CN114972117A - 一种轨道表面磨损识别分类方法及系统 - Google Patents
一种轨道表面磨损识别分类方法及系统 Download PDFInfo
- Publication number
- CN114972117A CN114972117A CN202210762799.2A CN202210762799A CN114972117A CN 114972117 A CN114972117 A CN 114972117A CN 202210762799 A CN202210762799 A CN 202210762799A CN 114972117 A CN114972117 A CN 114972117A
- Authority
- CN
- China
- Prior art keywords
- image
- track
- wear
- rail
- neural network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000007547 defect Effects 0.000 claims abstract description 50
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000013145 classification model Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims description 24
- 230000004927 fusion Effects 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000005299 abrasion Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
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
- 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
-
- G06T5/70—
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Abstract
本发明提出了一种轨道表面磨损识别分类方法及系统,涉及轨道交通技术领域,包括:采集轨道表面缺陷图像;获取经纬度信息,并将经纬度信息与轨道表面缺陷图像相融合;对融合图像进行去噪增强处理以得到特征图像;基于图像标注工具将特征图像进行磨损类别的人工标注以提取标注的轨道表面磨损类别信息;基于轨道表面磨损类别信息训练得到卷积神经网络分类模型,并输入待检测轨道图像到所述卷积神经网络分类模型以得到轨道发生磨损的识别分类结果;本发明通过自动采集轨道表面图像数据,利用图像处理技术与卷积神经网络分类模型对图像进行缺陷分类,弥补了传统轨道缺陷检测方式的缺点,安全高效且成本较低。
Description
技术领域
本发明涉及轨道交通技术领域,具体而言,涉及一种轨道表面磨损识别分类方法及系统。
背景技术
高速列车在运行中,轨道表面磨损问题日益严重,由此引发的轨道缺陷不断加剧,最终缺陷发展为接触性疲劳裂纹甚至更严重的断裂。这不仅会导致轨道的寿命大大缩短,而且当发生严重的磨损问题时,在列车运行时会引发激烈的噪声,同时还为列车的安全运行埋下了隐患。因此,轨道缺陷的巡检就显得尤为重要。
然而,传统的轨道缺陷人工巡检的方式工作强度大、效率低而且存在危险。基于此,本申请提出一种轨道表面磨损识别分类方法及系统来解决上述问题。
发明内容
本发明的目的在于提供一种轨道表面磨损识别分类方法及系统,其能够解决传统列车轨道缺陷检测方法采用人工检测工作强度大、效率低和危险系数高等问题。
本发明的技术方案为:
第一方面,本申请提供一种轨道表面磨损识别分类方法,其包括以下步骤:
S1、采集轨道表面缺陷图像;
S2、获取经纬度信息,并将经纬度信息与轨道表面缺陷图像相融合以得到轨道融合图像;
S3、对轨道融合图像进行去噪增强处理以得到特征图像;
S4、基于图像标注工具将特征图像进行磨损类别的人工标注以提取标注的轨道表面磨损类别信息;
S5、基于标注的轨道表面磨损类别信息训练得到用于识别各种磨损缺陷种类的卷积神经网络分类模型,并输入待检测轨道图像到上述卷积神经网络分类模型以得到轨道发生磨损的识别分类结果。
进一步地,步骤S3中上述对轨道融合图像进行去噪增强处理的步骤包括:
对轨道融合图像进行灰度化处理,并提取轨道周围图像;
基于形态学膨胀和腐蚀做差处理法对轨道周围图像进行处理以得到图像极大值,并基于图像极大值对轨道周围图像中的轨道图像进行精确定位;
采用中值滤波和双边滤波法消除精确定位后的轨道图像中的噪声以得到去噪图像;
