CN114994061B - 一种基于机器视觉的钢轨智能化检测方法及系统 - Google Patents

一种基于机器视觉的钢轨智能化检测方法及系统 Download PDF

Info

Publication number
CN114994061B
CN114994061B CN202210914040.1A CN202210914040A CN114994061B CN 114994061 B CN114994061 B CN 114994061B CN 202210914040 A CN202210914040 A CN 202210914040A CN 114994061 B CN114994061 B CN 114994061B
Authority
CN
China
Prior art keywords
defect
detected
steel rail
geometric
type
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.)
Active
Application number
CN202210914040.1A
Other languages
English (en)
Other versions
CN114994061A (zh
Inventor
桂宏新
钱钧
褚厚锋
鲁鑫
刘清华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Future Network Research Institute Industrial Internet Innovation Application Base Of Zijinshan Laboratory
Original Assignee
Shandong Future Network Research Institute Industrial Internet Innovation Application Base Of Zijinshan Laboratory
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Future Network Research Institute Industrial Internet Innovation Application Base Of Zijinshan Laboratory filed Critical Shandong Future Network Research Institute Industrial Internet Innovation Application Base Of Zijinshan Laboratory
Priority to CN202210914040.1A priority Critical patent/CN114994061B/zh
Publication of CN114994061A publication Critical patent/CN114994061A/zh
Application granted granted Critical
Publication of CN114994061B publication Critical patent/CN114994061B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
    • B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
    • B61K9/08—Measuring installations for surveying permanent way
    • 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
    • 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
    • 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
    • G06T2207/30136—Metal
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Biochemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供了一种基于机器视觉的钢轨智能化检测方法及系统，涉及智能制造领域，包括：当待检测钢轨进行预设区域，提取待检测区域几何特征；根据钢轨型号信息匹配几何特征标准值、几何特征偏差度阈值和预设缺陷指标待检；遍历待检测区域几何特征和几何特征标准值进行特征值对比获得几何特征偏差值；遍历几何特征偏差度阈值和几何特征偏差值进行比对，将不满足几何特征偏差度阈值的添加进结构不合格标签；激活缺陷检测模型；获取待检测区域表面图像输入缺陷检测模型，生成缺陷检测结果包括缺陷类型和缺陷位置，结合不合格标签对所述待检测钢轨进行标识。解决了现有技术缺乏适用性较强的自动化程度高的钢轨质量的检测方案的技术问题。

