔离开关图像都符合预设断电条件,则确定所述目标接触网处于断电状态,所述预设断电条件用于指示第二隔离开关图像对应的隔离开关处于开启状态。
在一种可行的实施方式中,在所述读取断电检测指令之前,还包括:读取三维建模指令,并基于所述三维建模指令获取三维建模数据,所述三维建模数据包括预设检修区域对应的倾斜摄影图像集和三维扫描数据,所述预设检修区域包括所述轨道交通车辆段和所述目标列车;基于所述三维建模数据进行三维建模,生成目标三维模型,所述目标三维模型包括所述轨道交通车辆段对应的车辆段模型和所述目标列车对应的列车模型;获取所述列车模型对应的多个检修点位置信息,并基于所述车辆段模型、所述列车模型和所述多个检修点位置信息,生成巡检路线。
在一种可行的实施方式中,所述读取三维建模指令,并基于所述三维建模指令获取三维建模数据,所述三维建模数据包括预设检修区域对应的倾斜摄影图像集和三维扫描数据,包括:读取三维建模指令,并将所述三维建模指令发送至所述无人机,所述三维建模指令用于控制所述无人机在所述轨道交通车辆段的上空对预设检修区域进行倾斜摄影;获取所述无人机发送的所述预设检修区域对应的倾斜摄影图像集;将所述三维建模指令发送至预置的地面三维扫描设备,所述三维建模指令用于控制所述地面三维扫描设备对所述预设检修区域进行三维扫描;获取所述地面三维扫描设备发送的所述预设检修区域对应的三维扫描数据。
在一种可行的实施方式中,在所述读取三维建模指令之前,还包括:获取初始图像集,所述初始图像集包括多张历史车底设备故障图像、多张历史车体设备故障图像、多张历史车顶设备故障图像、多张第一历史隔离开关图像和多张第二历史隔离开关图像,每张第一历史隔离开关图像中隔离开关的闸刀处于分位,每张第二历史隔离开关图像中隔离开关的闸刀处于合位;对所述初始图像集进行预处理,得到训练图像集,所述预处理包括特征提取和标记;基于所述训练图像集对预设模型进行训练,生成设备识别模型。
在一种可行的实施方式中,所述获取所述无人机发送的所述目标列车的列车设备图像集,并调用预置的设备识别模型对所述列车设备图像集进行设备故障识别,所述列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像,包括:获取所述无人机发送的所述目标列车的列车设备图像集,所述列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像;通过预置的设备识别模型对所述列车设备图像集中的每张设备图像进行目标检测,生成每张设备图像对应的设备位置框;判断每张设备图像对应的设备位置框是否与对应的故障模板图像中设备故障位置框一致;若所述列车设备图像集中目标设备图像对应的设备位置框与对应的目标故障模板图像中设备故障位置框一致,则确定所述列车设备图像集中所述目标设备图像与预置的设备故障图像库中所述目标故障模板图像匹配。
在一种可行的实施方式中,所述获取所述无人机发送的所述目标接触网的第一隔离开关图像集,若所述第一隔离开关图像集中每张第一隔离开关图像都符合预设通电条件,则确定所述目标接触网处于通电状态,所述预设通电条件用于指示第一隔离开关图像对应的隔离开关处于关闭状态,包括:获取所述无人机发送的所述目标接触网的第一隔离开关图像集;判断所述第一隔离开关图像集中的每张第一隔离开关图像中隔离开关的闸刀是否处于分位;若每张第一隔离开关图像中隔离开关的闸刀处于分位,则确定所述第一隔离开关图像集对应的每个隔离开关都处于关闭状态;若所述第一隔离开关图像集对应的每个隔离开关都处于关闭状态,则确定所述目标接触网处于通电状态。
本发明第二方面提供了一种轨道交通车辆段的列车巡检装置,包括:获取发送模块,用于读取列车巡检指令,并将所述列车巡检指令发送至预置的无人机,所述列车巡检指令用于控制所述无人机根据预置的巡检路线对在轨道交通车辆段的目标列车进行巡检,所述轨道交通车辆段对应的目标接触网处于断电状态;获取识别模块,用于获取所述无人机发送的所述目标列车的列车设备图像集,并调用预置的设备识别模型对所述列车设备图像集进行设备故障识别,所述列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像;故障确定模块,用于若所述列车设备图像集中存在匹配图像,则确定所述列车设备图像集中对应的设备存在故障,所述匹配图像用于指示与预置的设备故障图像库中故障模板图像相匹配的图像;通电检测模块,用于当所述无人机根据所述巡检路线完成巡检时,读取通电检测指令,并将所述通电检测指令发送至所述无人机,所述通电检测指令用于控制所述无人机对所述目标接触网进行通电检测;通电确定模块,用于获取所述无人机发送的所述目标接触网的第一隔离开关图像集,若所述第一隔离开关图像集中每张第一隔离开关图像都符合预设通电条件,则确定所述目标接触网处于通电状态,所述预设通电条件用于指示第一隔离开关图像对应的隔离开关处于关闭状态。
在一种可行的实施方式中,所述轨道交通车辆段的列车巡检装置还包括:断电检测模块,用于读取断电检测指令,并将所述断电检测指令发送至所述无人机,所述断电检测指令用于控制所述无人机对所述目标接触网进行断电检测;断电确定模块,用于获取所述无人机发送的所述目标接触网的第二隔离开关图像集,若所述第二隔离开关图像集中每张第二隔离开关图像都符合预设断电条件,则确定所述目标接触网处于断电状态,所述预设断电条件用于指示第二隔离开关图像对应的隔离开关处于开启状态。
在一种可行的实施方式中,所述轨道交通车辆段的列车巡检装置还包括:建模数据获取模块,用于读取三维建模指令,并基于所述三维建模指令获取三维建模数据,所述三维建模数据包括预设检修区域对应的倾斜摄影图像集和三维扫描数据,所述预设检修区域包括所述轨道交通车辆段和所述目标列车;三维模型生成模块,用于基于所述三维建模数据进行三维建模,生成目标三维模型,所述目标三维模型包括所述轨道交通车辆段对应的车辆段模型和所述目标列车对应的列车模型;巡检路线生成模块,用于获取所述列车模型对应的多个检修点位置信息,并基于所述车辆段模型、所述列车模型和所述多个检修点位置信息,生成巡检路线。
在一种可行的实施方式中,所述建模数据获取模块具体用于:读取三维建模指令,并将所述三维建模指令发送至所述无人机,所述三维建模指令用于控制所述无人机在所述轨道交通车辆段的上空对预设检修区域进行倾斜摄影;获取所述无人机发送的所述预设检修区域对应的倾斜摄影图像集;将所述三维建模指令发送至预置的地面三维扫描设备,所述三维建模指令用于控制所述地面三维扫描设备对所述预设检修区域进行三维扫描;获取所述地面三维扫描设备发送的所述预设检修区域对应的三维扫描数据。
在一种可行的实施方式中,所述轨道交通车辆段的列车巡检装置还包括:图像获取模块,用于获取初始图像集,所述初始图像集包括多张历史车底设备故障图像、多张历史车体设备故障图像、多张历史车顶设备故障图像、多张第一历史隔离开关图像和多张第二历史隔离开关图像,每张第一历史隔离开关图像中隔离开关的闸刀处于分位,每张第二历史隔离开关图像中隔离开关的闸刀处于合位;预处理模块,用于对所述初始图像集进行预处理,得到训练图像集,所述预处理包括特征提取和标记;模型训练模块,用于基于所述训练图像集对预设模型进行训练,生成设备识别模型。
在一种可行的实施方式中,所述获取识别模块具体用于:获取所述无人机发送的所述目标列车的列车设备图像集,所述列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像;通过预置的设备识别模型对所述列车设备图像集中的每张设备图像进行目标检测,生成每张设备图像对应的设备位置框;判断每张设备图像对应的设备位置框是否与对应的故障模板图像中设备故障位置框一致;若所述列车设备图像集中目标设备图像对应的设备位置框与对应的目标故障模板图像中设备故障位置框一致,则确定所述列车设备图像集中所述目标设备图像与预置的设备故障图像库中所述目标故障模板图像匹配。