利用Canny算法对去噪图像进行边缘分割以提取得到包含轨道边缘信息的特征图像。
进一步地,上述利用Canny算法对去噪图像进行边缘分割前还包括:对去噪图像进行伪边缘去除。
进一步地,步骤S5中上述基于标注的轨道表面磨损类别信息训练用于识别各种磨损缺陷种类的卷积神经网络分类模型的步骤包括:
基于标注的轨道表面磨损类别信息将标注好的轨道表面磨损图像划分为训练集、验证集和测试集;
通过训练集训练卷积神经网络模型以得到最高分类精度的卷积神经网络模型;
将训练集得到的最高分类精度的卷积神经网络模型输入验证集进行验证,将测试集输入验证通过的卷积神经网络模型验证模型的最终泛化性以得到用于识别各种磨损缺陷种类的卷积神经网络分类模型。
进一步地,上述验证通过的判断方法包括:
判断训练集得到的最高分类精度的卷积神经网络模型在验证集上的分类精度是否明显低于该模型在训练集上的分类精度,若是,则表示发生了过拟合,重新调整模型超参数并利用训练集训练模型,若否,则表示该模型验证通过。
进一步地,步骤S5中上述识别分类结果包括轨道发生磨损的类型、相关概率以及轨道的磨损程度。
第二方面,本申请提供一种轨道表面磨损识别分类系统,其特征在于,包括:
图像采集模块,用于采集轨道表面缺陷图像;
卫星定位模块,用于获取经纬度信息,并将经纬度信息与轨道表面缺陷图像相融合以得到轨道融合图像;
图像处理模块,用于对轨道融合图像进行去噪增强处理以得到特征图像;
图像标注模块,用于基于图像标注工具将特征图像进行磨损类别的人工标注以提取标注的轨道表面磨损类别信息;
识别分类模块,用于基于标注的轨道表面磨损类别信息训练得到用于识别各种磨损缺陷种类的卷积神经网络模型,并输入待检测轨道图像到上述卷积神经网络分类模型以得到轨道发生磨损的识别分类结果。
第三方面,本申请提供一种电子设备,包括:
存储器,用于存储一个或多个程序;
处理器;
当上述一个或多个程序被上述处理器执行时,实现如上述第一方面中任一项的一种轨道表面磨损识别分类方法。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面中任一项的一种轨道表面磨损识别分类方法。
相对于现有技术,本发明的至少具有如下优点或有益效果:
(1)本发明提供一种轨道表面磨损识别分类方法及系统,可通过设置自动采集装置自动采集轨道表面图像数据,利用图像处理技术与卷积神经网络分类模型对图像进行缺陷分类,弥补了传统轨道缺陷检测方式的缺点,大大提高了轨道的寿命,为列车的安全运行提供了保障;
(2)本发明可以在实时检测中,将提取的轨道图像输入到训练好的磨损检测分类模型中进行实时分类,安全的同时显著的提升了检测效率;
(3)本发明通过自动检测,节省了人力,降低了工作强度和人工成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明一种轨道表面磨损识别分类方法的步骤图;
图2为本发明一种轨道表面磨损识别分类系统的示意性结构框图;
图3为本发明的一种电子设备的示意性结构框图。
图标:101、存储器;102、处理器;103、通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是,在本文中,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1,图1所示为本申请实施例1提供的一种轨道表面磨损识别分类方法的步骤图。
本申请提供的一种轨道表面磨损识别分类方法,包括以下步骤:
S1、采集轨道表面缺陷图像;
S2、获取经纬度信息,并将经纬度信息与轨道表面缺陷图像相融合以得到轨道融合图像;
S3、对轨道融合图像进行去噪增强处理以得到特征图像;
S4、基于图像标注工具将特征图像进行磨损类别的人工标注以提取标注的轨道表面磨损类别信息;
S5、基于标注的轨道表面磨损类别信息训练得到用于识别各种磨损缺陷种类的卷积神经网络分类模型,并输入待检测轨道图像到卷积神经网络分类模型以得到轨道发生磨损的识别分类结果。
其中,采集轨道表面缺陷图像可通过自动化轨道巡检装置对轨道表面缺陷图像进行采集;经纬度信息主要通过卫星定位技术获取,可通过控制卫星定位和图像采样频率来使得图像和定位的经纬度位置信息相匹配;通过图像标注工具可以对特征图像进行人工标注,并自动提取出标注的轨道表面磨损类别以及图像信息,最后通过训练得到用于识别各种磨损缺陷种类的卷积神经网络分类模型来对采集的轨道表面图像进行缺陷分类,从而实现解决了传统依靠人工的轨道缺陷检测方法效率低下且危险系数高的问题。
作为一种优选的实施方式,步骤S3中对轨道融合图像进行去噪增强处理的步骤包括:
对轨道融合图像进行灰度化处理,并提取轨道周围图像;
基于形态学膨胀和腐蚀做差处理法对轨道周围图像进行处理以得到图像极大值,并基于图像极大值对轨道周围图像中的轨道图像进行精确定位;
采用中值滤波和双边滤波法消除精确定位后的轨道图像中的噪声以得到去噪图像;