Description

一种基于机器视觉的钢轨智能化检测方法及系统
技术领域
本发明涉及智能制造相关技术领域，具体涉及一种基于机器视觉的钢轨智能化检测方法及系统。
背景技术
钢轨在轨道交通、建筑和工业制造等领域得到广泛使用，品质优良的钢轨是保障轨道交通、建筑和工业制造等领域工作顺序进行的重要因素，因此对于钢轨质量的检测把控是钢轨生产制造过程中的重要内容之一。
目前针对钢轨质量的检测主要为传统方式，即人工为主，机器为辅的质量检测，此种方式检测由于自动化程度低，且检测效率较低；虽然随着人工智能的发展，有提出对于钢轨的自动化检测方式，但是由于适用场景有限，导致适用性较差。
综上，现有技术中存在缺乏适用性较强的自动化程度高的钢轨质量的检测方案的技术问题。
发明内容
本申请通过提供了一种基于机器视觉的钢轨智能化检测方法及系统，解决了现有技术中存在缺乏适用性较强的自动化程度高的钢轨质量的检测方案的技术问题。
鉴于上述问题，本申请实施例提供了一种基于机器视觉的钢轨智能化检测方法及系统。
第一方面，本申请提供了一种基于机器视觉的钢轨智能化检测方法，其中，所述方法应用于一基于机器视觉的钢轨智能化检测系统，所述系统和激光测量设备、图像采集设备通信连接，所述方法包括：当待检测钢轨进行预设区域，通过激光测量设备对钢轨待检测区域多方位扫描，提取待检测区域几何特征集合；根据待检测钢轨型号信息，匹配几何特征标准值列表、几何特征偏差度阈值列表和预设缺陷指标待检列表；遍历所述待检测区域几何特征集合和所述几何特征标准值列表进行特征值对比，获得几何特征偏差值列表；遍历所述几何特征偏差度阈值列表和所述几何特征偏差值列表进行比对，将不满足所述几何特征偏差度阈值的所述几何特征和所述几何特征偏差度，添加进结构不合格标签；根据所述预设缺陷指标待检列表，激活缺陷检测模型；通过图像采集设备对所述钢轨待检测区域图像采集，获取待检测区域表面图像集合，输入所述缺陷检测模型，生成缺陷检测结果，其中，所述缺陷检测结果包括缺陷类型和缺陷位置；根据所述不合格标签、所述缺陷类型和所述缺陷位置对所述待检测钢轨进行特征标识。
另一方面，本申请提供了一种基于机器视觉的钢轨智能化检测系统，其中，所述系统和激光测量设备、图像采集设备通信连接，所述系统包括：几何特征提取模块，用于当待检测钢轨进行预设区域，通过激光测量设备对钢轨待检测区域多方位扫描，提取待检测区域几何特征集合；信息匹配模块，用于根据待检测钢轨型号信息，匹配几何特征标准值列表、几何特征偏差度阈值列表和预设缺陷指标待检列表；特征值比对模块，用于遍历所述待检测区域几何特征集合和所述几何特征标准值列表进行特征值对比，获得几何特征偏差值列表；不合格标签生成模块，用于遍历所述几何特征偏差度阈值列表和所述几何特征偏差值列表进行比对，将不满足所述几何特征偏差度阈值的所述几何特征和所述几何特征偏差度，添加进结构不合格标签；模型激活模块，用于根据所述预设缺陷指标待检列表，激活缺陷检测模型；缺陷检测模块，用于通过图像采集设备对所述钢轨待检测区域图像采集，获取待检测区域表面图像集合，输入所述缺陷检测模型，生成缺陷检测结果，其中，所述缺陷检测结果包括缺陷类型和缺陷位置；特征标识模块，用于根据所述不合格标签、所述缺陷类型和所述缺陷位置对所述待检测钢轨进行特征标识。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了利用激光测量设备采集通过预设区域的钢轨待检测区域的图像，提取出待检测区域的几何特征集合；再根据待检测钢轨型号信息，匹配几何特征标准值和几何特征偏差阈值；将几何特征和对应的标准值比对，计算偏差值和偏差阈值比较；将不满足的待检测区域的几何特征和几何特征偏差度添加进结构不合格标签；通过图像采集设备对钢轨进行图像采集输入缺陷检测模型得到缺陷类型和缺陷位置，结合前述的不合格标签对钢轨进行特征标识的技术方案，通过根据钢轨型号统一设定的几何特征标准值和几何特征偏差阈值客观性较高，提高了几何特征检测的准确性，再利用智能化模型提取表面缺陷，实现了几何特征和缺陷特征的多维度自动化检测，进而达到了提高钢轨检测方案自动化程度和适用性的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种基于机器视觉的钢轨智能化检测方法流程示意图；
图2为本申请实施例提供了一种基于机器视觉的钢轨智能化检测方法的预设缺陷指标待检列表的匹配流程示意图；
图3为本申请实施例提供了一种基于机器视觉的钢轨智能化检测方法中激活缺陷检测模型流程示意图；
图4为本申请实施例提供了一种基于机器视觉的钢轨智能化检测系统结构示意图。
附图标记说明：激光测量设备001，图像采集设备002，几何特征提取模块11，信息匹配模块12，特征值比对模块13，不合格标签生成模块14，模型激活模块15，缺陷检测模块16，特征标识模块17。
具体实施方式
本申请实施例通过提供了一种基于机器视觉的钢轨智能化检测方法及系统，解决了现有技术中存在缺乏适用性较强的自动化程度高的钢轨质量的检测方案的技术问题。通过根据钢轨型号统一设定的几何特征标准值和几何特征偏差阈值客观性较高，提高了几何特征检测的准确性，再利用智能化模型提取表面缺陷，实现了几何特征和缺陷特征的多维度自动化检测，进而达到了提高钢轨检测方案自动化程度和适用性的技术效果。
申请概述
