CN115035087A - 一种新型铁路线路图像检测方法及系统 - Google Patents
一种新型铁路线路图像检测方法及系统 Download PDFInfo
- Publication number
- CN115035087A CN115035087A CN202210741855.4A CN202210741855A CN115035087A CN 115035087 A CN115035087 A CN 115035087A CN 202210741855 A CN202210741855 A CN 202210741855A CN 115035087 A CN115035087 A CN 115035087A
- Authority
- CN
- China
- Prior art keywords
- train
- image
- data
- fault
- line image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本申请公开了一种新型铁路线路图像检测方法及系统,线路图像检测方法包括:列车图像采集步骤:根据车站标签检测到列车出站后,将列车转速转化为脉冲信号,根据所述脉冲信号采集列车图像;列车图像处理步骤:对所述列车图像进行处理,获得处理后的列车图像;故障识别结果获取步骤:通过深度学习算法,对处理后的所述列车图像进行故障识别,获得故障识别结果;列车轮廓数据获得步骤:根据陀螺仪数据与倾角数据,计算获得扭曲值,对所述扭曲值进行处理,获得轮廓数据;线路图像检测结果获取步骤:根据处理后的所述列车图像、所述故障识别结果及所述轮廓数据,输出线路图像检测结果。
Description
技术领域
本申请涉及轨道检测技术领域,尤其涉及一种新型铁路线路图像检测方法及系统。
背景技术
近年内新建铁路数量逐年增加,铁路线路施工由于受地理条件的限制,长大桥梁和特长隧道的数量有所提高,现有铁路为了扩大运能也在全面提速,并向“高速、重载”的目标发展,铁路提速后对线路状况的要求也越来越高。由于车流密度的不断增加和长大桥隧在线路中所占比例的提高,使工务巡检、轨道探伤、电务巡检、轨道几何参数检测等工作环境条件不断恶化,一方面是工作人员的人身安全得不到保障,另一方面,人工作业已远远不能满足现有铁路全面发展的要求。同时,目前已投入使用的轨道检测设备大部分还是基于专用器械的检测仪器,自动化程度较低。因而,轨道检测过程中,如何提高轨道检测设备的自动化程度成为一个亟待解决的问题。
发明内容
本申请实施例提供了一种新型铁路线路图像检测方法及系统,以至少通过本发明解决了轨道线路检测过程中,检测设备自动化程度低、人工检测的人员配置多、检测精度低、图像处理效率低、数据传输耗时长等问题。
本发明提供了一种新型铁路线路图像检测方法,包括:
列车图像采集步骤:根据车站标签检测到列车出站后,将列车转速转化为脉冲信号,根据所述脉冲信号采集列车图像;
列车图像处理步骤:对所述列车图像进行处理,获得处理后的列车图像;
故障识别结果获取步骤:通过深度学习算法,对处理后的所述列车图像进行故障识别,获得故障识别结果;
列车轮廓数据获得步骤:根据陀螺仪数据与倾角数据,计算获得扭曲值,对所述扭曲值进行处理,获得轮廓数据;
线路图像检测结果获取步骤:根据处理后的所述列车图像、所述故障识别结果及所述轮廓数据,输出线路图像检测结果。
上述的线路图像检测方法,其中,所述列车图像采集步骤包括:
识别所述车站标签获得识别结果,根据所述识别结果判断所述列车是否进入到待检轨道区域,获得判断结果;
根据所述判断结果采集获得所述列车转速,当检测到所述列车转速大于0,并检测到所述列车出站后,发送上电指令。
上述的线路图像检测方法,其中,所述列车图像采集步骤还包括:
将所述列车转速转化为所述脉冲信号后,根据所述脉冲信号与所述上电指令,采集所述列车图像。
上述的线路图像检测方法,其中,所述列车图像处理步骤包括:
对所述列车图像进行图像融合,获得图像融合后的列车图像。
上述的线路图像检测方法,其中,所述列车图像处理步骤还包括:
对图像融合后的所述列车图像进行数据类型分类,获得数据类型分类后的列车图像。
上述的线路图像检测方法,其中,所述故障识别结果获取步骤包括:
建立列车图像目录,所述故障识别结果以与数据类型分类后的所述列车图像的命名方式相同的Xml文件的形式,与其对应的数据类型分类后的列车图像保存在同一个图像目录中。