在一种可行的实施方式中,所述通电确定模块具体用于:获取所述无人机发送的所述目标接触网的第一隔离开关图像集;判断所述第一隔离开关图像集中的每张第一隔离开关图像中隔离开关的闸刀是否处于分位;若每张第一隔离开关图像中隔离开关的闸刀处于分位,则确定所述第一隔离开关图像集对应的每个隔离开关都处于关闭状态;若所述第一隔离开关图像集对应的每个隔离开关都处于关闭状态,则确定所述目标接触网处于通电状态。
本发明第三方面提供了一种轨道交通车辆段的列车巡检系统,所述轨道交通车辆段的列车巡检系统包括:无人机、地面三维扫描设备和控制管理系统,所述控制管理系统用于控制所述无人机和所述地面三维扫描设备;
所述控制管理系统包括存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述轨道交通车辆段的列车巡检系统执行上述的轨道交通车辆段的列车巡检方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的轨道交通车辆段的列车巡检方法。
本发明提供的技术方案中,读取列车巡检指令,并将列车巡检指令发送至预置的无人机,列车巡检指令用于控制无人机根据预置的巡检路线对在轨道交通车辆段的目标列车进行巡检,轨道交通车辆段对应的目标接触网处于断电状态;获取无人机发送的目标列车的列车设备图像集,并调用预置的设备识别模型对列车设备图像集进行设备故障识别,列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像;若列车设备图像集中存在匹配图像,则确定列车设备图像集中对应的设备存在故障,匹配图像用于指示与预置的设备故障图像库中故障模板图像相匹配的图像;当无人机根据巡检路线完成巡检时,读取通电检测指令,并将通电检测指令发送至无人机,通电检测指令用于控制无人机对目标接触网进行通电检测;获取无人机发送的目标接触网的第一隔离开关图像集,若第一隔离开关图像集中每张第一隔离开关图像都符合预设通电条件,则确定目标接触网处于通电状态,预设通电条件用于指示第一隔离开关图像对应的隔离开关处于关闭状态。本发明实施例中,基于预设巡检路线,通过无人机对在轨道交通车辆段的目标列车进行巡检,获取无人机发送的目标列车的列车设备图像集,对列车设备图像集进行设备故障识别,从而确定目标列车的设备是否存在故障,当无人机完成巡检时,通过无人机对轨道交通车辆段的目标接触网进行通电检测,从而确定目标接触网是否处于通电状态,通过无人机执行巡检任务,减少了检修人员前往轨道交通车辆段的路程成本,提高了在轨道交通车辆段对列车的巡检效率。
附图说明
图1为本发明实施例中轨道交通车辆段的列车巡检方法的一个实施例示意图;
图2为本发明实施例中轨道交通车辆段的列车巡检方法的另一个实施例示意图;
图3为本发明实施例中轨道交通车辆段的列车巡检方法的另一个实施例示意图;
图4为本发明实施例中轨道交通车辆段的列车巡检装置的一个实施例示意图;
图5为本发明实施例中轨道交通车辆段的列车巡检装置的另一个实施例示意图;
图6为本发明实施例中轨道交通车辆段的列车巡检系统的一个实施例示意图;
图7为本发明实施例中控制管理系统的一个实施例示意图。
具体实施方式
本发明提供了一种轨道交通车辆段的列车巡检方法、装置、系统及存储介质,用于提高在轨道交通车辆段对列车的巡检效率。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中轨道交通车辆段的列车巡检方法的一个实施例包括:
101、读取列车巡检指令,并将列车巡检指令发送至预置的无人机,列车巡检指令用于控制无人机根据预置的巡检路线对在轨道交通车辆段的目标列车进行巡检,轨道交通车辆段对应的目标接触网处于断电状态;
可以理解的是,本发明的执行主体可以为轨道交通车辆段的列车巡检装置,还可以是服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
当服务器读取列车巡检指令时,服务器控制断电接地设备对轨道交通车辆段对应的目标接触网进行断电接地操作,当断电接地操作完成时,轨道交通车辆段对应的目标接触网处于断电状态。
当无人机接收到列车巡检指令时,无人机进行自检操作、刷新返航点、实时差分定位(Real-time kinematic,RTK)信号判断、启用避障功能,其中,实时差分定位是一种能够在野外实时获取厘米级精度定位的测量方式。
102、获取无人机发送的目标列车的列车设备图像集,并调用预置的设备识别模型对列车设备图像集进行设备故障识别,列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像;
列车设备包括车底设备、车体设备和车顶设备,其中,车底设备包括构架、悬挂装置、中央牵引装置、轴箱装置、齿轮箱、轮对、轮缘润滑装置、风源装置、风管路、风缸模块、Ep2002阀、液压箱(AB)、牵引辅助箱(PA)、牵引高压箱(PH)、电抗器箱、主熔断器箱、应急通风逆变器箱、辅助压缩机模块、牵引电机、制动电阻、大小蓄电池箱、直流电电压24伏(DC24V)电源模块、车端连接器、车钩等等,其中,Ep2002阀的核心部件是三个机电一体化的电磁阀,即智能阀(smart valve)、远程输入/输出阀(RIO valve)和网关阀(gatewayvalve)。智能阀是机电一体化的产品,包括一个安装在气阀上的电子控制部件。智能阀产生电控制动信号直接控制气阀,对转向架的电控制动和车轮滑行进行控制。RIO valve阀除具有智能阀的所有功能外,还可以通过硬线与其控制的转向架上的牵引控制单元进行通信,使电制动和空气制动协调工作。网关阀除具有RIO valve阀的功能外,还具有制动管理的功能。车体设备包括贯通道、车体和车门等等。车顶设备包括受电弓、车体车顶和空调等等。
103、若列车设备图像集中存在匹配图像,则确定列车设备图像集中对应的设备存在故障,匹配图像用于指示与预置的设备故障图像库中故障模板图像相匹配的图像;
例如,若列车设备图像集中的多张车底设备图像存在目标悬挂装置图像与预置的设备故障图像库中的悬挂装置故障模板图像匹配,则服务器确定列车设备图像集中目标悬挂装置存在故障。
104、当无人机根据巡检路线完成巡检时,读取通电检测指令,并将通电检测指令发送至无人机,通电检测指令用于控制无人机对目标接触网进行通电检测;
当无人机根据巡检路线完成巡检时,服务器控制通电设备对轨道交通车辆段对应的目标接触网进行通电操作,并控制无人机对目标接触网进行通电状态的检测,判断目标接触网是否处于通电状态。
105、获取无人机发送的目标接触网的第一隔离开关图像集,若第一隔离开关图像集中每张第一隔离开关图像都符合预设通电条件,则确定目标接触网处于通电状态,预设通电条件用于指示第一隔离开关图像对应的隔离开关处于关闭状态。
当无人机接收到通电检测指令时,无人机前往目标接触网对应的每个隔离开关,并对每个隔离开关进行拍摄,得到目标接触网对应的第一隔离开关图像集,服务器对无人机发送的第一隔离开关图像集进行识别,从而判断目标接触网是否处于通电状态。
本发明实施例中,基于预设巡检路线,通过无人机对在轨道交通车辆段的目标列车进行巡检,获取无人机发送的目标列车的列车设备图像集,对列车设备图像集进行设备故障识别,从而确定目标列车的设备是否存在故障,当无人机完成巡检时,通过无人机对轨道交通车辆段的目标接触网进行通电检测,从而确定目标接触网是否处于通电状态,通过无人机执行巡检任务,减少了检修人员前往轨道交通车辆段的路程成本,提高了在轨道交通车辆段对列车的巡检效率。