钢轨质量检测是钢轨生产制造过程重要的任务之一，现有技术中的钢轨质量检测，主流是通过人工为主，机器为辅的质量检测，此种方式检测由于自动化程度低，且检测效率较低；虽然随着人工智能的发展，有提出对于钢轨的自动化检测方式，但是由于适用场景有限，导致存在适用性较差的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种基于机器视觉的钢轨智能化检测方法及系统。由于采用了利用激光测量设备采集通过预设区域的钢轨待检测区域的图像，提取出待检测区域的几何特征集合；再根据待检测钢轨型号信息，匹配几何特征标准值和几何特征偏差阈值；将几何特征和对应的标准值比对，计算偏差值和偏差阈值比较；将不满足的待检测区域的几何特征和几何特征偏差度添加进结构不合格标签；通过图像采集设备对钢轨进行图像采集输入缺陷检测模型得到缺陷类型和缺陷位置，结合前述的不合格标签对钢轨进行特征标识的技术方案，通过根据钢轨型号统一设定的几何特征标准值和几何特征偏差阈值客观性较高，提高了几何特征检测的准确性，再利用智能化模型提取表面缺陷，实现了几何特征和缺陷特征的多维度自动化检测，进而达到了提高钢轨检测方案自动化程度和适用性的技术效果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种基于机器视觉的钢轨智能化检测方法，其中，所述方法应用于一基于机器视觉的钢轨智能化检测系统，所述系统和激光测量设备、图像采集设备通信连接，所述方法包括步骤：
S100：当待检测钢轨进行预设区域，通过激光测量设备对钢轨待检测区域多方位扫描，提取待检测区域几何特征集合；
进一步的，基于所述当待检测钢轨进行预设区域，通过激光测量设备对钢轨待检测区域多方位扫描，提取待检测区域几何特征集合，步骤S100包括步骤：
S110：根据所述激光测量设备，获取扫描范围阈值，其中，所述扫描范围阈值包括第一边界位置和第二边界位置；
S120：根据所述待检测钢轨，获取钢轨输送速度；
S130：根据所述第一边界位置、所述第二边界位置和所述钢轨输送速度，生成激光扫描周期；
进一步的，基于所述根据所述第一边界位置、所述第二边界位置和所述钢轨输送速度，生成激光扫描周期，步骤S130包括步骤：
S131：根据所述激光测量设备，获取速度同步时间；
S132：获取激光扫描周期计算公式：
Figure 100002_DEST_PATH_IMAGE001
其中，T为激光扫描周期，x2为第二边界位置， x1为第一边界位置， v为钢轨输送速度， ta为速度同步时间， tb为激光测量设备复位时间；
S133：将所述第一边界位置、所述第二边界位置、所述钢轨输送速度和所述速度同步时间输入所述激光扫描周期计算公式，生成所述激光扫描周期。
S140：当所述待检测钢轨进入所述第一边界位置时，开始所述激光扫描周期的计量，获取周期计量时长；
S150：当所述周期计量时长满足所述激光扫描周期时，根据所述钢轨输送速度同步所述激光测量设备的移动速度后进行激光扫描，获取第一周期扫描图像集合、第二周期扫描图像集合直到第N周期扫描图像集合；
S160：对所述第一周期扫描图像集合、所述第二周期扫描图像集合直到所述第N周期扫描图像集合进行特征提取，生成所述待检测区域几何特征集合。
具体而言，待检测钢轨为制造完成，需要进行质量检测的钢轨；预设区域为预先设定的用于对待检测钢轨进行质量检测的位置，优选的：当生产制造完成的钢轨输送至预设区域时，即生成钢轨质量检测指令，即控制相应的质量检测设备，示例性地如：激光测量设备和图像采集设备等；激活相应的系统，示例性地如：基于机器视觉的钢轨智能化检测系统，即应用本申请实施例所述的一种基于机器视觉的钢轨智能化检测方法的计算机虚拟系统。利用激光测量设备、图像采集设备以及基于机器视觉的钢轨智能化检测系统开始质量检测。
钢轨待检测区域指的是待检测钢轨需要进行质量检测的区域位置，默认值为整段钢轨，工作人员可自定义部分钢轨区域被检测，于此不多加赘述；待检测区域几何特征集合为调用分布在待检测钢轨不同方位的多个激光测量设备对待检测钢轨进行激光测量图像采集后，再对激光测量图像采集结果进行特征提取后得到的表征钢轨待检测区域各部分尺寸信息的数据集合。特征提取方式优选的使用基于卷积神经网络构建的图像特征提取器实现，卷积神经网络由于对于图像特征具有较高的敏感性，进而构建的图像特征提取器提取的特征信息较为准确，后步的图像特征提取方式都优选为基于卷积神经网络构建的图像特征提取器实现，训练过程统一为：上传多组：图像采集结果和特征提取结果标识数据，以图像采集结果作为训练输入数据，以特征提取结果标识数据为训练输出标识数据，基于卷积神经网络进行有监督学习构建得到。
待检测区域几何特征集合详细过程如下：
扫描范围阈值指的是表征激光测量设备扫描边界信息的数据；第一边界位置和第二边界位置指的是和待检测钢轨输送方向重合的两个边界位置，优选的待检测钢轨从第一边界位置进入激光测量设备可扫描区域，从第二边界位置输送出激光测量设备可扫描区域；钢轨输送速度指的是待检测钢轨的输送速度，优选以厘米/秒统计，可选的后续涉及到长度或者尺寸的单位都为厘米统计，涉及体积的单位都为立方厘米统计，涉及到面积的单位都为平方厘米统计，涉及到时间的单位都为秒统计，但是对此并不做限制；由于钢轨是动态输送的，进入预设区域内的仅为钢轨的一段，因此需要通过对待检测钢轨进行多时间点的分段的扫描，才能得到待检测钢轨的钢轨待检测区域的全部图像集合，由此需要根据第一边界位置、第二边界位置和钢轨输送速度，确定激光扫描周期，由于控制激光测量设备的图像采集周期，即当钢轨的一部分完全前端开始进入第一边界位置时，开始计量时间，记为周期计量时长，当满足激光扫描周期时，开启激光扫描设备同步钢轨输送速度，当钢轨一部分的前端抵达第二边界位置时速度完成同步，开启图像采集，重复多个周期，得到第一周期扫描图像集合、第二周期扫描图像集合直到第N周期扫描图像集合，N表征将待检测钢轨的待检测区域的图像都采集完成后的周期数目；对第一周期扫描图像集合、第二周期扫描图像集合直到第N周期扫描图像集合进行特征提取，即得到待检测区域几何特征集合。而同步钢轨输送速度采集的图像质量较高，利于提高特征提取的准确性。
