CN115184269A - 一种轨道巡检系统及方法 - Google Patents

一种轨道巡检系统及方法 Download PDF

Info

Publication number
CN115184269A
CN115184269A CN202210813051.0A CN202210813051A CN115184269A CN 115184269 A CN115184269 A CN 115184269A CN 202210813051 A CN202210813051 A CN 202210813051A CN 115184269 A CN115184269 A CN 115184269A
Authority
CN
China
Prior art keywords
track
image
standard
fault
image acquisition
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
Application number
CN202210813051.0A
Other languages
English (en)
Inventor
黄超生
姚锐
邵云
尹婷
邓志斌
凌伟
梁春红
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.)
China Railway Construction Heavy Industry Group Co Ltd
Original Assignee
China Railway Construction Heavy Industry Group Co Ltd
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 China Railway Construction Heavy Industry Group Co Ltd filed Critical China Railway Construction Heavy Industry Group Co Ltd
Priority to CN202210813051.0A priority Critical patent/CN115184269A/zh
Publication of CN115184269A publication Critical patent/CN115184269A/zh
Pending legal-status Critical Current

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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J9/00—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting
    • H02J9/04—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Power Engineering (AREA)
  • Machines For Laying And Maintaining Railways (AREA)

Abstract

本发明提供了一种轨道巡检系统，包括图像采集单元、定位单元、数据处理单元和电源单元；图像采集单元包括用于采集轨道图像数据的相机和光源；电源单元包括不间断电源，用于在巡检过程中提供稳定的电源供应。本发明还提供了一种轨道巡检方法，包括将轨道标准图像存入标准数据库中，通过数据处理单元对轨道标准图像进行深度学习；通过图像采集单元对轨道沿线进行图像采集，并通过定位单元获取图像采集位置对应的公里标信息；通过机器视觉进行轨道沿线的缺陷识别等步骤。本发明应用机器视觉、图像处理、深度学习等技术，对轨道的图像信息进行实时的采集、分析和综合处理，可提升轨道检测的工作效率，降低检修工作人员的劳动强度。

Description

一种轨道巡检系统及方法
技术领域
本发明涉及轨道检测技术领域，具体涉及一种轨道巡检系统及方法。
背景技术
随着城市地铁线路的不断发展，对地铁各项基础设施的养护维修提出了更高要求。地铁轨道作为重要的基础设施，其运营状态对行车安全具有直接和至关重要的影响，在高频率的车次运营下轨道处于高负荷状态，容易引起轨道状态出现异常。因此，必须加强对地铁轨道的状态监控，及时指导养护维修。