上述的线路图像检测方法,其中,所述列车轮廓数据获得步骤包括:
采集获得所述陀螺仪数据与所述倾角数据;
根据所述陀螺仪数据与所述倾角数据,计算获得横梁与地面的水平角数据;
根据数据类型分类后的所述列车图像与所述水平角数据,获得相机光心与轨道顶面的距离后,根据所述相机光心与所述轨道顶面的所述距离,获得左右两轨的高度数据,根据惯性及所述高度数据,分析获得相对水平超高值。
上述的线路图像检测方法,其中,所述列车轮廓数据获得步骤还包括:
根据所述相对水平超高值与基长,取两断面水平差,根据所述水平差计算获得所述扭曲值。
本发明还提供一种新型铁路线路图像检测系统,其中,适用于上述所述的线路图像检测方法,所述线路图像检测系统包括:
列车图像采集单元:轮轴传感器根据车站标签检测到列车出站后,将列车转速转化为脉冲信号,所述脉冲信号触发图像采集模组采集列车图像;
列车图像处理单元:边缘计算模块对所述列车图像进行处理,所述边缘计算模块将处理后的列车图像上传至服务器;
故障识别结果获取单元:所述边缘计算模块通过深度学习算法,对处理后的所述列车图像进行故障识别,获得故障识别结果;
列车轮廓数据获得单元:根据陀螺仪数据与倾角数据计算获得扭曲值,所述边缘计算模块对所述扭曲值进行处理,获得轮廓数据;
线路图像检测结果获取单元:软件平台根据处理后的所述列车图像、所述故障识别结果及所述轮廓数据,在所述软件平台上显示线路图像检测结果。
上述的线路图像检测系统,其中,线路图像检测结果获取单元包括:
通过JSON上传程序将处理后的所述列车图像、所述故障识别结果及所述轮廓数据上传到所述软件平台。
相比于相关技术,本发明提出的一种新型铁路线路图像检测方法及系统,基于轨道车横梁,通过在轨道检测车上安装钢轨轮廓检测模块、轨枕道床扣件检测模块、钢轨磨耗检测模块、速度传感器、位置传感器等设备,采集钢轨、枕木、道床、电务设备,实现了无需再设计单独的走行机构,节省了设备成本;针对钢轨、扣件、道床的关键件的图像采集采用2D或3D线扫相机进行图像相结合的方式采集,部件图像及位置信息,采用图像自动识别和轨道位置自动定位等技术,对图像及位置信息进行自动异常分析和分级预警,对线路报警信息及大容量图像数据进行实时处理并存储到车载数据存储单元,能够输出点云数据对深度信息进行采集,易于剔除泥污及杂草等道路污染的干扰,针对磨耗与扣件丢失等异常状态有了更高的识别精度;人工对线路异常报警信息进行在线确认或对采集数据进行离线分析,实现了对轨道部件状态的维护和巡检作业质量的有效监控,提高了故障产生初期的预警能力和联网追踪能力;通过车轮即车轴传感器,实现了对轨道车的行进速度的实时采集,与图像采集模块的触发频率的实时切换;使用电子标签划分轨道区域,再根据车轮传感器反馈的编码器数值,计算轨道车行进距离,并将定位故障轨道的精准坐标反馈给检修人员,维修人员无需对整条轨道进行巡检,提高了工作效率;通过车载图像处理模块,实现了轨道车作业时对采集到的图像数据的实时处理。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的新型铁路线路图像检测方法流程图;
图2是根据本申请实施例的新型铁路线路图像检测步骤流程图;
图3是根据本申请实施例的激光三角法测量原理图;
图4是根据本申请实施例的检测记录列表图;
图5是根据本申请实施例的轨道外观状态查看图;
图6是根据本申请实施例的几何参数状态查看图;
图7是根据本申请实施例的钢轨廓形状态查看图;
图8为本发明的轨道车辆网络显示屏操作仿真系统的结构示意图;
图9是根据本申请实施例的图像采集模组的组成图;
图10是根据本申请实施例的系统拓扑图;
图11是根据本申请实施例的边缘计算模块。
其中,附图标记为:
列车图像采集单元:51;
列车图像处理单元:52;
故障识别结果获取单元:53;
列车轮廓数据获得单元:54;
线路图像检测结果获取单元:55;
轨道车横梁:1;
钢轨检测模块:2;
轨道钢轨轮廓检测模块:3;
钢轨:4;
横梁支架:5。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的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。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本发明提供了一种新型铁路线路图像检测方法及系统,本发明以人机结合的方式实现全面检测和重点检测相结合,利用轨道组结构的规范统一与固定的特点,采用机器视觉检测及图像识别比对技术,提高了轨道隐蔽故障发现能力和故障产生初期的预警能力,增强了铁道的安全防范水平,为防止轨道带病运行提供了有效手段。