其中，激光扫描周期确定流程如下：
速度同步时间指的是激光测量设备的速度同步时间长度；则根据激光扫描周期计算公式：
Figure 436291DEST_PATH_IMAGE001
其中，T为激光扫描周期，x2为第二边界位置， x1为第一边界位置，且规定第二边界位置在长度坐标上位于第一边界位置之后，由此x2－x1为非负数，表征两个位置之间的距离大小， v为钢轨输送速度， ta为速度同步时间， tb为激光测量设备复位时间；
输入第一边界位置、第二边界位置、钢轨输送速度和速度同步时间，计算激光扫描周期，通过激光扫描周期计算公式确定的激光扫描周期，可以刚好在钢轨输送至第二边界位置时实现速度同步进行图像采集，再通过激光测量设备复位时间复位，准备下一周期的检测。实现动态图像的采集。
S200：根据待检测钢轨型号信息，匹配几何特征标准值列表、几何特征偏差度阈值列表和预设缺陷指标待检列表；
进一步的，基于所述根据待检测钢轨型号信息，匹配几何特征标准值列表、几何特征偏差度阈值列表，步骤S200包括步骤：
S210：根据所述待检测钢轨型号信息，获取样品钢轨图像集合；
S220：对所述样品钢轨图像集合进行特征提取，生成所述几何特征标准值列表；
S230：统计预设时间粒度的几何特征偏差事故记录数据，其中，所述几何特征偏差事故记录数据包括事故特征类型、事故特征偏差值和事故发生频率；
S240：将所述事故发生频率满足预设发生频率的相同所述事故特征类型的所述事故特征偏差值由大到小进行排序，获取排序结果；
S250：提取所述排序结果尾部的所述事故特征偏差值，添加进所述几何特征偏差度阈值列表。
具体而言，几何特征标准值列表指的是表征待检测钢轨的几何特征的标准值，即规定的尺寸值集合；几何特征偏差度阈值列表规定的实际几个特征和几何特征标准值之间可允许的最小偏差值集合。
几何特征标准值列表确定过程如下：样品钢轨图像集合指的是待检测钢轨型号的标准钢轨样品的图像集合；对样品钢轨图像集合进行几何特征提取，确定几何特征标准值列表。
几何特征偏差度阈值列表确定过程如下：以其中一个几何特征偏差度阈值举不设限制的一例：
预设时间粒度指的是预设的从当前时间节点往过去计量的预设时长；几何特征偏差事故记录数据指的是预设时间粒度内记录的由于几何特征偏差造成的事故记录数据；事故特征类型指的是造成事故的几何特征类型（即表征位置）；事故特征偏差值指的是几何特征和标准值之间的偏差值；事故发生频率指的是当前这个几何特征类型的这个偏差值造成的事故频率；预设发生频率指的是预设的筛选事故特征类型的频率值，可由工作人员自定义设定；将事故发生频率满足预设发生频率的相同事故特征类型的事故特征偏差值由大到小进行排序，记为排序结果；提取排序结果尾部的事故特征偏差值，即最小的偏差值作为几何特征偏差度阈值，添加进几何特征偏差度阈值列表。通过历史数据统计，确定的几何特征偏差度阈值，相比于根据经验设定，客观性较强，参考价值较高。
进一步的，如图2所示，基于所述根据待检测钢轨型号信息，匹配预设缺陷指标待检列表，步骤S200还包括步骤S260，步骤S260还包括步骤：
S261：根据所述待检测钢轨型号信息，匹配初始待检测缺陷集合；
S262：将所述待检测钢轨型号信息和所述初始待检测缺陷集合输入第一评分方、第二评分方直到第M评分方，获取第一缺陷重要度评分集合，第二缺陷重要度评分集合直到第M缺陷重要度评分集合；
S263：根据所述第一缺陷重要度评分集合，所述第二缺陷重要度评分集合直到所述第M缺陷重要度评分集合对所述初始待检测缺陷集合进行权重分布，获取缺陷集合权重分布结果；
S264：将所述缺陷集合权重分布结果不满足预设权重值的所述缺陷，添加进所述预设缺陷指标待检列表。
进一步的，基于所述根据所述第一缺陷重要度评分集合，所述第二缺陷重要度评分集合直到所述第M缺陷重要度评分集合对所述初始待检测缺陷集合进行权重分布，获取缺陷集合权重分布结果，步骤S263包括步骤：
S263-1：遍历所述第一缺陷重要度评分集合，所述第二缺陷重要度评分集合直到所述第M缺陷重要度评分集合，获取重要度评分总和；
S263-2：遍历所述第一缺陷重要度评分集合，所述第二缺陷重要度评分集合直到所述第M缺陷重要度评分集合，获取第一类型缺陷重要度评分总和、第二类型缺陷重要度评分总和直到第L类型缺陷重要度评分总和；
S263-3：根据所述第一类型缺陷重要度评分总和、所述第二类型缺陷重要度评分总和直到所述第L类型缺陷重要度评分总和，生成所述缺陷集合权重分布结果。
具体而言，初始待检测缺陷集合指的是根据待检测钢轨型号信息匹配的对应型号应检测的缺陷类型集合，示例性地：轧疤、轧痕、腰裂、划痕、拉铁丝、撞角、烤蓝、拉裂、污渍、颜色缺失、标记缺失等缺陷，优选将待检测钢轨型号-初始待检测缺陷集合，基于大数据采集多方数据构建多个数据组进行存储，便于根据待检测钢轨型号快速确定初始待检测缺陷集合；预设缺陷指标待检列表指的是预设的需要对待检测钢轨进行检测的缺陷集合；第一评分方、第二评分方直到第M评分方指的是用于对待检测钢轨的用于根据待检测钢轨型号信息和初始待检测缺陷集合，评估各个缺陷的检测重要度的参与方，任意一个评分方可选的为：钢轨生产厂家、钢轨质检厂家等形式，任意两个评分方之间评分时处于信息隔离状态；通过第一评分方、第二评分方直到第M评分方，得到第一缺陷重要度评分集合，第二缺陷重要度评分集合直到第M缺陷重要度评分集合，进而进行权重分布，得到表征缺陷对钢轨质量影响重要度的缺陷集合权重分布结果，权重分布过程优选的如下：