请参阅图2,本发明实施例中轨道交通车辆段的列车巡检方法的另一个实施例包括:
201、获取初始图像集,初始图像集包括多张历史车底设备故障图像、多张历史车体设备故障图像、多张历史车顶设备故障图像、多张第一历史隔离开关图像和多张第二历史隔离开关图像,每张第一历史隔离开关图像中隔离开关的闸刀处于分位,每张第二历史隔离开关图像中隔离开关的闸刀处于合位;
多张历史车底设备故障图像包括多张历史构架故障图像、多张历史悬挂装置故障图像、多张历史中央牵引装置故障图像、多张历史轴箱装置故障图像、多张历史齿轮箱故障图像、多张历史轮对故障图像、多张历史轮缘润滑装置故障图像等等。多张历史车体设备故障图像包括多张历史贯通道故障图像、多张历史车体故障图像和多张历史车门故障图像等等。多张历史车顶设备故障图像包括多张历史受电弓故障图像、多张历史车体车顶故障图像和多张历史空调故障图像等等。
202、对初始图像集进行预处理,得到训练图像集,预处理包括特征提取和标记;
具体的,(1)服务器对初始图像集进行特征提取,得到特征图像集,特征图像集包括多张历史车底设备故障特征图、多张历史车体设备故障特征图、多张历史车顶设备故障特征图、多张第一历史隔离开关特征图和多张第二历史隔离开关特征图,每张第一历史隔离开关特征图中隔离开关的闸刀处于分位,每张第二历史隔离开关特征图中隔离开关的闸刀处于合位;(2)服务器对特征图像集中的每张特征图像进行轮廓标记,得到训练图像集。
例如,服务器对初始图像集进行特征提取,得到特征图像集,特征图像集包括多张历史车底设备故障特征图、多张历史车体设备故障特征图、多张历史车顶设备故障特征图、多张第一历史隔离开关特征图和多张第二历史隔离开关特征图,每张第一历史隔离开关特征图中隔离开关的闸刀处于分位,每张第二历史隔离开关特征图中隔离开关的闸刀处于合位,服务器对特征图像集中的每张特征图像进行轮廓标记,得到训练图像集。
203、基于训练图像集对预设模型进行训练,生成设备识别模型;
本实施例采用卷积神经网络(Convolutional Neural Networks,CNN)作为预设模型,也可以采用其他网络作为预设模型。CNN是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。CNN具有表征学习(representation learning)能力,能够按其阶层结构对输入信息进行平移不变分类(shift-invariant classification),因此也被称为“平移不变人工神经网络(Shift-Invariant Artificial Neural Networks,SIANN)”。
204、读取三维建模指令,并基于三维建模指令获取三维建模数据,三维建模数据包括预设检修区域对应的倾斜摄影图像集和三维扫描数据,预设检修区域包括轨道交通车辆段和目标列车;
由于无人机具有独特的高空视角、高效率、高精度等优势,其特点主要在于能够更大限度地还原地面上有一定体积的物体,因此被应用于工程测绘和三维建模等业务。
无人机搭载多机摄像头,如5镜头摄像头,同时拍摄俯视角度、前视、后视、左视及右视多个画面。为了保证图片的质量,需要将航向重叠率和旁向重叠率设置在预设范围。航向重叠率的范围控制在60%~80%,而旁向重叠率设置在70%,若在建筑更密集的区域,则需要设置更高的旁向重叠率。同时,无人机搭载实时差分定位(Real-time kinematic,RTK)模块,保证采集的地理信息数据精确度,精确到“厘米”级。
当无人机接收到三维建模指令时,无人机在轨道交通车辆段的上空对轨道交通车辆段和目标列车进行倾斜摄影;当地面三维扫描设备接收到三维建模指令时,地面三维扫描设备对轨道交通车辆段和目标列车进行三维扫描。
具体的,(1)服务器读取三维建模指令,并将三维建模指令发送至无人机,三维建模指令用于控制无人机在轨道交通车辆段的上空对预设检修区域进行倾斜摄影;(2)服务器获取无人机发送的预设检修区域对应的倾斜摄影图像集;(3)服务器将三维建模指令发送至预置的地面三维扫描设备,三维建模指令用于控制地面三维扫描设备对预设检修区域进行三维扫描;(4)服务器获取地面三维扫描设备发送的预设检修区域对应的三维扫描数据。
例如,服务器读取三维建模指令,并将三维建模指令发送至无人机,三维建模指令用于控制无人机在轨道交通车辆段的上空对预设检修区域进行倾斜摄影,服务器获取无人机发送的预设检修区域对应的倾斜摄影图像集,服务器将三维建模指令发送至预置的地面三维扫描设备,三维建模指令用于控制地面三维扫描设备对预设检修区域进行三维扫描,服务器获取地面三维扫描设备发送的预设检修区域对应的三维扫描数据。
205、基于三维建模数据进行三维建模,生成目标三维模型,目标三维模型包括轨道交通车辆段对应的车辆段模型和目标列车对应的列车模型;
例如,服务器基于预设检修区域对应的倾斜摄影图像集和三维扫描数据进行三维建模,生成目标三维模型,目标三维模型包括轨道交通车辆段对应的车辆段模型和目标列车对应的列车模型,目标三维模型可以高精度还原现场场景环境、清晰地显示轨道交通车辆段和目标列车。
206、获取列车模型对应的多个检修点位置信息,并基于车辆段模型、列车模型和多个检修点位置信息,生成巡检路线;
目标三维模型通过服务器对应的前端进行展示,可以通过人工方式在前端操作鼠标、键盘上下左右按键,可以在目标三维模型中选择列车模型所需要巡检的检修点位置,得到对应的多个检修点,也可以提前获取多个检修点对应的坐标信息并在服务器的前端进行录入,同时可以设置无人机的拍摄角度、云台焦距、无人机动作(悬停、绕点飞行等),根据预设顺序对多个检修点进行排序,生成巡检路线。
需要说明的是,三维模型是在无人机进行巡检之前生成的,若存在相同的巡检路线,三维模型可重复使用。
207、读取断电检测指令,并将断电检测指令发送至无人机,断电检测指令用于控制无人机对目标接触网进行断电检测;
当无人机接收到断电检测指令时,无人机前往目标接触网对应的每个隔离开关,并对每个隔离开关进行拍摄,得到目标接触网对应的第二隔离开关图像集。
需要说明的是,在目标接触网处于断电状态下,通过无人机对目标列车进行巡检。
208、获取无人机发送的目标接触网的第二隔离开关图像集,若第二隔离开关图像集中每张第二隔离开关图像都符合预设断电条件,则确定目标接触网处于断电状态,预设断电条件用于指示第二隔离开关图像对应的隔离开关处于开启状态;
具体的,(1)服务器获取无人机发送的目标接触网的第二隔离开关图像集;(2)服务器判断第二隔离开关图像集中的每张第二隔离开关图像中隔离开关的闸刀是否处于合位;(3)若每张第二隔离开关图像中隔离开关的闸刀处于合位,则服务器确定第二隔离开关图像集对应的每个隔离开关都处于开启状态;(4)若第二隔离开关图像集对应的每个隔离开关都处于开启状态,则服务器确定目标接触网处于断电状态。
例如,服务器获取无人机发送的目标接触网的第二隔离开关图像集,服务器判断第二隔离开关图像集中的每张第二隔离开关图像中隔离开关的闸刀是否处于合位,若每张第二隔离开关图像中隔离开关的闸刀处于合位,则服务器确定第二隔离开关图像集对应的每个隔离开关都处于开启状态,若第二隔离开关图像集对应的每个隔离开关都处于开启状态,则服务器确定目标接触网处于断电状态。
209、读取列车巡检指令,并将列车巡检指令发送至预置的无人机,列车巡检指令用于控制无人机根据预置的巡检路线对在轨道交通车辆段的目标列车进行巡检,轨道交通车辆段对应的目标接触网处于断电状态;