下面结合具体实施例对本发明进行说明。
实施例一
本实施例还提供了一种新型铁路线路图像检测方法。请参照图1至图7,图1是根据本申请实施例的新型铁路线路图像检测方法流程图;图2是根据本申请实施例的新型铁路线路图像检测步骤流程图;
图3是根据本申请实施例的激光三角法测量原理图;图4是根据本申请实施例的检测记录列表图;图5是根据本申请实施例的轨道外观状态查看图;图6是根据本申请实施例的几何参数状态查看图;图7是根据本申请实施例的钢轨廓形状态查看图。如图1至图7所示,线路图像检测方法包括:
列车图像采集步骤S1:根据车站标签检测到列车出站后,将列车转速转化为脉冲信号,根据脉冲信号采集列车图像;
列车图像处理步骤S2:对列车图像进行处理,获得处理后的列车图像;
故障识别结果获取步骤S3:通过深度学习算法,对处理后的列车图像进行故障识别,获得故障识别结果;
列车轮廓数据获得步骤S4:根据陀螺仪数据与倾角数据,计算获得扭曲值,对扭曲值进行处理,获得轮廓数据;
线路图像检测结果获取步骤S5:根据处理后的列车图像、故障识别结果及轮廓数据,输出线路图像检测结果。
在实施例中,列车图像采集步骤S1包括:
识别车站标签获得识别结果,根据识别结果判断列车是否进入到待检轨道区域,获得判断结果;
根据判断结果采集获得列车转速,当检测到列车转速大于0,并检测到列车出站后,发送上电指令;
将列车转速转化为脉冲信号后,根据脉冲信号与上电指令,采集列车图像。
在具体实施中,识别车站标签获得识别结果,根据识别结果判断列车是否进入到待检轨道区域,获得判断结果;根据判断结果采集获得列车转速,当检测到列车转速大于0,并检测到列车出站后,发送上电指令;详细的为,将列车转速转化为脉冲信号后,根据脉冲信号与上电指令,采集列车图像射频模块识别车站标签后获得识别结果,轨道检测模块根据识别结果判断列车是否进入到待检轨道区域后,获得判断结果;车载控制程序中的轮轴传感器根据判断结果,采集列车转速,当测速模块检测到列车速度大于0,并检测到列车经过车站标签后,对图像采集模组的上位机发送上电指令,图像采集模组开始工作;轮轴传感器将列车转速转化为脉冲信号后,将脉冲信号发送至图像采集模组内的FPGA板卡;FPGA板卡根据所述脉冲信号触发相机模块后,相机模块采集列车图像信息,将列车图像信息上传至边缘计算模块;
本发明包括轨道图像采集模组以及轨道状态采集系统以及通过通讯系统连接的车载边缘计算模块以及车载信息分析管理模块;
图像信息采集模组在轨道车运行的过程中实时采集轨道的图像;图像信息采集模组于轨道车车头横梁相连接,并且图像信息采集模组安装在不与清障装置干涉的位置;所有相机模组采用一块FPGA板卡触发,由主板时钟实现所有相机的同步采集;
图像采集模组包含分为4组的轮廓采集模块;轮廓采集模块分别安装于模块支架两侧,单个轮廓检测模块采用线面结合的方式,单个轮廓检测模块包含1个高速面阵相机、1个超细线光源,同样采用激光三角法实时获取拍摄范围内的尺寸信息;模组采用1个25mm镜头,相机与激光器间距128mm,角度68.5°,测量范围240mm~480mm;
图像采集模组包含两套轨道道床扣件检测模块,分别安装于模块支架两侧,单个轨枕道床扣件检测模块主要包含1个高速面阵相机、1个线阵相机以及两个不同波段线激光源,单个模块二维图像采用2K线阵相机,采用16mm镜头,二维图像分辨率达到0.5mm/pix;采用激光三角法实时获取拍摄范围的尺寸信息;
图像采集模组包含两套钢轨磨耗检测模块,分别安装于模块支架两侧,单个钢轨磨耗检测模块采用线面结合的方式,包含1个高速面阵相机、1个线光源,同样采用激光三角法实时获取所拍摄范围内的尺寸信息;单个模组采用1个16mm镜头,相机与激光器间距168mm,角度70°,测量范围400~540mm,此时平面图像精度为0.5mm;钢轨磨耗检测模块与轨道道床扣件检测模块安装在钢轨检测模块中;
其中,激光三角法测量原理为CCD镜头焦距f=EG,CCD距光源距离l=DE,深度拍摄范围d=AC,相机与光源的倾角α=∠BED,在针对现场真实拍摄车辆范围设计的过程中,当车辆部件在AC拍摄范围内运动时,根据相似三角形比列关系,物体在CCD上的成像位置将一一对应。