目前实际运营线路中，大多数轨道状态检测仍需要靠人工步行检查，存在劳动强度大、效率低、缺陷识别率低等问题。国内少数的地铁线路配备了安装在检测车上的巡检装置，利用夜间检修时间，在工程车辆的快速行走过程中，对轨道状态进行快速自动检查。巡检过程中，需对巡检装置进行长时间的稳定供电，避免在检测过程中出现图像缺失，导致轨道检测覆盖不全、缺陷识别率较低等问题。
在巡检装置实际运用过程中，由于检修常在夜间进行，且地铁轨道内部光线昏暗，由于光照条件变化、车辆振动、轨道线路设备复杂等原因，即使在正常状态下也会导致待检测图像拍摄角度及拍摄效果与标准特征图像存在一定的差异，导致识别率较低。
综上所述，急需一种轨道巡检系统及方法以解决现有技术中存在的问题。
发明内容
本发明目的在于提供一种轨道巡检系统及方法，以解决现有地铁轨道检测缺陷识别率较低的问题。
为实现上述目的，本发明提供了一种轨道巡检系统，包括图像采集单元、定位单元、数据处理单元和电源单元；所述图像采集单元包括设置于轨道检测小车上的相机和光源，用于采集轨道图像数据；所述电源单元分别与所述图像采集单元、定位单元和数据处理单元连接，用于实现电源供应；所述电源单元包括不间断电源，用于在巡检过程中提供稳定的电源供应。
优选的，所述相机为线阵相机，所述光源为线性光源，多个相机和多个光源间隔设置在轨道检测小车的横梁上。
优选的，所述定位单元包括RFID电子标签和速度传感器，多个RFID电子标签均布设置于多根轨枕上，所述速度传感器设置于轨道检测小车上，用于获取图像采集位置的定位信息。
优选的，所述速度传感器为编码器；所述速度传感器与轨道检测小车的驱动电机连接，并且通过数据处理单元与图像采集单元连接。
本发明还提供了一种轨道巡检方法，采用了上述的一种轨道巡检系统，包括以下步骤：
步骤一：获取轨道标准图像，通过数据处理单元对轨道标准图像进行深度学习，获取深度学习目标检测模型的权重文件；
步骤二：将轨道标准图像及其对应的公里标信息存入标准数据库中，并对标准数据库中的轨道标准图像信息进行完善；
步骤三：通过轨道检测小车携带图像采集单元，对轨道沿线进行图像采集，并通过定位单元获取图像采集位置对应的公里标信息；通过机器视觉进行轨道沿线的缺陷识别；
步骤四：将缺陷识别数据存入故障数据库中，对故障数据库进行大数据分析，获取轨道上的易故障区域、易故障类型和易故障时间。
优选的，所述步骤二中，将轨道标准图像及其对应的公里标信息存入标准数据库中，导入深度学习目标检测模型的权重文件，通过深度学习目标检测模型识别并定位标准图像中的轨枕、弹条扣件和紧固螺母，通过机器视觉识别紧固螺母相对于钢轨的角度、弹条扣件与紧固螺母的像素高度，并结合所定位的零件对应的公里标信息共同存入标准数据库。
优选的，所述步骤三中，在图像采集的过程中，逐次截取固定长度的图像段进行缺陷识别；前一幅图像段的尾端与后一幅图像段的前端存在至少H行像素重叠，其中H为轨枕在图像段上所占的像素高度。
优选的，所述步骤三中，通过深度学习目标检测模型对图像段中的轨枕、弹条扣件和紧固螺母进行粗定位；缩减感兴趣区域后，通过图像处理算法中的边缘算子提取弹条扣件和紧固螺母的边缘，并与标准数据库中同一公里标处的标准图像进行比对，进行缺陷识别。
优选的，所述步骤三中，进行缺陷识别时，通过设定的螺母旋转角度阈值和像素高度差阈值进行缺陷识别；
当图像段中的紧固螺母旋转角度在5°以上时，判定紧固螺母处于松动状态；
当图像段中的弹条扣件横向像素高度为0.9R～1.1R且弹条扣件纵向像素高度为0.9W～1.1W时，判定弹条扣件处于未断裂状态；其中，R为同一公里标处对应的标准图像中弹条扣件的横向像素高度，W为同一公里标处对应的标准图像中弹条扣件的纵向像素高度。
优选的，所述步骤四中，将缺陷识别数据中的病害类型、公里标信息和故障时间存入故障数据库中，通过贝叶斯神经网络建立轨道预测模型，通过数据追溯、关联、决策分析获取轨道上的易故障区域、易故障类型和易故障时间，对轨道状态进行判断，对轨道服役寿命进行预测。
应用本发明的技术方案，具有以下有益效果：
(1)本发明中，通过在电源单元中设置不间断电源，用于在巡检过程中为用电设备持续提供稳定的电源供应，避免由于电源不稳定对图像采集过程造成影响，从而导致图像缺失，有利于对轨道沿线实现全面检测，提升轨道缺陷识别率。