当无人机进行巡检时,服务器对应的前端进行如下显示:(1)显示无人机当前的卫星数量、网络情况、电量信息、经纬度信息和高度信息;(2)显示轨道交通车辆段对应的车辆段模型和目标列车对应的列车模型,在三维场景上实时显示无人机飞行的位置,让在电脑前查看无人机执行巡检任务的工作人员如临其境;(3)实时播放无人机所拍摄的视频;(4)显示无人机当前检测的设备对应的设备信息和设备检测结果,设备检测结果:设备是否存在故障。
210、获取无人机发送的目标列车的列车设备图像集,并调用预置的设备识别模型对列车设备图像集进行设备故障识别,列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像;
具体的,(1)服务器获取无人机发送的目标列车的列车设备图像集,列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像;(2)服务器通过预置的设备识别模型对列车设备图像集中的每张设备图像进行目标检测,生成每张设备图像对应的设备位置框;(3)服务器判断每张设备图像对应的设备位置框是否与对应的故障模板图像中设备故障位置框一致;(4)若列车设备图像集中目标设备图像对应的设备位置框与对应的目标故障模板图像中设备故障位置框一致,则服务器确定列车设备图像集中目标设备图像与预置的设备故障图像库中目标故障模板图像匹配。
例如,服务器获取无人机发送的目标列车的列车设备图像集,列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像,服务器通过预置的设备识别模型对多张车底设备图像进行目标检测,得到每张车底设备图像对应的车底设备位置框;服务器判断每张车底设备图像对应的车底设备位置框是否与对应的车底设备故障模板图像中车底设备故障位置框一致;若多张车底设备图像中目标车底设备图像对应的车底设备位置框与对应的目标车底设备故障模板图像中车底设备故障位置框一致,则服务器确定多张车底设备图像中的目标车底设备图像与目标车底设备故障模板图像匹配。
服务器通过预置的设备识别模型对多张车体设备图像进行目标检测,得到每张车体设备图像对应的车体设备位置框;服务器判断每张车体设备图像对应的车体设备位置框是否与对应的车体设备故障模板图像中车体设备故障位置框一致;若多张车体设备图像中目标车体设备图像对应的车体设备位置框与对应的目标车体设备故障模板图像中车体设备故障位置框一致,则服务器确定多张车体设备图像中的目标车体设备图像与目标车体设备故障模板图像匹配。
服务器通过预置的设备识别模型对多张车顶设备图像进行目标检测,得到每张车顶设备图像对应的车顶设备位置框;服务器判断每张车顶设备图像对应的车顶设备位置框是否与对应的车顶设备故障模板图像中车顶设备故障位置框一致;若多张车顶设备图像中目标车顶设备图像对应的车顶设备位置框与对应的目标车顶设备故障模板图像中车顶设备故障位置框一致,则服务器确定多张车顶设备图像中的目标车顶设备图像与目标车顶设备故障模板图像匹配。
211、若列车设备图像集中存在匹配图像,则确定列车设备图像集中对应的设备存在故障,匹配图像用于指示与预置的设备故障图像库中故障模板图像相匹配的图像;
例如,若列车设备图像集中的多张车顶设备图像存在目标受电弓图像与预置的设备故障图像库中的受电弓故障模板图像匹配,则服务器确定列车设备图像集中目标受电弓存在故障。
212、当无人机根据巡检路线完成巡检时,读取通电检测指令,并将通电检测指令发送至无人机,通电检测指令用于控制无人机对目标接触网进行通电检测;
当无人机根据巡检路线完成巡检时,服务器控制通电设备对轨道交通车辆段对应的目标接触网进行通电操作,并控制无人机对目标接触网进行通电状态的检测,判断目标接触网是否处于通电状态。
213、获取无人机发送的目标接触网的第一隔离开关图像集,若第一隔离开关图像集中每张第一隔离开关图像都符合预设通电条件,则确定目标接触网处于通电状态,预设通电条件用于指示第一隔离开关图像对应的隔离开关处于关闭状态。
具体的,(1)服务器获取无人机发送的目标接触网的第一隔离开关图像集;(2)服务器判断第一隔离开关图像集中的每张第一隔离开关图像中隔离开关的闸刀是否处于分位;(3)若每张第一隔离开关图像中隔离开关的闸刀处于分位,则服务器确定第一隔离开关图像集对应的每个隔离开关都处于关闭状态;(4)若第一隔离开关图像集对应的每个隔离开关都处于关闭状态,则服务器确定目标接触网处于通电状态。
例如,服务器获取无人机发送的目标接触网的第一隔离开关图像集,服务器判断第一隔离开关图像集中的每张第一隔离开关图像中隔离开关的闸刀是否处于分位,若每张第一隔离开关图像中隔离开关的闸刀处于分位,则服务器确定第一隔离开关图像集对应的每个隔离开关都处于关闭状态,若第一隔离开关图像集对应的每个隔离开关都处于关闭状态,则服务器确定目标接触网处于通电状态。
本发明实施例中,基于预设巡检路线,通过无人机对在轨道交通车辆段的目标列车进行巡检,获取无人机发送的目标列车的列车设备图像集,对列车设备图像集进行设备故障识别,从而确定目标列车的设备是否存在故障,当无人机完成巡检时,通过无人机对轨道交通车辆段的目标接触网进行通电检测,从而确定目标接触网是否处于通电状态,通过无人机执行巡检任务,减少了检修人员前往轨道交通车辆段的路程成本,提高了在轨道交通车辆段对列车的巡检效率。
请参阅图3,本发明实施例中轨道交通车辆段的列车巡检方法的另一个实施例包括:
301、读取列车巡检指令,并将列车巡检指令发送至预置的无人机,列车巡检指令用于控制无人机根据预置的巡检路线对在轨道交通车辆段的目标列车进行巡检,轨道交通车辆段对应的目标接触网处于断电状态;
当服务器读取列车巡检指令时,服务器控制断电接地设备对轨道交通车辆段对应的目标接触网进行断电接地操作,当断电接地操作完成时,轨道交通车辆段对应的目标接触网处于断电状态。
当无人机接收到列车巡检指令时,无人机进行自检操作、刷新返航点、实时差分定位(Real-time kinematic,RTK)信号判断、启用避障功能,其中,实时差分定位是一种能够在野外实时获取厘米级精度定位的测量方式。
当无人机进行巡检时,服务器对应的前端进行如下显示:(1)显示无人机当前的卫星数量、网络情况、电量信息、经纬度信息和高度信息;(2)显示轨道交通车辆段对应的车辆段模型和目标列车对应的列车模型,在三维场景上实时显示无人机飞行的位置,让在电脑前查看无人机执行巡检任务的工作人员如临其境;(3)实时播放无人机所拍摄的视频;(4)显示无人机当前检测的设备对应的设备信息和设备检测结果,设备检测结果:设备是否存在故障。
302、获取无人机发送的目标列车的列车设备图像集,并调用预置的设备识别模型对列车设备图像集进行设备故障识别,列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像;
具体的,(1)服务器获取无人机发送的目标列车的列车设备图像集,列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像;(2)服务器通过预置的设备识别模型对列车设备图像集中的每张设备图像进行目标检测,生成每张设备图像对应的设备位置框;(3)服务器判断每张设备图像对应的设备位置框是否与对应的故障模板图像中设备故障位置框一致;(4)若列车设备图像集中目标设备图像对应的设备位置框与对应的目标故障模板图像中设备故障位置框一致,则服务器确定列车设备图像集中目标设备图像与预置的设备故障图像库中目标故障模板图像匹配。