轨道车车轴配备了轮轴传感器,测轮轴传感器所发出的脉冲信号由车载边缘计算模块处理后发送至图像采集模组内的FPGA板卡,并发出差分脉冲信号用于相机和光源的触发;轮轴传感器还用于采集设备安装转向架车轮的实际转速,同时,车载边缘计算模块车载MVB信号得到所有车轮的转速,使用最大车速法求得当前轨道车的参考车速;控制系统根据速度曲线及车速曲线的比较及加速度传感器得出车辆空转轮滑的距离补偿图像采集模组的频率和轨道定位;轮轴传感器根据轮轴传感器所计脉冲数能够得到目前轨道车在所处区段的具体位置,从而对所识别出的故障位置进行定位,同时,车载控制系统能够结合车辆MVB数据中的车速数据计算车辆运行的速度曲线,识别出车辆的空转轮滑状态,对图像采集及故障定位进行补偿;针对需要进行检测的轨道每一公里贴一个电子标签,轨道车上安装射频模块,在轨道车通过电子标签时,所述轨道检测装置会识别出目前轨道车所处区段;
通过电子标签将所有道岔进行标记,在系统部署阶段,当列车行经道岔区域系统将自动建立每一个道岔的模板三维点云数据文件;在系统运行阶段,每次列车经过被电子标签标记的道岔区域,系统用模式识别的方式将当前点云数据与模板数据进行比对,无异常状态的话,系统会将本次过车数据作为新的模板保存。
由于采用了车载边缘计算模块对图像数据进行采集识别,实现了图像采集模组的控制及供电全部集成化,所以系统能够在轨道车运行的过程中实时对轨道状态进行检测,无需对数据进行上传后再进行处理识别;图像采集模组的触发频率根据轮轴传感器采集到的车速实时变化,当速度等于0时视为停车。
在实施例中,列车图像处理步骤52包括:
对列车图像进行图像融合,获得图像融合后的列车图像;
对图像融合后的列车图像进行数据类型分类,获得数据类型分类后的列车图像。
在具体实施中,对列车图像进行图像融合,获得图像融合后的列车图像;对图像融合后的列车图像进行数据类型分类,获得数据类型分类后的列车图像;详细的为,边缘计算模块对列车图像信息进行滤波及归一化处理,获得处理后的列车图像信息后,对处理后的列车图像信息即2D或3D数据进行图像融合,获得融合后的列车图像信息;对融合后的列车图像进行数据类型分类,获得数据处理后的图像,边缘计算模块将图像上传至服务器。
在实施例中,所述故障识别结果获取步骤54包括:
通过深度学习算法,对处理后的所述列车图像进行故障识别,获得故障识别结果;
建立列车图像目录,所述故障识别结果以与数据类型分类后的所述列车图像的命名方式相同的Xml文件的形式,与其对应的数据类型分类后的列车图像保存在同一个图像目录中。
在具体实施中,通过深度学习算法,对处理后的所述列车图像进行故障识别,获得故障识别结果;建立列车图像目录,所述故障识别结果以与数据类型分类后的所述列车图像的命名方式相同的Xml文件的形式,与其对应的数据类型分类后的列车图像保存在同一个图像目录中;详细的为,边缘计算模块通过深度学习算法,对图像进行故障识别,获得故障识别结果,即通过深度学习算法对轨道、扣件等精确定位及异常状态进行智能分析;数据识别出故障后以公里标为单位向地面服务器上传故障数据;边缘计算模块在对采集到的图像处理完成之后,目录采用日期/序号/区段号/相机号/图像的命名规则,服务器建立图像目录,边缘计算模块将故障识别结果上传至服务器,故障识别结果以与图片命名方式相同的Xml文件的形式,与故障识别结果对应的图像保存在同一图像目录中,将图像由数据采集计算机存入服务器;在轨道检测装置的车载控制系统记录下故障内容与故障位置后会在软件平台生成故障记录,操作人员能够选择故障内容生成工单对轨道进行复检。
在实施例中,列车轮廓数据获得步骤54包括:
采集获得陀螺仪数据与倾角数据;
根据陀螺仪数据与倾角数据,计算获得横梁与地面的水平角数据;
根据数据类型分类后的列车图像与水平角数据,获得相机光心与轨道顶面的距离后,根据相机光心与轨道顶面的距离,获得左右两轨的高度数据,根据惯性及高度数据,分析获得相对水平超高值;
根据相对水平超高值与基长,取两断面水平差,根据水平差计算获得扭曲值。
在具体实施中,通过陀螺仪传感器采集获得陀螺仪数据,通过倾角传感器采集获得倾角数据后,边缘计算模块根据陀螺仪数据与倾角数据,计算获得横梁与地面的水平角数据;根据计算机代码,首先将png图像根据相机内参转换成xyz图像,再由新xyz图像得到的tif图中的z轴坐标实时计算点到面的空间距离,即根据图像与横梁与地面的水平角数据,获得相机光心与轨道顶面的距离后,根据相机光心与轨道顶面的所述距离,获得左右两轨的高度数据,根据惯性及所述左右两轨的所述高度数据,分析获得相对水平超高值;根据相对水平超高值与基长,通过陀螺仪传感器与倾角传感器取两断面水平差,根据水平差计算获得扭曲值;边缘计算模块对扭曲值进行处理,获得DATA形式的轮廓数据后,将轮廓数据上传至服务器;基长是一段固定长度3m;