计算第一缺陷重要度评分集合，第二缺陷重要度评分集合直到第M缺陷重要度评分集合的评分总和，记为重要度评分总和，再计算任意一个类型的缺陷评分总和，记为第一类型缺陷重要度评分总和、第二类型缺陷重要度评分总和直到第L类型缺陷重要度评分总和，L表示缺陷类型数量；优选依据形如：第L类型缺陷权重=第L类型缺陷重要度评分总和/重要度评分总和，确定得到全部缺陷类型的权重分布结果，记为缺陷集合权重分布结果。
预设权重值指的是预设的筛除缺陷类型的最低权重值，提取预设权重值不满足预设权重值，即大于等于预设权重值的缺陷类型，添加进预设缺陷指标待检列表，通常而言，对于质量影响程度更高的缺陷，检测重要度评分越高，通过权重分布筛选出的预设缺陷指标待检列表，会筛除诸如污渍、颜色缺失、标记缺失等对质量影响程度较低的缺陷，达到排除冗杂数据干扰，提高关键指标检测效率的技术效果。
S300：遍历所述待检测区域几何特征集合和所述几何特征标准值列表进行特征值对比，获得几何特征偏差值列表；
S400：遍历所述几何特征偏差度阈值列表和所述几何特征偏差值列表进行比对，将不满足所述几何特征偏差度阈值的所述几何特征和所述几何特征偏差度，添加进结构不合格标签；
具体而言，几何特征偏差值列表指的是遍历待检测区域几何特征集合和几何特征标准值列表，将相同类型，即一一对应位置的几何特征和几何特征标准值进行比对，求取偏差值，优选的为：偏差值=几何特征特征值-几何特征标准值，存储得到的结果。
结构不合格标签指的是遍历几何特征偏差度阈值列表和几何特征偏差值列表进行比对，将不满足几何特征偏差度阈值的几何特征和几何特征偏差度一一关联存储得到的结果，通过结构不合格标签可表征待检测钢轨不合格的尺寸位置和尺寸偏差。
S500：根据所述预设缺陷指标待检列表，激活缺陷检测模型；
进一步的，如图3所示，基于所述根据所述预设缺陷指标待检列表，激活缺陷检测模型，步骤S500包括步骤：
S510：遍历所述初始待检测缺陷集合，匹配缺陷检测训练数据集；
S520：根据所述缺陷检测训练数据集，构建所述缺陷检测模型，其中，所述缺陷检测模型包括第一类型缺陷检测子模型，第二类型缺陷检测子模型直到第L类型缺陷检测子模型；
S530：遍历所述预设缺陷指标待检列表，激活所述第一类型缺陷检测子模型，所述第二类型缺陷检测子模型直到所述第L类型缺陷检测子模型。
具体而言，缺陷检测模型指的是用于进行缺陷检测的智能化模型，构建过程举不设限制的一例：
缺陷检测训练数据集指的是用于训练缺陷检测模型的数据集，缺陷检测训练数据集包括和初始待检测缺陷集合中缺陷类型数量相同的多个大组数据集，任意一大组数据都包括：多组钢轨图像采集记录数据和对应钢轨缺陷的特征记录数据；进一步的，根据任意一个大组内的多组钢轨图像采集记录数据和对应钢轨缺陷的特征记录数据构建一个缺陷检测子模型，构建方式为：将钢轨图像采集记录数据作为输入训练数据，将对应钢轨缺陷的特征记录数据作为输出训练数据，优选为支持向量机构建子模型，选择支持向量机的原因是，制造厂商通常只具有小样本数据，支持向量机更容易收敛，当自动化应用时间较长，数据存储量较多时，则可选用决策树或神经网络模型。将训练完成的多个子模型合并，得到缺陷检测模型，各个子模型相对独立，可并行进行多种类型的缺陷检测。
训练完成后的缺陷检测模型，包括和预设缺陷指标待检列表相对应的第一类型缺陷检测子模型，第二类型缺陷检测子模型直到第L类型缺陷检测子模型；根据预设缺陷指标待检列表，激活所述第一类型缺陷检测子模型，所述第二类型缺陷检测子模型直到所述第L类型缺陷检测子模型，等待调用，未激活的子模型不进行工作。通过定向的激活子模型，可有效的提高缺陷检测效率。
S600：通过图像采集设备对所述钢轨待检测区域图像采集，获取待检测区域表面图像集合，输入所述缺陷检测模型，生成缺陷检测结果，其中，所述缺陷检测结果包括缺陷类型和缺陷位置；
具体而言，图像采集设备指的是用于对待检测钢轨的钢轨待检测区域进行图像采集的装置，优选为工业摄像机；待检测区域表面图像集合指的是通过图像采集设备对待检测钢轨的钢轨待检测区域进行图像采集的结果；将待检测区域表面图像集合输入缺陷检测模型，即可得到和预设缺陷指标待检列表一一对应的缺陷检测结果，当具有对应的缺陷时，则具有缺陷类型和缺陷位置特征数据，将缺陷类型和缺陷位置一一关联存储，置为待响应状态，等待后步快速调用。
S700：根据所述不合格标签、所述缺陷类型和所述缺陷位置对所述待检测钢轨进行特征标识。
具体而言，使用不合格标签、缺陷类型和缺陷位置对待检测钢轨进行特征标识，标识完成后即完成对于待检测钢轨的待检测区域的尺寸和缺陷检测，由于缺陷检测模型内部可进行各种类型缺陷的适应性检测，适用范围较广，而基于大数据设定的几何特征标准值和几何特征偏差度阈值客观性更强，实现了智能化程度较高，适用范围较广的钢轨质量检测。
综上所述，本申请实施例所提供的一种基于机器视觉的钢轨智能化检测方法及系统具有如下技术效果：