例如,服务器获取无人机发送的目标列车的列车设备图像集,列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像,服务器通过预置的设备识别模型对多张车底设备图像进行目标检测,得到每张车底设备图像对应的车底设备位置框;服务器判断每张车底设备图像对应的车底设备位置框是否与对应的车底设备故障模板图像中车底设备故障位置框一致;若多张车底设备图像中目标车底设备图像对应的车底设备位置框与对应的目标车底设备故障模板图像中车底设备故障位置框一致,则服务器确定多张车底设备图像中的目标车底设备图像与目标车底设备故障模板图像匹配。对多张车体设备图像和多张车顶设备图像的检测与以上步骤相同,此处不再赘述。
303、若列车设备图像集中存在匹配图像,则确定列车设备图像集中对应的设备存在故障,匹配图像用于指示与预置的设备故障图像库中故障模板图像相匹配的图像;
例如,若列车设备图像集中的多张车体设备图像存在目标贯通道图像与预置的设备故障图像库中的贯通道故障模板图像匹配,则服务器确定列车设备图像集中目标贯通道存在故障。
304、当无人机根据巡检路线完成巡检时,读取通电检测指令,并将通电检测指令发送至无人机,通电检测指令用于控制无人机对目标接触网进行通电检测;
当无人机根据巡检路线完成巡检时,服务器控制通电设备对轨道交通车辆段对应的目标接触网进行通电操作,并控制无人机对目标接触网进行通电状态的检测,判断目标接触网是否处于通电状态。
305、获取无人机发送的目标接触网的第一隔离开关图像集,若第一隔离开关图像集中每张第一隔离开关图像都符合预设通电条件,则确定目标接触网处于通电状态,预设通电条件用于指示第一隔离开关图像对应的隔离开关处于关闭状态;
具体的,(1)服务器获取无人机发送的目标接触网的第一隔离开关图像集;(2)服务器判断第一隔离开关图像集中的每张第一隔离开关图像中隔离开关的闸刀是否处于分位;(3)若每张第一隔离开关图像中隔离开关的闸刀处于分位,则服务器确定第一隔离开关图像集对应的每个隔离开关都处于关闭状态;(4)若第一隔离开关图像集对应的每个隔离开关都处于关闭状态,则服务器确定目标接触网处于通电状态。
例如,服务器获取无人机发送的目标接触网的第一隔离开关图像集,服务器判断第一隔离开关图像集中的每张第一隔离开关图像中隔离开关的闸刀是否处于分位,若每张第一隔离开关图像中隔离开关的闸刀处于分位,则服务器确定第一隔离开关图像集对应的每个隔离开关都处于关闭状态,若第一隔离开关图像集对应的每个隔离开关都处于关闭状态,则服务器确定目标接触网处于通电状态。
306、若列车设备图像集中对应的设备存在故障,则基于故障设备对应的位置信息,生成预设监工巡视路线;
若列车设备图像集中对应的设备存在故障,则服务器获取故障设备对应的位置信息,并基于故障设备对应的位置信息,生成预设监工巡视路线。
307、读取监工指令,并将监工指令发送至无人机,监工指令用于控制无人机根据预设监工巡视路线对多个检修人员的检修行为进行检测;
当无人机接收到监工指令时,无人机根据预设监工巡视路线对多个检修人员进行拍摄,得到多个检修人员对应的检修行为图像集,无人机将检修行为图像集发送至服务器。
308、获取无人机发送的多个检修人员的检修行为图像集,并调用预置的检修行为识别模型对检修行为图像集进行危险行为识别;
危险行为包括不佩戴安全帽、检修时检修工具与带电设备的距离小于或等于预设第一安全距离、多人在一起进行检修作业时相互之间的距离小于或等于预设第二安全距离、不穿绝缘安全鞋等等。
具体的,(1)服务器获取无人机发送的多个检修人员的检修行为图像集;(2)服务器调用预置的检修行为识别模型对检修行为图像集中的每张检修行为图像进行特征提取,生成每张检修行为图像对应的检修行为特征图,得到多张检修行为特征图;(3)服务器判断多张检修行为特征图中的每张检修行为特征图是否与对应的预设危险行为图像的预设危险行为特征图一致;(4)若多张检修行为特征图中的目标检修行为特征图与对应的预设危险行为特征图一致,则服务器确定检修行为图像集中的目标检修行为图像与预设危险行为图像匹配。
例如,服务器获取无人机发送的多个检修人员的检修行为图像集,服务器调用预置的检修行为识别模型对检修行为图像集中的每张检修行为图像进行特征提取,生成每张检修行为图像对应的检修行为特征图,得到多张检修行为特征图,服务器判断多张检修行为特征图中的每张检修行为特征图是否与对应的预设危险行为图像的预设危险行为特征图一致,若多张检修行为特征图中的目标检修行为特征图与对应的预设危险行为特征图一致,则服务器确定检修行为图像集中的目标检修行为图像与预设危险行为图像匹配。
309、若检修行为图像集中的目标检修行为图像与预设危险行为图像匹配,则确定目标检修行为图像中的目标检修人员存在危险行为,并生成危险行为提醒信息,将危险行为提醒信息发送至提醒终端。
例如,若检修行为图像集中的目标检修行为图像与预设不戴安全帽行为图像匹配,则服务器确定目标检修行为图像中的目标检修人员存在危险行为,并生成危险行为提醒信息,将危险行为提醒信息发送至提醒终端。
本发明实施例中,基于预设巡检路线,通过无人机对在轨道交通车辆段的目标列车进行巡检,获取无人机发送的目标列车的列车设备图像集,对列车设备图像集进行设备故障识别,从而确定目标列车的设备是否存在故障,当无人机完成巡检时,通过无人机对轨道交通车辆段的目标接触网进行通电检测,从而确定目标接触网是否处于通电状态,通过无人机执行巡检任务,减少了检修人员前往轨道交通车辆段的路程成本,提高了在轨道交通车辆段对列车的巡检效率,通过无人机对检修人员的检修行为进行检测,提高了检修作业的安全性。
上面对本发明实施例中轨道交通车辆段的列车巡检方法进行了描述,下面对本发明实施例中轨道交通车辆段的列车巡检装置进行描述,请参阅图4,本发明实施例中轨道交通车辆段的列车巡检装置一个实施例包括:
获取发送模块401,用于读取列车巡检指令,并将列车巡检指令发送至预置的无人机,列车巡检指令用于控制无人机根据预置的巡检路线对在轨道交通车辆段的目标列车进行巡检,轨道交通车辆段对应的目标接触网处于断电状态;
获取识别模块402,用于获取无人机发送的目标列车的列车设备图像集,并调用预置的设备识别模型对列车设备图像集进行设备故障识别,列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像;
故障确定模块403,用于若列车设备图像集中存在匹配图像,则确定列车设备图像集中对应的设备存在故障,匹配图像用于指示与预置的设备故障图像库中故障模板图像相匹配的图像;
通电检测模块404,用于当无人机根据巡检路线完成巡检时,读取通电检测指令,并将通电检测指令发送至无人机,通电检测指令用于控制无人机对目标接触网进行通电检测;
通电确定模块405,用于获取无人机发送的目标接触网的第一隔离开关图像集,若第一隔离开关图像集中每张第一隔离开关图像都符合预设通电条件,则确定目标接触网处于通电状态,预设通电条件用于指示第一隔离开关图像对应的隔离开关处于关闭状态。
本发明实施例中,基于预设巡检路线,通过无人机对在轨道交通车辆段的目标列车进行巡检,获取无人机发送的目标列车的列车设备图像集,对列车设备图像集进行设备故障识别,从而确定目标列车的设备是否存在故障,当无人机完成巡检时,通过无人机对轨道交通车辆段的目标接触网进行通电检测,从而确定目标接触网是否处于通电状态,通过无人机执行巡检任务,减少了检修人员前往轨道交通车辆段的路程成本,提高了在轨道交通车辆段对列车的巡检效率。
请参阅图5,本发明实施例中轨道交通车辆段的列车巡检装置的另一个实施例包括:
获取发送模块401,用于读取列车巡检指令,并将列车巡检指令发送至预置的无人机,列车巡检指令用于控制无人机根据预置的巡检路线对在轨道交通车辆段的目标列车进行巡检,轨道交通车辆段对应的目标接触网处于断电状态;