利用Canny算法对去噪图像进行边缘分割以提取得到包含轨道边缘信息的特征图像。
其中,通过对轨道周围图像中的轨道图像进行精确定位可以使得图像尽可能保留轨道的信息,消除其他干扰因子;随后利用中值滤波和双边滤波法消除精确定位后的轨道图像中的噪声以得到去噪图像,做到对轨道边缘的保护,利于后续利用Canny算法对去噪图像进行边缘分割以提取得到包含轨道边缘信息的完整的特征图像。
作为一种优选的实施方式,利用Canny算法对去噪图像进行边缘分割前还包括:对去噪图像进行伪边缘去除。
由此,通过对去噪图像进行伪边缘去除,可以避免于铁轨周围存在其他物体如碎石等的干扰。
作为一种优选的实施方式,步骤S5中基于标注的轨道表面磨损类别信息训练用于识别各种磨损缺陷种类的卷积神经网络分类模型的步骤包括:
基于标注的轨道表面磨损类别信息将标注好的轨道表面磨损图像划分为训练集、验证集和测试集;
通过训练集训练卷积神经网络模型以得到最高分类精度的卷积神经网络模型;
将训练集得到的最高分类精度的卷积神经网络模型输入验证集进行验证,将测试集输入验证通过的卷积神经网络模型验证模型的最终泛化性以得到用于识别各种磨损缺陷种类的卷积神经网络分类模型。
作为一种优选的实施方式,验证通过的判断方法包括:
判断训练集得到的最高分类精度的卷积神经网络模型在验证集上的分类精度是否明显低于该模型在训练集上的分类精度,若是,则表示发生了过拟合,重新调整模型超参数并利用训练集训练模型,若否,则表示该模型验证通过。
其中,调整的超参数包括网络层数、每层网络的神经元数、学习率、激活函数、优化器和预训练权重。
作为一种优选的实施方式,步骤S5中识别分类结果包括轨道发生磨损的类型、相关概率以及轨道的磨损程度。
实施例2
请参阅图2,图2所示为本申请实施例2提供的一种轨道表面磨损识别分类系统的示意性结构框图。
本申请提供一种轨道表面磨损识别分类系统,其特征在于,包括:
图像采集模块,用于采集轨道表面缺陷图像;
卫星定位模块,用于获取经纬度信息,并将经纬度信息与轨道表面缺陷图像相融合以得到轨道融合图像;
图像处理模块,用于对轨道融合图像进行去噪增强处理以得到特征图像;
图像标注模块,用于基于图像标注工具将特征图像进行磨损类别的人工标注以提取标注的轨道表面磨损类别信息;
识别分类模块,用于基于标注的轨道表面磨损类别信息训练得到用于识别各种磨损缺陷种类的卷积神经网络模型,并输入待检测轨道图像到卷积神经网络分类模型以得到轨道发生磨损的识别分类结果。
需要说明的是,通过图像采集模块采集轨道表面缺陷图像时,可利用光源控制器控制光源照射轨道表面来得到清晰的轨道表面图像信息;通过卫星定位模块可将经纬度信息融合到每张轨道图像中,以便于获取每个磨损缺陷所发生的位置,方便检修人员快速修复;通过图像处理模块可对轨道融合图像进行去噪增强处理以得到特征图像;通过图像标注模块可基于图像标注工具将特征图像进行磨损类别的人工标注以提取标注的轨道表面磨损类别信息;识别分类模块通过训练得到的可识别各种磨损缺陷种类的卷积神经网络模型,输入待检测轨道图像到卷积神经网络分类模型即可得到轨道发生磨损的识别分类结果。
实施例3
请参阅图3,图3所示为本申请实施例3提供的一种电子设备的示意性结构框图。
一种电子设备,包括存储器101、处理器102和通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器(RandomAccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器,包括中央处理器(CentralProcessingUnit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图中所示的结构仅为示意,一种轨道表面磨损识别分类方法及系统还可包括比图中所示更多或者更少的组件,或者具有与图中所示不同的配置。图中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中,应该理解到,所揭露的系统或方法,也可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本申请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)执行本申请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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本申请实施例提供的一种轨道表面磨损识别分类方法及系统,通过采集轨道表面缺陷图像,获取经纬度信息,并将经纬度信息与轨道表面缺陷图像相融合以得到轨道融合图像,然后进行去噪增强处理以得到特征图像,基于图像标注工具将特征图像进行磨损类别的人工标注以提取标注的轨道表面磨损类别信息,基于标注的轨道表面磨损类别信息训练得到用于识别各种磨损缺陷种类的卷积神经网络分类模型,并输入待检测轨道图像到卷积神经网络分类模型以得到轨道发生磨损的识别分类结果,从而利用图像处理技术与卷积神经网络分类模型对图像进行缺陷分类,弥补了传统轨道缺陷检测方式的缺点,安全高效且成本较低。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (9)