(2)本发明中，相机为线阵相机，每次只读取一行图像数据，逐行对轨道表面进行精确扫描，可获取高清轨道状态图像；光源为线性光源，多个相机和多个光源间隔设置在轨道检测小车的横梁上，通过多个相机组合扩大横向检测范围，可以实现对轨道宽度方向的全覆盖检测。
(3)本发明中，定位单元包括设置于轨道检测小车上的速度传感器和设置于轨枕上的RFID电子标签，通过速度传感器获取轨道检测小车的位移量和速度，获取相机所拍摄画面的实时定位，并根据速度传感器所输出的脉冲经数据处理单元触发相机进行图像采集；当轨道检测小车通过带有RFID电子标签的轨枕时，可通过RFID电子标签上的信息得到精确的位置信息，用于对编码器(即速度传感器)获得的实时位置进行修正，最终获取图像采集位置的定位信息。
(4)本发明中，基于非接触测量理念，应用机器视觉、图像处理、深度学习等技术，对轨道的图像信息进行实时的采集、分析和综合处理，其智能、高效的特点能满足地铁轨道巡检的需求，可提升轨道检测的工作效率，降低检修工作人员的劳动强度。
(5)本发明中，通过深度学习、图像处理、历史图像数据比对等方式智能识别轨道缺陷，比如：弹条扣件缺失、弹条扣件断裂、紧固螺母缺失、紧固螺母松动、钢轨缺陷、轨道异物等；同时将检测数据通过客户端软件存储并上传到电脑实时显示，方便工作人员监视，及时处理故障。
(6)本发明中，通过深度学习预训练标准状态轨道图像的方式，相比训练缺陷样本更容易获取且更全面，有利于提升检测效率。
(7)本发明中，根据轨枕在图像上所占据像素高度H，使前后两幅图像段在沿钢轨方向保持H行像素的重复，因此单根轨枕及其上安装的弹条扣件、紧固螺母必定全部落入检测范围中。同时，可根据图像段重复像素的实际公里标位置确定目标是否在前一幅图像段中已被检测，避免重复检测。
(8)本发明中，通过将缺陷识别数据中的病害类型、公里标信息和故障时间存入故障数据库中，通过贝叶斯神经网络建立轨道预测模型，通过数据追溯、关联、决策分析等大数据分析手段获取轨道上的易故障区域、易故障类型和易故障时间，可对轨道状态进行判断，对轨道服役寿命进行预测。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本申请实施例中一种轨道巡检系统的结构示意图；
图2是本申请实施例中图像采集单元的设置示意图；
图3是本申请实施例中一种轨道巡检方法的流程图；
其中，1、图像采集单元，1.1、相机，1.2、光源，2、定位单元，2.1、RFID电子标签，2.2、速度传感器，2.3、阅读器，3、数据处理单元，3.1、综合处理计算机，3.2、附属设备，4、电源单元，4.1、不间断电源，4.2、开关电源，4.3、蓄电池，5、横梁。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
实施例：
参见图1至图3，一种轨道巡检系统及方法，本实施例应用于地铁轨道状态的巡检。
一种轨道巡检系统，参见图1，包括图像采集单元1、定位单元2、数据处理单元3和电源单元4；所述图像采集单元1包括设置于轨道检测小车上的相机1.1和光源1.2，用于采集轨道图像数据；所述电源单元4分别与所述图像采集单元1、定位单元2和数据处理单元3连接，用于实现电源供应；所述电源单元4包括不间断电源4.1，用于在巡检过程中持续提供稳定的电源供应，避免由于电源不稳定对图像采集过程造成影响，从而导致图像缺失，不利于对轨道沿线实现全面检测，会导致轨道由于图像扫描不全而出现缺陷识别率降低的情况。
所述相机1.1为线阵相机，每次只读取一行图像数据，逐行对轨道表面进行精确扫描，所述光源1.2为线性光源，多个相机1.1和多个光源1.2间隔设置在轨道检测小车的横梁5上，通过多个相机1.1组合扩大横向检测范围，可以实现对轨道宽度方向的全覆盖检测。本实施例中，在横梁5上设有四个线阵相机，两侧的相机1.1用于对轨道两侧的弹性扣件和紧固螺母进行图像采集，位于中间的两个相机1.1用于对道床进行图像采集，判定道床中是否存在异物侵入。由于地铁轨道检测需在非运营时间进行，通常是在夜晚，且地铁隧道内部光线昏暗，四个线阵相机之间间隔设置有三个线性光源，用于为图像采集提供足够的光照强度。本申请中的线性光源采用的是柱面聚光透镜，可以将光源1.2内部高亮度的LED进一步聚集成超高线光，且具有很好的均匀性和一致性。光源1.2内部的散热风扇采用防水风扇，外壳为铝合金材质。
横梁5为铝合金材质，通过螺栓固定在轨道检测小车底部，用于实现图像采集单元1和轨道检测小车之间的连接。