其中,针对廓形数据,地面服务器能够接收轨道数据并在系统软件界面绘制轨道模型,单帧轨道数据量为2000个点,单公里下数据量为2000*1000个点,为了系统软件平台前端显示清晰,后端会对数据进行抽帧处理,将1公里内的数据分为1米一个数据包,若该包内出现一帧故障数据将上传该帧故障数据,若该包内出现多帧故障数据则取最大磨耗数据上传,若该包内无故障数据则只上传一帧正常数据;
针对扣件及枕木二维图像数据,控制系统软件会自动生成一个XML文件,文件中带有该二维图像中的故障像素数据的坐标以及故障等级,基于该坐标数据能够在前端界面上生成故障框,易于操作员快速定位到故障点。
其中,轨道数据分为实时数据和历史数据;
实时数据为系统在实时检测中出现的几何参数故障数据、轨廓故障数据、轨顶故障数据、轨枕扣件故障数据,该数据通过无线网络实时上传至服务器;实时数据在软件平台的加载优先级大于历史数据
历史数据为系统所检测的所有轨道数据,该数据量较大,会在系统识别到轨道车回库后统一上传至服务器。
在实施例中,线路图像检测结果获取步骤S5包括:
根据处理后的列车图像、故障识别结果及轮廓数据,输出线路图像检测结果。
在具体实施中,根据处理后的列车图像、故障识别结果及轮廓数据,输出线路图像检测结果;详细的为,服务器通过JSON上传程序,将处理后的列车图像、故障识别结果及轮廓数据上传到软件平台后,在软件平台显示屏中显示图像、故障识别结果及轮廓数据,工作人员通过触屏点击故障确认按钮后,生成工单;当车载控制程序检测到回库地面标签后将以公里标为单位向地面服务器上传当次检测的所有数据。
其中,系统软件平台采用B/S架构,系统软件平台界面具备检测记录列表显示功能,能够根据轨道车的检测日期及线路号检索出相应的轨道巡检记录,其中包含故障总数、钢轨外观故障、几何参数故障、钢轨外观故障的数量并能够跳转至相应检测数据或图像;
钢轨状态查看能够拖拽滚动条查看所检索区域的所有钢轨表面及道岔枕木的二维图像;
几何参数状态以波形形式显示轨距、三角坑、垂向加速度、横向加速度、轨道高低的检测数值,波形的横坐标为当前公里标下的距离,单位为米,纵坐标为该参数的故障等级阈值。钢轨廓形状态界面以单帧图像形式显示当前位置钢轨断面的廓形以及垂直磨耗、侧面磨耗和总磨耗值。
其中,车载控制程序与软件平台web服务器采用“检测时间ID”为检测记录的唯一标识;
系统采用边缘计算模块替代工控机实现了对图像的边缘侧识别计算、系统的控制、图像采集模组的供电及传感器的数据处理。
实施例二
本实施例还提供了一种新型铁路线路图像检测系统。图8为本发明的轨道车辆网络显示屏操作仿真系统的结构示意图;图9是根据本申请实施例的图像采集模组的组成图;图10是根据本申请实施例的系统拓扑图;图11是根据本申请实施例的边缘计算模块。如图8至图11所示,发明的线路图像检测系统,适用于上述的线路图像检测方法,线路图像检测系统包括:
列车图像采集单元:轮轴传感器根据车站标签检测到列车出站后,将列车转速转化为脉冲信号,脉冲信号触发图像采集模组采集列车图像;
列车图像处理单元:边缘计算模块对列车图像进行处理,边缘计算模块将处理后的列车图像上传至服务器;
故障识别结果获取单元:边缘计算模块通过深度学习算法,对处理后的列车图像进行故障识别,获得故障识别结果;
列车轮廓数据获得单元:根据陀螺仪数据与倾角数据计算获得扭曲值,边缘计算模块对扭曲值进行处理,获得轮廓数据;
线路图像检测结果获取单元:软件平台根据处理后的列车图像、故障识别结果及轮廓数据,在软件平台上显示线路图像检测结果。
在具体实施中,边缘计算机高压端主控模块集成有2百万门FPGA实时控制器,400MHZ CPU、128MB DRAM,同时配有2组加速度采集模块,单通道102.4k采样频率,±30V的模拟量输入范围,带IEPE激励,60V高压隔离,通道间同步,能够接入识别车身姿态的加速度传感器;边缘计算机高压端主控模块低压端配置有8路DI/O,可以输出和测量频率为0~1MHZ的电平,实现对相机和光源的同步触发;同时,主控模块内置MXM英伟达16GB独显,实现在边缘侧的图像处理。
轨道检测设备能够实现以下检测项点:
枕木:扣板、弹条、垫板、螺栓松动、丢失,道钉拔出,枕木裂损、失效;