1.一种轨道表面磨损识别分类方法,其特征在于,包括以下步骤:
S1、采集轨道表面缺陷图像;
S2、获取经纬度信息,并将经纬度信息与轨道表面缺陷图像相融合以得到轨道融合图像;
S3、对轨道融合图像进行去噪增强处理以得到特征图像;
S4、基于图像标注工具将特征图像进行磨损类别的人工标注以提取标注的轨道表面磨损类别信息;
S5、基于标注的轨道表面磨损类别信息训练得到用于识别各种磨损缺陷种类的卷积神经网络分类模型,并输入待检测轨道图像到所述卷积神经网络分类模型以得到轨道发生磨损的识别分类结果。
2.如权利要求1所述的一种轨道表面磨损识别分类方法,其特征在于,步骤S3中所述对轨道融合图像进行去噪增强处理的步骤包括:
对轨道融合图像进行灰度化处理,并提取轨道周围图像;
基于形态学膨胀和腐蚀做差处理法对轨道周围图像进行处理以得到图像极大值,并基于图像极大值对轨道周围图像中的轨道图像进行精确定位;
采用中值滤波和双边滤波法消除精确定位后的轨道图像中的噪声以得到去噪图像;
利用Canny算法对去噪图像进行边缘分割以提取得到包含轨道边缘信息的特征图像。
3.如权利要求2所述的一种轨道表面磨损识别分类方法,其特征在于,所述利用Canny算法对去噪图像进行边缘分割前还包括:对去噪图像进行伪边缘去除。
4.如权利要求1所述的一种轨道表面磨损识别分类方法及系统,其特征在于,步骤S5中所述基于标注的轨道表面磨损类别信息训练用于识别各种磨损缺陷种类的卷积神经网络分类模型的步骤包括:
基于标注的轨道表面磨损类别信息将标注好的轨道表面磨损图像划分为训练集、验证集和测试集;
通过训练集训练卷积神经网络模型以得到最高分类精度的卷积神经网络模型;
将训练集得到的最高分类精度的卷积神经网络模型输入验证集进行验证,将测试集输入验证通过的卷积神经网络模型验证模型的最终泛化性以得到用于识别各种磨损缺陷种类的卷积神经网络分类模型。
5.如权利要求4所述的一种轨道表面磨损识别分类方法及系统,其特征在于,所述验证通过的判断方法包括:
判断训练集得到的最高分类精度的卷积神经网络模型在验证集上的分类精度是否明显低于该模型在训练集上的分类精度,若是,则表示发生了过拟合,重新调整模型超参数并利用训练集训练模型,若否,则表示该模型验证通过。
6.如权利要求1所述的一种轨道表面磨损识别分类方法及系统,其特征在于,步骤S5中所述识别分类结果包括轨道发生磨损的类型、相关概率以及轨道的磨损程度。
7.一种轨道表面磨损识别分类系统,包括:
图像采集模块,用于采集轨道表面缺陷图像;
卫星定位模块,用于获取经纬度信息,并将经纬度信息与轨道表面缺陷图像相融合以得到轨道融合图像;
图像处理模块,用于对轨道融合图像进行去噪增强处理以得到特征图像;
图像标注模块,用于基于图像标注工具将特征图像进行磨损类别的人工标注以提取标注的轨道表面磨损类别信息;
识别分类模块,用于基于标注的轨道表面磨损类别信息训练得到用于识别各种磨损缺陷种类的卷积神经网络模型,并输入待检测轨道图像到所述卷积神经网络分类模型以得到轨道发生磨损的识别分类结果。
8.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-6中任一项所述的一种轨道表面磨损识别分类方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的一种轨道表面磨损识别分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210762799.2A CN114972117A (zh) | 2022-06-30 | 2022-06-30 | 一种轨道表面磨损识别分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210762799.2A CN114972117A (zh) | 2022-06-30 | 2022-06-30 | 一种轨道表面磨损识别分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114972117A true CN114972117A (zh) | 2022-08-30 |
Family