1. 由于采用了利用激光测量设备采集通过预设区域的钢轨待检测区域的图像，提取出待检测区域的几何特征集合；再根据待检测钢轨型号信息，匹配几何特征标准值和几何特征偏差阈值；将几何特征和对应的标准值比对，计算偏差值和偏差阈值比较；将不满足的待检测区域的几何特征和几何特征偏差度添加进结构不合格标签；通过图像采集设备对钢轨进行图像采集输入缺陷检测模型得到缺陷类型和缺陷位置，结合前述的不合格标签对钢轨进行特征标识的技术方案，通过根据钢轨型号统一设定的几何特征标准值和几何特征偏差阈值客观性较高，提高了几何特征检测的准确性，再利用智能化模型提取表面缺陷，实现了几何特征和缺陷特征的多维度自动化检测，进而达到了提高钢轨检测方案自动化程度和适用性的技术效果。
2. 通过对激光测量设备和待检测钢轨的速度同步以及激光扫描周期的设定，解决了传统的图像采集方式对于动态物采集效果的较差的问题，提高了图像采集结果的质量，为得到准确的质量检测结果奠定了数据基础。
实施例二
基于与前述实施例中一种基于机器视觉的钢轨智能化检测方法相同的发明构思，如图4所示，本申请实施例提供了一种基于机器视觉的钢轨智能化检测系统，其中，所述系统和激光测量设备001、图像采集设备002通信连接，所述系统包括：
几何特征提取模块11，用于当待检测钢轨进行预设区域，通过激光测量设备对钢轨待检测区域多方位扫描，提取待检测区域几何特征集合；
信息匹配模块12，用于根据待检测钢轨型号信息，匹配几何特征标准值列表、几何特征偏差度阈值列表和预设缺陷指标待检列表；
特征值比对模块13，用于遍历所述待检测区域几何特征集合和所述几何特征标准值列表进行特征值对比，获得几何特征偏差值列表；
不合格标签生成模块14，用于遍历所述几何特征偏差度阈值列表和所述几何特征偏差值列表进行比对，将不满足所述几何特征偏差度阈值的所述几何特征和所述几何特征偏差度，添加进结构不合格标签；
模型激活模块15，用于根据所述预设缺陷指标待检列表，激活缺陷检测模型；
缺陷检测模块16，用于通过图像采集设备对所述钢轨待检测区域图像采集，获取待检测区域表面图像集合，输入所述缺陷检测模型，生成缺陷检测结果，其中，所述缺陷检测结果包括缺陷类型和缺陷位置；
特征标识模块17，用于根据所述不合格标签、所述缺陷类型和所述缺陷位置对所述待检测钢轨进行特征标识。
进一步的，所述几何特征提取模块11执行步骤包括：
根据所述激光测量设备，获取扫描范围阈值，其中，所述扫描范围阈值包括第一边界位置和第二边界位置；
根据所述待检测钢轨，获取钢轨输送速度；
根据所述第一边界位置、所述第二边界位置和所述钢轨输送速度，生成激光扫描周期；
当所述待检测钢轨进入所述第一边界位置时，开始所述激光扫描周期的计量，获取周期计量时长；
当所述周期计量时长满足所述激光扫描周期时，根据所述钢轨输送速度同步所述激光测量设备的移动速度后进行激光扫描，获取第一周期扫描图像集合、第二周期扫描图像集合直到第N周期扫描图像集合；
对所述第一周期扫描图像集合、所述第二周期扫描图像集合直到所述第N周期扫描图像集合进行特征提取，生成所述待检测区域几何特征集合。
进一步的，所述几何特征提取模块11执行步骤包括：
根据所述激光测量设备，获取速度同步时间；
获取激光扫描周期计算公式：
Figure 822273DEST_PATH_IMAGE001
其中，T为激光扫描周期，x2为第二边界位置， x1为第一边界位置， v为钢轨输送速度， ta为速度同步时间， tb为激光测量设备复位时间；
将所述第一边界位置、所述第二边界位置、所述钢轨输送速度和所述速度同步时间输入所述激光扫描周期计算公式，生成所述激光扫描周期。
进一步的，所述信息匹配模块12执行步骤包括：
根据所述待检测钢轨型号信息，获取样品钢轨图像集合；
对所述样品钢轨图像集合进行特征提取，生成所述几何特征标准值列表；
统计预设时间粒度的几何特征偏差事故记录数据，其中，所述几何特征偏差事故记录数据包括事故特征类型、事故特征偏差值和事故发生频率；
将所述事故发生频率满足预设发生频率的相同所述事故特征类型的所述事故特征偏差值由大到小进行排序，获取排序结果；
提取所述排序结果尾部的所述事故特征偏差值，添加进所述几何特征偏差度阈值列表。
进一步的，所述信息匹配模块12执行步骤包括：
根据所述待检测钢轨型号信息，匹配初始待检测缺陷集合；
将所述待检测钢轨型号信息和所述初始待检测缺陷集合输入第一评分方、第二评分方直到第M评分方，获取第一缺陷重要度评分集合，第二缺陷重要度评分集合直到第M缺陷重要度评分集合；
根据所述第一缺陷重要度评分集合，所述第二缺陷重要度评分集合直到所述第M缺陷重要度评分集合对所述初始待检测缺陷集合进行权重分布，获取缺陷集合权重分布结果；
将所述缺陷集合权重分布结果不满足预设权重值的所述缺陷，添加进所述预设缺陷指标待检列表。
进一步的，所述信息匹配模块12执行步骤包括：
遍历所述第一缺陷重要度评分集合，所述第二缺陷重要度评分集合直到所述第M缺陷重要度评分集合，获取重要度评分总和；
遍历所述第一缺陷重要度评分集合，所述第二缺陷重要度评分集合直到所述第M缺陷重要度评分集合，获取第一类型缺陷重要度评分总和、第二类型缺陷重要度评分总和直到第L类型缺陷重要度评分总和；
根据所述第一类型缺陷重要度评分总和、所述第二类型缺陷重要度评分总和直到所述第L类型缺陷重要度评分总和，生成所述缺陷集合权重分布结果。
进一步的，所述模型激活模块15执行步骤包括：
遍历所述初始待检测缺陷集合，匹配缺陷检测训练数据集；
根据所述缺陷检测训练数据集，构建所述缺陷检测模型，其中，所述缺陷检测模型包括第一类型缺陷检测子模型，第二类型缺陷检测子模型直到第L类型缺陷检测子模型；
遍历所述预设缺陷指标待检列表，激活所述第一类型缺陷检测子模型，所述第二类型缺陷检测子模型直到所述第L类型缺陷检测子模型。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (7)