道床:渣石污染、道床板结、病害,道砟缺失;
轨道电路:线缆破损;
钢轨:轨廓超限、轨面起皮、轨道裂缝、鱼尾板丢失、扣件丢失、螺栓松动或丢失,轨缝、接头、焊缝断裂。
在实施例中,列车图像采集单元51包括:
轮轴传感器根据车站标签检测到列车出站后,将列车转速转化为脉冲信号,脉冲信号触发图像采集模组采集列车图像。
在具体实施中,图像采集模组由2套轨枕道床扣件采集模块、4套轨道钢轨轮廓检测模块、2套钢轨磨耗检测模块组成;单个轨枕道床扣件检测模块主要包含1个高速面阵相机、2个线光源、1个线阵相机,采用激光三角法实时获取拍摄范围的尺寸信息;单个轨道钢轨轮廓检测,模块主要包含1个高速面阵相机、1个超细线光源,同样采用激光三角法实时获取拍摄范围内的尺寸信息;钢轨磨耗检测模块主要包含1个高速面阵相机、1个线光源,同样采用激光三角法实时获取所拍摄范围内的尺寸信息;
前端图像采集设备将图像数据上传至车载边缘计算模块后,车载边缘计算模块对数据进行处理和识别,处理识别后的图像将被上传地面服务器中,其中故障报警信息将会以与图片命名方式相同的Xml文件的形式与对应的图片保存在统一文件路径下,以便由上位平台进行查询调取。
车载边缘模块使用带图像处理能力的边缘计算模块对前端采集设备上传的图像进行处理和识别,将识别完成的数据实时上传至数据存储服务器;图像采集模组集成使用FPGA板卡对转速传感器等设备的通讯信号进行处理,并控制图像采集模块的触发。
电子标签采用粘合剂粘贴的方式安装于枕木上,电子标签间隔设置在1km,即所要检测的轨道被划分为以1km为单位的区段,当轨道车行进至某一区段,电子标签读出装置会向上位机发送指令;轨道车当前所处位置精确距离则由轮轴传感器即光电旋转编码器来测量。
测轮轴传感器主要采用光电旋转编码器,其安装于车轴上并和车轴同步转动,每一周输出1000个脉冲,计数器用于对输出脉冲进行计数,计数器数值根据系数与车轮直径可换算成车辆的走行距离,根据车辆的走行距离结合轨道上贴的电子标签能够准确计算出当前车辆以及故障点的准确位置,便于人工进行附件与轨道更换作业;轮轴传感器同时也用于图像采集模块的触发;轮轴传感器将列车的速度转化为的差分脉冲信号对相机进行触发;相机触发频率与车速的配和能够采集到轨道的连续图像,本方法能够实现轨道车停车作业再启动后不影响连续图像的采集。
在实施例中,线路图像检测结果获取步骤55包括:
通过JSON上传程序将处理后的列车图像、故障识别结果及轮廓数据上传到所述软件平台。
在具体实施中,系统配备UPS不间断供电装置,保证供电的可靠性,消除在轨道车异常供电或停电状态下对图像采集的干扰。
轨道车配备无线物联网模块,在服务器中生成故障信息后向地面服务器发送故障信息报警信号,同时上传故障图片与JSON、DATA形式的数据至监控中心服务器,在系统平台进行显示。
软件平台采用B/S架构,检修作业部门通过WEB端即可实现查看。系统图像浏览终端能够按位置查询故障图片和轨道信息;界面具备故障标记工具,对故障图片进行管理及对故障位置的准确定位,同时自动生成故障类型、位置、异常部位等内容的检测报告。
数据存储服务器具备大容量硬盘,保证图像信息与数据文件能够保存三个月以上以便故障项点的回溯查询。
综上所述,本发明在检测过程中只需配备1名系统操作人员对检测结果进行复检,确认状态异常后再根据定位位置对轨道进行检修,无需对整条轨道进行巡检,提高了检测效率,减少了轨道人工检测的人员配置;利用轨道车横梁进行安装,无需专门设计专门的轨道巡检设备进行安装,节省了设备成本;利用3D和2D图像技术对轨道关键技术指标进行检测,相较于基于灰度对比和彩色2D对比的检测方案,本发明使用深度分析提高了检测精度,提高了算法的可拓展性;相较于将数据上传至监控中心处理图像的方式,采用在车载服务器上进行实时的图像处理和识别,提高了图像处理效率;采用在车载服务器上进行实时的图像处理和识别的方案在识别完成后仅需上传故障图像与尺寸数据至控制中心,极大节省了数据传输时间,针对带宽受限的局域网也能有很好的兼容性;与专用轨道检测设备相比,本发明能与其它作业车辆相结合,将作业人员上道检测作业流程,精简为在软件平台生成检测结果,上报质量及轨道维护部门后,对定点状态异常区段进行维修作业;相较于传统轨道检测仪需要低速的手动推进,本发明设备的行进速度不受限制;采用基于ARM开发的控制板卡体积小、重量轻、集成化程度高,真对货运铁路尤其是重载铁路的车辆有较高的兼容性。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求的保护范围为准。