获取识别模块402,用于获取无人机发送的目标列车的列车设备图像集,并调用预置的设备识别模型对列车设备图像集进行设备故障识别,列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像;
故障确定模块403,用于若列车设备图像集中存在匹配图像,则确定列车设备图像集中对应的设备存在故障,匹配图像用于指示与预置的设备故障图像库中故障模板图像相匹配的图像;
通电检测模块404,用于当无人机根据巡检路线完成巡检时,读取通电检测指令,并将通电检测指令发送至无人机,通电检测指令用于控制无人机对目标接触网进行通电检测;
通电确定模块405,用于获取无人机发送的目标接触网的第一隔离开关图像集,若第一隔离开关图像集中每张第一隔离开关图像都符合预设通电条件,则确定目标接触网处于通电状态,预设通电条件用于指示第一隔离开关图像对应的隔离开关处于关闭状态。
可选的,轨道交通车辆段的列车巡检装置还包括:
断电检测模块406,用于读取断电检测指令,并将断电检测指令发送至无人机,断电检测指令用于控制无人机对目标接触网进行断电检测;
断电确定模块407,用于获取无人机发送的目标接触网的第二隔离开关图像集,若第二隔离开关图像集中每张第二隔离开关图像都符合预设断电条件,则确定目标接触网处于断电状态,预设断电条件用于指示第二隔离开关图像对应的隔离开关处于开启状态。
可选的,轨道交通车辆段的列车巡检装置还包括:
建模数据获取模块408,用于读取三维建模指令,并基于三维建模指令获取三维建模数据,三维建模数据包括预设检修区域对应的倾斜摄影图像集和三维扫描数据,预设检修区域包括轨道交通车辆段和目标列车;
三维模型生成模块409,用于基于三维建模数据进行三维建模,生成目标三维模型,目标三维模型包括轨道交通车辆段对应的车辆段模型和目标列车对应的列车模型;
巡检路线生成模块410,用于获取列车模型对应的多个检修点位置信息,并基于车辆段模型、列车模型和多个检修点位置信息,生成巡检路线。
可选的,建模数据获取模块408具体用于:
读取三维建模指令,并将三维建模指令发送至无人机,三维建模指令用于控制无人机在轨道交通车辆段的上空对预设检修区域进行倾斜摄影;
获取无人机发送的预设检修区域对应的倾斜摄影图像集;
将三维建模指令发送至预置的地面三维扫描设备,三维建模指令用于控制地面三维扫描设备对预设检修区域进行三维扫描;
获取地面三维扫描设备发送的预设检修区域对应的三维扫描数据。
可选的,轨道交通车辆段的列车巡检装置还包括:
图像获取模块411,用于获取初始图像集,初始图像集包括多张历史车底设备故障图像、多张历史车体设备故障图像、多张历史车顶设备故障图像、多张第一历史隔离开关图像和多张第二历史隔离开关图像,每张第一历史隔离开关图像中隔离开关的闸刀处于分位,每张第二历史隔离开关图像中隔离开关的闸刀处于合位;
预处理模块412,用于对初始图像集进行预处理,得到训练图像集,预处理包括特征提取和标记;
模型训练模块413,用于基于训练图像集对预设模型进行训练,生成设备识别模型。
可选的,获取识别模块402具体用于:
获取无人机发送的目标列车的列车设备图像集,列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像;
通过预置的设备识别模型对列车设备图像集中的每张设备图像进行目标检测,生成每张设备图像对应的设备位置框;
判断每张设备图像对应的设备位置框是否与对应的故障模板图像中设备故障位置框一致;
若列车设备图像集中目标设备图像对应的设备位置框与对应的目标故障模板图像中设备故障位置框一致,则确定列车设备图像集中目标设备图像与预置的设备故障图像库中目标故障模板图像匹配。
可选的,通电确定模块405具体用于:
获取无人机发送的目标接触网的第一隔离开关图像集;
判断第一隔离开关图像集中的每张第一隔离开关图像中隔离开关的闸刀是否处于分位;
若每张第一隔离开关图像中隔离开关的闸刀处于分位,则确定第一隔离开关图像集对应的每个隔离开关都处于关闭状态;
若第一隔离开关图像集对应的每个隔离开关都处于关闭状态,则确定目标接触网处于通电状态。
本发明实施例中,基于预设巡检路线,通过无人机对在轨道交通车辆段的目标列车进行巡检,获取无人机发送的目标列车的列车设备图像集,对列车设备图像集进行设备故障识别,从而确定目标列车的设备是否存在故障,当无人机完成巡检时,通过无人机对轨道交通车辆段的目标接触网进行通电检测,从而确定目标接触网是否处于通电状态,通过无人机执行巡检任务,减少了检修人员前往轨道交通车辆段的路程成本,提高了在轨道交通车辆段对列车的巡检效率。
上面图4和图5从模块化功能实体的角度对本发明实施例中的轨道交通车辆段的列车巡检装置进行详细描述,下面从硬件处理的角度对本发明实施例中轨道交通车辆段的列车巡检系统进行详细描述。
图6是本发明实施例提供的一种轨道交通车辆段的列车巡检系统的结构示意图,轨道交通车辆段的列车巡检系统包括无人机601、地面三维扫描设备602和控制管理系统603。
图7是本发明实施例提供的一种控制管理系统的结构示意图,该控制管理系统603可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)6031(例如,一个或一个以上处理器)和存储器6032,一个或一个以上存储应用程序60333或数据60332的存储介质6033(例如一个或一个以上海量存储设备)。其中,存储器6032和存储介质6033可以是短暂存储或持久存储。存储在存储介质6033的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对控制管理系统603中的一系列指令操作。更进一步地,处理器6031可以设置为与存储介质6033通信,在控制管理系统603上执行存储介质6033中的一系列指令操作。
控制管理系统603还可以包括一个或一个以上电源6034,一个或一个以上有线或无线网络接口6035,一个或一个以上输入输出接口6036,和/或,一个或一个以上操作系统60331,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图7示出的控制管理系统结构并不构成对控制管理系统的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述轨道交通车辆段的列车巡检方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种轨道交通车辆段的列车巡检方法,其特征在于,所述轨道交通车辆段的列车巡检方法包括:
读取列车巡检指令,并将所述列车巡检指令发送至预置的无人机,所述列车巡检指令用于控制所述无人机根据预置的巡检路线对在轨道交通车辆段的目标列车进行巡检,所述轨道交通车辆段对应的目标接触网处于断电状态;
获取所述无人机发送的所述目标列车的列车设备图像集,并调用预置的设备识别模型对所述列车设备图像集进行设备故障识别,所述列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像;
若所述列车设备图像集中存在匹配图像,则确定所述列车设备图像集中对应的设备存在故障,所述匹配图像用于指示与预置的设备故障图像库中故障模板图像相匹配的图像;
当所述无人机根据所述巡检路线完成巡检时,读取通电检测指令,并将所述通电检测指令发送至所述无人机,所述通电检测指令用于控制所述无人机对所述目标接触网进行通电检测;
获取所述无人机发送的所述目标接触网的第一隔离开关图像集,若所述第一隔离开关图像集中每张第一隔离开关图像都符合预设通电条件,则确定所述目标接触网处于通电状态,所述预设通电条件用于指示第一隔离开关图像对应的隔离开关处于关闭状态。