ID=82967945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210762799.2A Pending CN114972117A (zh) | 2022-06-30 | 2022-06-30 | 一种轨道表面磨损识别分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972117A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115620153A (zh) * | 2022-12-16 | 2023-01-17 | 成都理工大学 | 一种对轨道表面波磨分级的方法及装置 |
CN117218097A (zh) * | 2023-09-23 | 2023-12-12 | 宁波江北骏欣密封件有限公司 | 一种轴套类丝网垫圈零件表面缺陷检测方法及装置 |
CN117408974A (zh) * | 2023-10-26 | 2024-01-16 | 广州欧派集成家居有限公司 | 一种板式集成家具封边自动检测方法、装置及存储介质 |
CN117472015A (zh) * | 2023-12-28 | 2024-01-30 | 承德石油高等专科学校 | 一种基于机器视觉的工业加工控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978828A (zh) * | 2019-02-26 | 2019-07-05 | 山东师范大学 | 一种基于图像处理的火车轨道质量判别方法及系统 |
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 |
CN110992345A (zh) * | 2019-12-06 | 2020-04-10 | 中科(徐州)人工智能研究院有限公司 | 一种轨道磨损检测方法及装置 |
CN111223088A (zh) * | 2020-01-16 | 2020-06-02 | 东南大学 | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 |
CN113421246A (zh) * | 2021-06-24 | 2021-09-21 | 长江存储科技有限责任公司 | 形成轨道检测模型的方法、检测轨道磨损的方法 |
-
2022
- 2022-06-30 CN CN202210762799.2A patent/CN114972117A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978828A (zh) * | 2019-02-26 | 2019-07-05 | 山东师范大学 | 一种基于图像处理的火车轨道质量判别方法及系统 |
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 |
CN110992345A (zh) * | 2019-12-06 | 2020-04-10 | 中科(徐州)人工智能研究院有限公司 | 一种轨道磨损检测方法及装置 |
CN111223088A (zh) * | 2020-01-16 | 2020-06-02 | 东南大学 | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 |
CN113421246A (zh) * | 2021-06-24 | 2021-09-21 | 长江存储科技有限责任公司 | 形成轨道检测模型的方法、检测轨道磨损的方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115620153A (zh) * | 2022-12-16 | 2023-01-17 | 成都理工大学 | 一种对轨道表面波磨分级的方法及装置 |
CN117218097A (zh) * | 2023-09-23 | 2023-12-12 | 宁波江北骏欣密封件有限公司 | 一种轴套类丝网垫圈零件表面缺陷检测方法及装置 |
CN117218097B (zh) * | 2023-09-23 | 2024-04-12 | 宁波江北骏欣密封件有限公司 | 一种轴套类丝网垫圈零件表面缺陷检测方法及装置 |
CN117408974A (zh) * | 2023-10-26 | 2024-01-16 | 广州欧派集成家居有限公司 | 一种板式集成家具封边自动检测方法、装置及存储介质 |
CN117408974B (zh) * | 2023-10-26 | 2024-04-26 | 广州欧派集成家居有限公司 | 一种板式集成家具封边自动检测方法、装置及存储介质 |
CN117472015A (zh) * | 2023-12-28 | 2024-01-30 | 承德石油高等专科学校 | 一种基于机器视觉的工业加工控制方法 |