1.一种基于机器视觉的钢轨智能化检测方法，其特征在于，所述方法应用于一基于机器视觉的钢轨智能化检测系统，所述系统和激光测量设备、图像采集设备通信连接，所述方法包括：
当待检测钢轨进行预设区域，通过激光测量设备对钢轨待检测区域多方位扫描，提取待检测区域几何特征集合；
根据待检测钢轨型号信息，匹配几何特征标准值列表、几何特征偏差度阈值列表和预设缺陷指标待检列表；
遍历所述待检测区域几何特征集合和所述几何特征标准值列表进行特征值对比，获得几何特征偏差值列表；
遍历所述几何特征偏差度阈值列表和所述几何特征偏差值列表进行比对，将不满足所述几何特征偏差度阈值的所述几何特征和所述几何特征偏差度，添加进结构不合格标签；
根据所述预设缺陷指标待检列表，激活缺陷检测模型；
通过图像采集设备对所述钢轨待检测区域图像采集，获取待检测区域表面图像集合，输入所述缺陷检测模型，生成缺陷检测结果，其中，所述缺陷检测结果包括缺陷类型和缺陷位置；
根据所述不合格标签、所述缺陷类型和所述缺陷位置对所述待检测钢轨进行特征标识；
其中，所述当待检测钢轨进行预设区域，通过激光测量设备对钢轨待检测区域多方位扫描，提取待检测区域几何特征集合，包括：
根据所述激光测量设备，获取扫描范围阈值，其中，所述扫描范围阈值包括第一边界位置和第二边界位置；
根据所述待检测钢轨，获取钢轨输送速度；
根据所述第一边界位置、所述第二边界位置和所述钢轨输送速度，生成激光扫描周期；
当所述待检测钢轨进入所述第一边界位置时，开始所述激光扫描周期的计量，获取周期计量时长，所述周期计量时长为对钢轨进入激光扫描周期开始的记录时间长度；
当所述周期计量时长满足所述激光扫描周期时，根据所述钢轨输送速度同步所述激光测量设备的移动速度后进行激光扫描，获取第一周期扫描图像集合、第二周期扫描图像集合直到第N周期扫描图像集合；
对所述第一周期扫描图像集合、所述第二周期扫描图像集合直到所述第N周期扫描图像集合进行特征提取，生成所述待检测区域几何特征集合。
2.如权利要求1所述的方法，其特征在于，所述根据所述第一边界位置、所述第二边界位置和所述钢轨输送速度，生成激光扫描周期，包括：
根据所述激光测量设备，获取速度同步时间；
获取激光扫描周期计算公式：
Figure DEST_PATH_IMAGE001
其中，T为激光扫描周期，
Figure 201657DEST_PATH_IMAGE002
为第二边界位置，
Figure DEST_PATH_IMAGE003
为第一边界位置，
Figure 181114DEST_PATH_IMAGE004
为钢轨输送速度，
Figure DEST_PATH_IMAGE005
为速度同步时间，
Figure 23168DEST_PATH_IMAGE006
为激光测量设备复位时间；
将所述第一边界位置、所述第二边界位置、所述钢轨输送速度和所述速度同步时间输入所述激光扫描周期计算公式，生成所述激光扫描周期。
3.如权利要求1所述的方法，其特征在于，所述根据待检测钢轨型号信息，匹配几何特征标准值列表、几何特征偏差度阈值列表，包括：
根据所述待检测钢轨型号信息，获取样品钢轨图像集合；
对所述样品钢轨图像集合进行特征提取，生成所述几何特征标准值列表；
统计预设时间粒度的几何特征偏差事故记录数据，其中，所述几何特征偏差事故记录数据包括事故特征类型、事故特征偏差值和事故发生频率；
将所述事故发生频率满足预设发生频率的相同所述事故特征类型的所述事故特征偏差值由大到小进行排序，获取排序结果；
提取所述排序结果尾部的所述事故特征偏差值，添加进所述几何特征偏差度阈值列表。
4.如权利要求1所述的方法，其特征在于，所述根据待检测钢轨型号信息，匹配预设缺陷指标待检列表，包括：
根据所述待检测钢轨型号信息，匹配初始待检测缺陷集合；
将所述待检测钢轨型号信息和所述初始待检测缺陷集合输入第一评分方、第二评分方直到第M评分方，获取第一缺陷重要度评分集合，第二缺陷重要度评分集合直到第M缺陷重要度评分集合；
根据所述第一缺陷重要度评分集合，所述第二缺陷重要度评分集合直到所述第M缺陷重要度评分集合对所述初始待检测缺陷集合进行权重分布，获取缺陷集合权重分布结果；
将所述缺陷集合权重分布结果不满足预设权重值的所述缺陷，添加进所述预设缺陷指标待检列表。
5.如权利要求4所述的方法，其特征在于，所述根据所述第一缺陷重要度评分集合，所述第二缺陷重要度评分集合直到所述第M缺陷重要度评分集合对所述初始待检测缺陷集合进行权重分布，获取缺陷集合权重分布结果，包括：
遍历所述第一缺陷重要度评分集合，所述第二缺陷重要度评分集合直到所述第M缺陷重要度评分集合，获取重要度评分总和；
遍历所述第一缺陷重要度评分集合，所述第二缺陷重要度评分集合直到所述第M缺陷重要度评分集合，获取第一类型缺陷重要度评分总和、第二类型缺陷重要度评分总和直到第L类型缺陷重要度评分总和；
根据所述第一类型缺陷重要度评分总和、所述第二类型缺陷重要度评分总和直到所述第L类型缺陷重要度评分总和，生成所述缺陷集合权重分布结果。
6.如权利要求5所述的方法，其特征在于，所述根据所述预设缺陷指标待检列表，激活缺陷检测模型，包括：
遍历所述初始待检测缺陷集合，匹配缺陷检测训练数据集；
根据所述缺陷检测训练数据集，构建所述缺陷检测模型，其中，所述缺陷检测模型包括第一类型缺陷检测子模型，第二类型缺陷检测子模型直到第L类型缺陷检测子模型；
遍历所述预设缺陷指标待检列表，激活所述第一类型缺陷检测子模型，所述第二类型缺陷检测子模型直到所述第L类型缺陷检测子模型。
7.一种基于机器视觉的钢轨智能化检测系统，其特征在于，所述系统和激光测量设备、图像采集设备通信连接，所述系统包括：
几何特征提取模块，用于当待检测钢轨进行预设区域，通过激光测量设备对钢轨待检测区域多方位扫描，提取待检测区域几何特征集合；
信息匹配模块，用于根据待检测钢轨型号信息，匹配几何特征标准值列表、几何特征偏差度阈值列表和预设缺陷指标待检列表；
特征值比对模块，用于遍历所述待检测区域几何特征集合和所述几何特征标准值列表进行特征值对比，获得几何特征偏差值列表；
不合格标签生成模块，用于遍历所述几何特征偏差度阈值列表和所述几何特征偏差值列表进行比对，将不满足所述几何特征偏差度阈值的所述几何特征和所述几何特征偏差度，添加进结构不合格标签；
模型激活模块，用于根据所述预设缺陷指标待检列表，激活缺陷检测模型；
缺陷检测模块，用于通过图像采集设备对所述钢轨待检测区域图像采集，获取待检测区域表面图像集合，输入所述缺陷检测模型，生成缺陷检测结果，其中，所述缺陷检测结果包括缺陷类型和缺陷位置；
特征标识模块，用于根据所述不合格标签、所述缺陷类型和所述缺陷位置对所述待检测钢轨进行特征标识；
其中，所述几何特征提取模块执行步骤包括：根据所述激光测量设备，获取扫描范围阈值，其中，所述扫描范围阈值包括第一边界位置和第二边界位置；
根据所述待检测钢轨，获取钢轨输送速度；
根据所述第一边界位置、所述第二边界位置和所述钢轨输送速度，生成激光扫描周期；
当所述待检测钢轨进入所述第一边界位置时，开始所述激光扫描周期的计量，获取周期计量时长，所述周期计量时长为对钢轨进入激光扫描周期开始的记录时间长度；
当所述周期计量时长满足所述激光扫描周期时，根据所述钢轨输送速度同步所述激光测量设备的移动速度后进行激光扫描，获取第一周期扫描图像集合、第二周期扫描图像集合直到第N周期扫描图像集合；
对所述第一周期扫描图像集合、所述第二周期扫描图像集合直到所述第N周期扫描图像集合进行特征提取，生成所述待检测区域几何特征集合。
CN202210914040.1A 2022-08-01 2022-08-01 一种基于机器视觉的钢轨智能化检测方法及系统 Active CN114994061B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210914040.1A CN114994061B (zh) 2022-08-01 2022-08-01 一种基于机器视觉的钢轨智能化检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210914040.1A CN114994061B (zh) 2022-08-01 2022-08-01 一种基于机器视觉的钢轨智能化检测方法及系统