2.根据权利要求1所述的轨道交通车辆段的列车巡检方法,其特征在于,在所述读取列车巡检指令之前,还包括:
读取断电检测指令,并将所述断电检测指令发送至所述无人机,所述断电检测指令用于控制所述无人机对所述目标接触网进行断电检测;
获取所述无人机发送的所述目标接触网的第二隔离开关图像集,若所述第二隔离开关图像集中每张第二隔离开关图像都符合预设断电条件,则确定所述目标接触网处于断电状态,所述预设断电条件用于指示第二隔离开关图像对应的隔离开关处于开启状态。
3.根据权利要求2所述的轨道交通车辆段的列车巡检方法,其特征在于,在所述读取断电检测指令之前,还包括:
读取三维建模指令,并基于所述三维建模指令获取三维建模数据,所述三维建模数据包括预设检修区域对应的倾斜摄影图像集和三维扫描数据,所述预设检修区域包括所述轨道交通车辆段和所述目标列车;
基于所述三维建模数据进行三维建模,生成目标三维模型,所述目标三维模型包括所述轨道交通车辆段对应的车辆段模型和所述目标列车对应的列车模型;
获取所述列车模型对应的多个检修点位置信息,并基于所述车辆段模型、所述列车模型和所述多个检修点位置信息,生成巡检路线。
4.根据权利要求3所述的轨道交通车辆段的列车巡检方法,其特征在于,所述读取三维建模指令,并基于所述三维建模指令获取三维建模数据,所述三维建模数据包括预设检修区域对应的倾斜摄影图像集和三维扫描数据,包括:
读取三维建模指令,并将所述三维建模指令发送至所述无人机,所述三维建模指令用于控制所述无人机在所述轨道交通车辆段的上空对预设检修区域进行倾斜摄影;
获取所述无人机发送的所述预设检修区域对应的倾斜摄影图像集;
将所述三维建模指令发送至预置的地面三维扫描设备,所述三维建模指令用于控制所述地面三维扫描设备对所述预设检修区域进行三维扫描;
获取所述地面三维扫描设备发送的所述预设检修区域对应的三维扫描数据。
5.根据权利要求3所述的轨道交通车辆段的列车巡检方法,其特征在于,在所述读取三维建模指令之前,还包括:
获取初始图像集,所述初始图像集包括多张历史车底设备故障图像、多张历史车体设备故障图像、多张历史车顶设备故障图像、多张第一历史隔离开关图像和多张第二历史隔离开关图像,每张第一历史隔离开关图像中隔离开关的闸刀处于分位,每张第二历史隔离开关图像中隔离开关的闸刀处于合位;
对所述初始图像集进行预处理,得到训练图像集,所述预处理包括特征提取和标记;
基于所述训练图像集对预设模型进行训练,生成设备识别模型。
6.根据权利要求1所述的轨道交通车辆段的列车巡检方法,其特征在于,所述获取所述无人机发送的所述目标列车的列车设备图像集,并调用预置的设备识别模型对所述列车设备图像集进行设备故障识别,所述列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像,包括:
获取所述无人机发送的所述目标列车的列车设备图像集,所述列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像;
通过预置的设备识别模型对所述列车设备图像集中的每张设备图像进行目标检测,生成每张设备图像对应的设备位置框;
判断每张设备图像对应的设备位置框是否与对应的故障模板图像中设备故障位置框一致;
若所述列车设备图像集中目标设备图像对应的设备位置框与对应的目标故障模板图像中设备故障位置框一致,则确定所述列车设备图像集中所述目标设备图像与预置的设备故障图像库中所述目标故障模板图像匹配。
7.根据权利要求1-6中任一项所述的轨道交通车辆段的列车巡检方法,其特征在于,所述获取所述无人机发送的所述目标接触网的第一隔离开关图像集,若所述第一隔离开关图像集中每张第一隔离开关图像都符合预设通电条件,则确定所述目标接触网处于通电状态,所述预设通电条件用于指示第一隔离开关图像对应的隔离开关处于关闭状态,包括:
获取所述无人机发送的所述目标接触网的第一隔离开关图像集;
判断所述第一隔离开关图像集中的每张第一隔离开关图像中隔离开关的闸刀是否处于分位;
若每张第一隔离开关图像中隔离开关的闸刀处于分位,则确定所述第一隔离开关图像集对应的每个隔离开关都处于关闭状态;
若所述第一隔离开关图像集对应的每个隔离开关都处于关闭状态,则确定所述目标接触网处于通电状态。
8.一种轨道交通车辆段的列车巡检装置,其特征在于,所述轨道交通车辆段的列车巡检装置包括:
获取发送模块,用于读取列车巡检指令,并将所述列车巡检指令发送至预置的无人机,所述列车巡检指令用于控制所述无人机根据预置的巡检路线对在轨道交通车辆段的目标列车进行巡检,所述轨道交通车辆段对应的目标接触网处于断电状态;
获取识别模块,用于获取所述无人机发送的所述目标列车的列车设备图像集,并调用预置的设备识别模型对所述列车设备图像集进行设备故障识别,所述列车设备图像集包括多张车底设备图像、多张车体设备图像和多张车顶设备图像;
故障确定模块,用于若所述列车设备图像集中存在匹配图像,则确定所述列车设备图像集中对应的设备存在故障,所述匹配图像用于指示与预置的设备故障图像库中故障模板图像相匹配的图像;
通电检测模块,用于当所述无人机根据所述巡检路线完成巡检时,读取通电检测指令,并将所述通电检测指令发送至所述无人机,所述通电检测指令用于控制所述无人机对所述目标接触网进行通电检测;
通电确定模块,用于获取所述无人机发送的所述目标接触网的第一隔离开关图像集,若所述第一隔离开关图像集中每张第一隔离开关图像都符合预设通电条件,则确定所述目标接触网处于通电状态,所述预设通电条件用于指示第一隔离开关图像对应的隔离开关处于关闭状态。
9.一种轨道交通车辆段的列车巡检系统,其特征在于,所述轨道交通车辆段的列车巡检系统包括:无人机、地面三维扫描设备和控制管理系统,所述控制管理系统用于控制所述无人机和所述地面三维扫描设备;
所述控制管理系统包括存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述轨道交通车辆段的列车巡检系统执行如权利要求1-7中任一项所述的轨道交通车辆段的列车巡检方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述轨道交通车辆段的列车巡检方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210865898.3A CN114937040B (zh) | 2022-07-22 | 2022-07-22 | 轨道交通车辆段的列车巡检方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210865898.3A CN114937040B (zh) | 2022-07-22 | 2022-07-22 | 轨道交通车辆段的列车巡检方法、装置、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114937040A true CN114937040A (zh) | 2022-08-23 |
CN114937040B CN114937040B (zh) | 2022-11-18 |
Family