CN117472015B (zh) * | 2023-12-28 | 2024-03-22 | 承德石油高等专科学校 | 一种基于机器视觉的工业加工控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114972117A (zh) | 一种轨道表面磨损识别分类方法及系统 | |
CN110532855B (zh) | 基于深度学习的自然场景证件图像文字识别方法 | |
Bhat et al. | A survey on road crack detection techniques | |
Ali et al. | Pavement crack detection and localization using convolutional neural networks (CNNs) | |
CN111652208A (zh) | 用户界面组件的识别方法、装置、电子设备及存储介质 | |
CN108889635B (zh) | 一种易拉罐制造缺陷在线视觉检测方法 | |
Wu et al. | Research on approaches for computer aided detection of casting defects in X-ray images with feature engineering and machine learning | |
CN115170501A (zh) | 缺陷检测方法、系统、电子设备及存储介质 | |
Lien et al. | Product surface defect detection based on deep learning | |
Hossen et al. | Vehicle license plate detection and tilt correction based on HSI color model and SUSAN corner detector | |
Al Nasim et al. | An automated approach for the recognition of bengali license plates | |
Pedersen et al. | Quality inspection of printed texts | |
Lehr et al. | Supervised learning vs. unsupervised learning: A comparison for optical inspection applications in quality control | |
CN111738991A (zh) | 一种焊缝缺陷的数字射线检测模型的创建方法 | |
Chandra et al. | An automated system to detect and recognize vehicle license plates of Bangladesh | |
Khan et al. | Enhanced car number plate recognition (ECNPR) system by improving efficiency in preprocessing steps | |
Lor et al. | Car Wiper Arm Defect Detection Using Gabor Filter | |
CN114119562A (zh) | 一种基于深度学习的刹车盘外表面缺陷检测方法及系统 | |
CN112949341A (zh) | 一种信息获得方法、装置、电子设备及存储介质 | |
Regayeg et al. | Automatic detection system for verification and quality control: Application to water connector inspection | |
Guharoy et al. | Fitness test of vehicles using CNN | |
Faghihi et al. | Patch-based weld defect segmentation and classification using anisotropic diffusion image enhancement combined with support-vector machine | |
CN116645371B (zh) | 一种基于特征搜索的钢轨表面缺陷检测方法及系统 | |
CN117474924B (zh) | 基于机器视觉的标签缺陷检测方法 | |
Sangeetha | A Review on Automatic License Plate Recognition |
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: 20220830 |