Claims (10)
1.一种新型铁路线路图像检测方法,其特征在于,所述线路图像检测方法包括:
列车图像采集步骤:根据车站标签检测到列车出站后,将列车转速转化为脉冲信号,根据所述脉冲信号采集列车图像;
列车图像处理步骤:对所述列车图像进行处理,获得处理后的列车图像;
故障识别结果获取步骤:通过深度学习算法,对处理后的所述列车图像进行故障识别,获得故障识别结果;
列车轮廓数据获得步骤:根据陀螺仪数据与倾角数据,计算获得扭曲值,对所述扭曲值进行处理,获得轮廓数据;
线路图像检测结果获取步骤:根据处理后的所述列车图像、所述故障识别结果及所述轮廓数据,输出线路图像检测结果。
2.根据权利要求1所述的线路图像检测方法,其特征在于,所述列车图像采集步骤包括:
识别所述车站标签获得识别结果,根据所述识别结果判断所述列车是否进入到待检轨道区域,获得判断结果;
根据所述判断结果采集获得所述列车转速,当检测到所述列车转速大于0,并检测到所述列车出站后,发送上电指令。
3.根据权利要求2所述的线路图像检测方法,其特征在于,所述列车图像采集步骤还包括:
将所述列车转速转化为所述脉冲信号后,根据所述脉冲信号与所述上电指令,采集所述列车图像。
4.根据权利要求3所述的线路图像检测方法,其特征在于,所述列车图像处理步骤包括:
对所述列车图像进行图像融合,获得图像融合后的列车图像。
5.根据权利要求4所述的线路图像检测方法,其特征在于,所述列车图像处理步骤还包括:
对图像融合后的所述列车图像进行数据类型分类,获得数据类型分类后的列车图像。
6.根据权利要求5所述的线路图像检测方法,其特征在于,所述故障识别结果获取步骤包括:
建立列车图像目录,所述故障识别结果以与数据类型分类后的所述列车图像的命名方式相同的Xml文件的形式,与其对应的数据类型分类后的列车图像保存在同一个图像目录中。
7.根据权利要求6所述的线路图像检测方法,其特征在于,所述列车轮廓数据获得步骤包括:
采集获得所述陀螺仪数据与所述倾角数据;
根据所述陀螺仪数据与所述倾角数据,计算获得横梁与地面的水平角数据;
根据数据类型分类后的所述列车图像与所述水平角数据,获得相机光心与轨道顶面的距离后,根据所述相机光心与所述轨道顶面的所述距离,获得左右两轨的高度数据,根据惯性及所述高度数据,分析获得相对水平超高值。
8.根据权利要求7所述的线路图像检测方法,其特征在于,所述列车轮廓数据获得步骤还包括:
根据所述相对水平超高值与基长,取两断面水平差,根据所述水平差计算获得所述扭曲值。
9.一种线路图像检测系统,其特征在于,所述线路图像检测系统包括:
列车图像采集单元:轮轴传感器根据车站标签检测到列车出站后,将列车转速转化为脉冲信号,所述脉冲信号触发图像采集模组采集列车图像;
列车图像处理单元:边缘计算模块对所述列车图像进行处理,所述边缘计算模块将处理后的列车图像上传至服务器;
故障识别结果获取单元:所述边缘计算模块通过深度学习算法,对处理后的所述列车图像进行故障识别,获得故障识别结果;
列车轮廓数据获得单元:根据陀螺仪数据与倾角数据计算获得扭曲值,所述边缘计算模块对所述扭曲值进行处理,获得轮廓数据;
线路图像检测结果获取单元:软件平台根据处理后的所述列车图像、所述故障识别结果及所述轮廓数据,在所述软件平台上显示线路图像检测结果。
10.根据权利要求9所述的线路图像检测系统,其特征在于,所述线路图像检测结果获取单元包括:
通过JSON上传程序将处理后的所述列车图像、所述故障识别结果及所述轮廓数据上传到所述软件平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210741855.4A CN115035087A (zh) | 2022-06-28 | 2022-06-28 | 一种新型铁路线路图像检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210741855.4A CN115035087A (zh) | 2022-06-28 | 2022-06-28 | 一种新型铁路线路图像检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115035087A true CN115035087A (zh) | 2022-09-09 |
Family