ID=82868349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210865898.3A Active CN114937040B (zh) | 2022-07-22 | 2022-07-22 | 轨道交通车辆段的列车巡检方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114937040B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342571A (zh) * | 2023-03-27 | 2023-06-27 | 中吉创新技术(深圳)有限公司 | 通风系统控制箱的状态检测方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110261436A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 |
CN111605578A (zh) * | 2020-05-21 | 2020-09-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种用无人机搭载3d设备的铁路轨道巡检方法 |
CN113361354A (zh) * | 2021-05-28 | 2021-09-07 | 国能朔黄铁路发展有限责任公司 | 轨道部件巡检方法、装置、计算机设备和存储介质 |
CN113867406A (zh) * | 2021-11-10 | 2021-12-31 | 广东电网能源发展有限公司 | 基于无人机的线路巡检方法、系统、智能设备和存储介质 |
CN114035608A (zh) * | 2021-11-10 | 2022-02-11 | 广东电网能源发展有限公司 | 基于无人机的巡检培训方法、系统、培训终端和存储介质 |
CN114633774A (zh) * | 2022-03-30 | 2022-06-17 | 东莞理工学院 | 一种基于人工智能的轨道交通故障检测系统 |
-
2022
- 2022-07-22 CN CN202210865898.3A patent/CN114937040B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110261436A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 |
CN111605578A (zh) * | 2020-05-21 | 2020-09-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种用无人机搭载3d设备的铁路轨道巡检方法 |
CN113361354A (zh) * | 2021-05-28 | 2021-09-07 | 国能朔黄铁路发展有限责任公司 | 轨道部件巡检方法、装置、计算机设备和存储介质 |
CN113867406A (zh) * | 2021-11-10 | 2021-12-31 | 广东电网能源发展有限公司 | 基于无人机的线路巡检方法、系统、智能设备和存储介质 |
CN114035608A (zh) * | 2021-11-10 | 2022-02-11 | 广东电网能源发展有限公司 | 基于无人机的巡检培训方法、系统、培训终端和存储介质 |
CN114633774A (zh) * | 2022-03-30 | 2022-06-17 | 东莞理工学院 | 一种基于人工智能的轨道交通故障检测系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342571A (zh) * | 2023-03-27 | 2023-06-27 | 中吉创新技术(深圳)有限公司 | 通风系统控制箱的状态检测方法、装置及存储介质 |
CN116342571B (zh) * | 2023-03-27 | 2023-12-22 | 中吉创新技术(深圳)有限公司 | 通风系统控制箱的状态检测方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114937040B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107782564B (zh) | 一种自动驾驶车辆测评系统及方法 | |
CN110598637B (zh) | 一种基于视觉及深度学习的无人驾驶系统及方法 | |
CN105574683A (zh) | 一种全方位变电站巡检系统及方法 | |
WO2020047879A1 (zh) | 一种用于隧道的智能巡检系统 | |
CN111813130A (zh) | 一种输变电站智能巡检机器人自主导航避障系统 | |
Donadio et al. | Artificial intelligence and collaborative robot to improve airport operations | |
CN112506222A (zh) | 一种无人机智能化避障方法及装置 | |
CN107406073A (zh) | 用于在无碰撞性方面监视要由车辆驶过的额定轨迹的方法和设备 | |
CN114937040B (zh) | 轨道交通车辆段的列车巡检方法、装置、系统及存储介质 | |
CN113326964B (zh) | 一种基于数据复合多级综合管廊风险管控方法及方法 | |
CN106494611B (zh) | 一种空轨两用巡检无人机 | |
CN116647651B (zh) | 一种基于北斗卫星的无人机施工监控方法及系统 | |
CN116301046A (zh) | 一种基于电力杆塔识别的无人机航拍安全距离自动定位方法 | |
CN111554005A (zh) | 铁路货运列车智能巡检方法 | |
CN212515475U (zh) | 一种输变电站智能巡检机器人自主导航避障系统 | |
Chelouati et al. | A framework for risk-awareness and dynamic risk assessment for autonomous trains | |
CN113111714A (zh) | 一种应用于输电现场作业的风险防控系统 | |
Bobbe et al. | Reactive Mission Planning for UAV based crane rail inspection in an automated Container Terminal | |
CN115268452A (zh) | 一种智能控制系统 | |
Jäkel et al. | A concept of an automated damage management for the maintenance of bridge structures in the context of a life cycle oriented approach | |
CN114744756A (zh) | 一种基于机器视觉的输电线路智能巡检系统 | |
CN115661966A (zh) | 一种基于增强现实的巡检系统和方法 | |
CN114935941A (zh) | 基于激光点云的无人机自主巡检系统 | |
Roos-Hoefgeest et al. | A Vision-based Approach for Unmanned Aerial Vehicles to Track Industrial Pipes for Inspection Tasks | |
CN113885504A (zh) | 一种列检机器人自主巡检方法、系统及存储介质 |
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 |