Publications (2)

Publication Number Publication Date
CN114994061A CN114994061A (zh) 2022-09-02
CN114994061B true CN114994061B (zh) 2022-11-22

Family

ID=83022688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210914040.1A Active CN114994061B (zh) 2022-08-01 2022-08-01 一种基于机器视觉的钢轨智能化检测方法及系统

Country Status (1)

Country Link
CN (1) CN114994061B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115431174B (zh) * 2022-09-05 2023-11-21 昆山市恒达精密机械工业有限公司 一种用于中板研磨控制的方法及系统
CN115830019B (zh) * 2023-02-14 2023-04-28 南京慧然科技有限公司 钢轨检测的三维点云校准处理方法及装置
CN116109592B (zh) * 2023-02-14 2023-06-30 天津翔铄车身科技有限公司 一种出料侧缺损视觉检测方法、系统及存储介质
CN116342499A (zh) * 2023-02-27 2023-06-27 平湖市恒创旅游用品股份有限公司 一种箱包的多维质检方法及系统
CN116499731B (zh) * 2023-06-27 2023-11-21 浙江春风动力股份有限公司 面向发动机高度柔性智能制造的活塞智能视觉检测系统
CN116563273B (zh) * 2023-06-30 2023-10-27 张家港广大特材股份有限公司 用于钢材缺陷的检测预警方法及系统
CN117094990B (zh) * 2023-10-16 2024-01-23 江苏富松模具科技有限公司 用于复合式冲压模具的缺陷检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1600351A1 (en) * 2004-04-01 2005-11-30 Heuristics GmbH Method and system for detecting defects and hazardous conditions in passing rail vehicles
CN106049210A (zh) * 2016-07-14 2016-10-26 北京鹰路科技有限公司 一种轨道状态智能检测平台
CN206057966U (zh) * 2016-07-14 2017-03-29 上海富洋云网机器人股份有限公司 一种用于运载式机器人的同步速度跟踪控制器
EP3333043A1 (en) * 2016-12-08 2018-06-13 Siemens Rail Automation S.A.U. Rail inspection system and method
CN112172862A (zh) * 2020-09-04 2021-01-05 天津津航技术物理研究所 一种多功能轨道检测系统
CN114312905A (zh) * 2021-11-25 2022-04-12 广州智为科技发展有限公司 一种道岔尖轨形态图像实时监测装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012257173A (ja) * 2011-06-10 2012-12-27 Canon Inc 追尾装置、追尾方法及びプログラム
EP3203264A1 (en) * 2016-02-04 2017-08-09 Mettler-Toledo GmbH Method of imaging an object for tracking and documentation in transportation and storage
AT519088B1 (de) * 2017-02-07 2018-04-15 Plasser & Theurer Export Von Bahnbaumaschinen Gmbh Verfahren zur berührungslosen Erfassung einer Gleisgeometrie
RU190003U1 (ru) * 2019-04-17 2019-06-14 Акционерное общество "Фирма ТВЕМА" Мобильное устройство визуального обнаружения дефектов рельсового пути

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1600351A1 (en) * 2004-04-01 2005-11-30 Heuristics GmbH Method and system for detecting defects and hazardous conditions in passing rail vehicles
CN106049210A (zh) * 2016-07-14 2016-10-26 北京鹰路科技有限公司 一种轨道状态智能检测平台
CN206057966U (zh) * 2016-07-14 2017-03-29 上海富洋云网机器人股份有限公司 一种用于运载式机器人的同步速度跟踪控制器
EP3333043A1 (en) * 2016-12-08 2018-06-13 Siemens Rail Automation S.A.U. Rail inspection system and method
CN112172862A (zh) * 2020-09-04 2021-01-05 天津津航技术物理研究所 一种多功能轨道检测系统
CN114312905A (zh) * 2021-11-25 2022-04-12 广州智为科技发展有限公司 一种道岔尖轨形态图像实时监测装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
铁路线路安全评价指标体系的探讨;宋祥波;《黑龙江科技信息》;20091231;第27卷;第48页 *

Also Published As

Publication number Publication date
CN114994061A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN114994061B (zh) 一种基于机器视觉的钢轨智能化检测方法及系统
CN106886216B (zh) 基于rgbd人脸检测的机器人自动跟踪方法和系统
CN108346144B (zh) 基于计算机视觉的桥梁裂缝自动监测与识别方法
CN107978110A (zh) 基于图像匹配的电子围栏智能在位识别系统及识别方法
CN110490842A (zh) 一种基于深度学习的带钢表面缺陷检测方法
CN108711148A (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN109840900A (zh) 一种应用于智能制造车间的故障在线检测系统及检测方法
CN114677362B (zh) 基于改进YOLOv5的表面缺陷检测方法
CN110186375A (zh) 智能化高铁白车身焊接装配特征检测装置及检测方法
CN112862757A (zh) 一种基于计算机视觉技术的重量评估系统及实现方法
CN113284154B (zh) 钢卷端面图像分割方法、装置及电子设备
WO2024002187A1 (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN114332004A (zh) 一种瓷砖表面缺陷检测方法、装置、电子设备及存储介质
CN114066848A (zh) 一种fpca外观缺陷视觉检测系统
CN114462646B (zh) 一种基于接触网安全巡检的杆号牌识别方法及系统
CN115599844A (zh) 一种飞机翼面连接件错装漏装可视化检测方法
CN113077416A (zh) 一种基于图像处理的焊点焊接缺陷检测方法与系统
CN108827200A (zh) 一种船体分段智能检测系统及方法
CN117455917B (zh) 一种蚀刻引线框架误报库建立及误报在线判定筛选方法
CN116843615B (zh) 一种基于柔性光路的引线框架智能全检方法
CN108765391A (zh) 一种基于深度学习的平板玻璃异物影像分析方法
CN115830302B (zh) 一种多尺度特征提取融合配电网设备定位识别方法
CN110160455B (zh) 间隙面差检测系统
Liu et al. Research on surface defect detection based on semantic segmentation
CN116091506A (zh) 一种基于yolov5的机器视觉缺陷质检方法

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