ID=83126413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210741855.4A Pending CN115035087A (zh) | 2022-06-28 | 2022-06-28 | 一种新型铁路线路图像检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115035087A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116319795A (zh) * | 2023-05-24 | 2023-06-23 | 无锡光煜晞科技有限责任公司 | 一种基于边缘计算的地铁列车无人驾驶探测识别系统 |
-
2022
- 2022-06-28 CN CN202210741855.4A patent/CN115035087A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116319795A (zh) * | 2023-05-24 | 2023-06-23 | 无锡光煜晞科技有限责任公司 | 一种基于边缘计算的地铁列车无人驾驶探测识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106049210B (zh) | 一种轨道状态智能检测平台 | |
US10081376B2 (en) | Rail track asset survey system | |
Weston et al. | Perspectives on railway track geometry condition monitoring from in-service railway vehicles | |
KR101111569B1 (ko) | 궤도차량을 이용한 철도시설물 감시시스템 및 방법 | |
US6356299B1 (en) | Automated track inspection vehicle and method | |
KR101602376B1 (ko) | 열차 결함 모니터링 시스템 | |
CN109910947A (zh) | 搭载式轨道健康状态动态监测与智慧分析系统及方法 | |
CN103635375A (zh) | 适于对导轨偏转进行成像和测量的视觉系统 | |
CN105905132A (zh) | 一种轨道状态智能巡检装置和方法 | |
CN108974044A (zh) | 铁路轨道资产勘测系统 | |
CN102759347B (zh) | 一种高铁接触网在线巡检装置、巡检方法以及其检测系统 | |
CN201429413Y (zh) | 高速列车受电弓状态在线式自动检测系统 | |
CN103778681A (zh) | 一种车载高速公路巡检系统及数据获取和处理方法 | |
CN110789566B (zh) | 基于轴箱加速信号的轨道缺陷监测方法及监测设备 | |
CN207850304U (zh) | 一种电气化铁路接触网检测系统 | |
CN103837087B (zh) | 基于主动形状模型的受电弓自动检测方法 | |
CN107703149A (zh) | 一种基于双目视觉与激光散斑的铁轨扣件异常检测系统 | |
CN107187464A (zh) | 轨道板检测车、系统以及方法 | |
WO2012057592A2 (ko) | 궤도차량을 이용한 철도시설물 감시시스템 및 방법 | |
Resendiz et al. | Development of a machine-vision system for inspection of railway track components | |
CN206954227U (zh) | 轨道板检测车以及系统 | |
CN114312877B (zh) | 铁路综合巡检系统 | |
CN113371028A (zh) | 一种电客车载轨道智能巡检系统及方法 | |
AU2017232220A1 (en) | Railroadtrack asset survey system | |
CN112319540A (zh) | 一种车体外观图像检测系统及方法 |
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 |