所述定位单元2包括RFID电子标签2.1和速度传感器2.2，所述速度传感器2.2设置于轨道检测小车上，与轨道检测小车滚轮的驱动电机连接，本实施例中，速度传感器2.2为光电编码器，在驱动电机转动时，根据输出脉冲的变化，可以精确测量轨道检测小车的位移量和速度，获取相机1.1所拍摄画面的实时定位，并根据速度传感器2.2所输出的脉冲经数据处理单元3触发相机1.1进行图像采集。
多个RFID电子标签2.1均布设置于多根轨枕上，在轨道检测小车上设有阅读器2.3，当轨道检测小车通过带有RFID电子标签2.1的轨枕时，可通过RFID电子标签2.1上的信息得到精确的位置信息，用于对编码器(即速度传感器2.2)获得的实时位置进行修正，最终获取图像采集位置的定位信息。
数据处理单元3包括综合处理计算机3.1，综合处理计算机3.1内部设有控制器、存储器等模块，用于存储图像和公里标信息，搭载客户端软件等，用于实现各单元之间的信息传递和信息处理；数据处理单元3还包括其他附属设备3.2，如显示器、键盘和鼠标等，用于实现信息输入和人机交互。
电源单元4还包括开关电源4.2和蓄电池4.3，用于对用电设备持续提供稳定电源。
一种轨道巡检方法，采用了上述的一种轨道巡检系统，根据使用需求可划分为采集模式、标准模式和检测模式，包括以下步骤：
步骤一：通过采集模式获取轨道标准图像，具体是：通过轨道检测小车携带图像采集单元1，对轨道沿线进行标准图像采集；将轨道标准图像存入标准数据库中，通过数据处理单元3对轨道标准图像进行深度学习；
通过深度学习目标检测模型预训练标准状态的轨枕、弹条扣件和紧固螺母对应的标准图像，对标准模型进行预训练，获取深度学习目标检测模型的权重文件。
由于现有技术中的检测模型还需对大量存在缺陷的图片模型进行学习，学习过程冗长，且实际运用过程中，各个缺陷的表现形式具有随机性，若通过现有技术中的检测模型进行识别，不仅模型训练时间长，且识别过程中的比对时间也长，对于未曾训练过的缺陷难以准确识别，不利于提升检测效率；除此之外，在进行带有缺陷的图片模型训练前，需要花费大量时间对各种缺陷图像进行样本收集，存在收集时间长、难度大的缺点。
步骤二：通过标准模式对标准数据库信息进行进一步完善，具体是：通过轨道检测小车携带图像采集单元1，对轨道沿线进行标准图像采集，并将轨道标准图像及其对应的公里标信息存入标准数据库中；
导入预训练的模型权重文件，识别定位图像段(即带有公里标定位信息的标准图像段)中的轨枕、弹条扣件与紧固螺母，对识别出的弹条扣件和紧固螺母的图像段缩减ROI(感兴趣区域)，利用边缘算子分别提取出弹条扣件和紧固螺母的边缘；
识别紧固螺母相对于钢轨的角度、弹条扣件与紧固螺母的像素高度及其对应的公里标存入标准数据库中。
步骤三：通过检测模式对轨道沿线的进行巡检，具体是：通过轨道检测小车携带图像采集单元1，对轨道沿线进行图像采集，并通过定位单元2获取图像采集位置对应的公里标信息；通过机器视觉进行轨道沿线的缺陷识别；
步骤3.1：将经过训练的深度学习目标检测模型的权重文件导入数据处理单元3中；
步骤3.2：控制轨道检测小车在轨道沿线行驶，通过操作人员开启检测程序，由速度传感器2.2(即编码器)触发相机1.1进行轨道检测，通过多个线阵相机逐行获取轨道全断面高清图像；
步骤3.3：在图像采集的过程中，逐次截取固定长度的图像段进行缺陷识别；前一幅图像段的尾端与后一幅图像段的前端存在至少H行像素重叠，其中H为轨枕在图像段上所占的像素高度。如对具有2万行像素的图片进行截取时，取固定长度为1000行，若轨枕在图像上所占像素高度H为100行，则第一个图像段截取范围为第1行至第1000行，第二个图像段截取范围为第900行至第1900行，以此类推。
如此操作是因为当进行固定长度的图像段截取时，同一轨枕上的弹条扣件、紧固螺母可能被拆分成两部分，分别位于前一幅图像段的尾端和后一幅图像段的前端，会对图像识别造成较大的困难，因此采取图像组合的方式进行图像数据处理。根据轨枕在图像上所占据像素高度H，使前后两幅图像段在沿钢轨方向保持H行像素的重复，其中重复部分位于前一幅图像段的最后H行，位于后一幅图像段的前H行，因此单根轨枕及其上安装的弹条扣件、紧固螺母必定全部落入检测范围中。同时，可根据图像段重复像素的实际公里标位置确定目标是否在前一幅图像段中已被检测，避免重复检测。
步骤3.4：首先，通过深度学习目标检测模型对图像段中的轨枕、弹条扣件和紧固螺母进行粗定位；通过同一图像段中弹条扣件、紧固螺母和钢轨之间的相对位置关系，识别是否存在弹条扣件、紧固螺母缺失的情况。
然后，根据待检测图像段提取标准数据库中对应轨道标准图像，对二者分别进行SIFT特征提取，然后进行图像差分，对差分后图像进行二值化处理。根据正常紧固螺母的像素宽度和高度，设立像素阈值，超过阈值部分标记为异物。
对图像段中识别出弹条扣件和紧固螺母的区域缩减ROI(感兴趣区域)，缩减感兴趣区域后，通过图像处理算法中的边缘算子提取弹条扣件和紧固螺母的边缘，并获取图像段中弹条扣件和紧固螺母的最小外接矩阵，得到弹条扣件或紧固螺母的像素宽度和高度；与标准数据库中同一公里标处的标准图像进行比对，进行缺陷识别。
最后，通过设定的螺母旋转角度阈值和像素高度差阈值进行缺陷识别；
当图像段中的紧固螺母旋转角度在5°以上时，判定紧固螺母处于松动状态，对该轨枕的公里标进行标记；
当图像段中的弹条扣件横向像素高度为0.9R～1.1R且弹条扣件纵向像素高度为0.9W～1.1W时，判定弹条扣件处于未断裂状态，其中，R为同一公里标处对应的标准图像中弹条扣件的横向像素高度，W为同一公里标处对应的标准图像中弹条扣件的纵向像素高度。当弹条扣件的横向像素高度小于0.9R或大于1.1R时，判定弹条扣件发生了横向断裂，对此轨枕的公里标进行标记；当弹条扣件的纵向像素高度小于0.9W或大于1.1W时，判定弹条扣件发生了纵向断裂，对此轨枕的公里标进行标记，便于工作人员对其进行检修。
步骤3.5：在通过深度学习目标检测模型对图像段中的轨枕、弹条扣件和紧固螺母进行缺陷识别的同时，构建标准图像与待检测图像段的特征金字塔，比对特征点，识别钢轨缺陷以及道床异物。
步骤四：将缺陷识别数据存入故障数据库中，对故障数据库进行大数据分析，获取轨道上的易故障区域、易故障类型和易故障时间。
将缺陷识别数据中的病害类型、公里标信息和故障时间存入故障数据库中，通过贝叶斯神经网络建立轨道预测模型，通过数据追溯、关联、决策分析等大数据分析手段获取轨道上的易故障区域、易故障类型和易故障时间，对轨道状态进行判断，对轨道服役寿命进行预测。
整个检测过程中，工作人员可通过数据处理单元3的显示器查看当前检测状态以及被标记的公里标及其对应的缺陷信息，便于工作人员及时赶赴缺陷轨枕处进行检修。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种轨道巡检系统，其特征在于，包括图像采集单元(1)、定位单元(2)、数据处理单元(3)和电源单元(4)；所述图像采集单元(1)包括设置于轨道检测小车上的相机(1.1)和光源(1.2)，用于采集轨道图像数据；所述电源单元(4)分别与所述图像采集单元(1)、定位单元(2)和数据处理单元(3)连接，用于实现电源供应；所述电源单元(4)包括不间断电源(4.1)，用于在巡检过程中提供稳定的电源供应。
2.根据权利要求1所述的一种轨道巡检系统，其特征在于，所述相机(1.1)为线阵相机，所述光源(1.2)为线性光源，多个相机(1.1)和多个光源(1.2)间隔设置在轨道检测小车的横梁(5)上。
3.根据权利要求1或2所述的一种轨道巡检系统，其特征在于，所述定位单元(2)包括RFID电子标签(2.1)和速度传感器(2.2)，多个RFID电子标签(2.1)均布设置于多根轨枕上，所述速度传感器(2.2)设置于轨道检测小车上，用于获取图像采集位置的定位信息。
4.根据权利要求3所述的一种轨道巡检系统，其特征在于，所述速度传感器(2.2)为编码器；所述速度传感器(2.2)与轨道检测小车的驱动电机连接，并且通过数据处理单元(3)与图像采集单元(1)连接。
5.一种轨道巡检方法，采用了如权利要求1至4任意一项所述的一种轨道巡检系统，其特征在于，包括以下步骤：
步骤一：获取轨道标准图像，通过数据处理单元(3)对轨道标准图像进行深度学习，获取深度学习目标检测模型的权重文件；
步骤二：将轨道标准图像及其对应的公里标信息存入标准数据库中，并对标准数据库中的轨道标准图像信息进行完善；
步骤三：通过轨道检测小车携带图像采集单元(1)，对轨道沿线进行图像采集，并通过定位单元(2)获取图像采集位置对应的公里标信息；通过机器视觉进行轨道沿线的缺陷识别；
步骤四：将缺陷识别数据存入故障数据库中，对故障数据库进行大数据分析，获取轨道上的易故障区域、易故障类型和易故障时间。
6.根据权利要求5所述的一种轨道巡检方法，其特征在于，所述步骤二中，将轨道标准图像及其对应的公里标信息存入标准数据库中，导入深度学习目标检测模型的权重文件，通过深度学习目标检测模型识别并定位标准图像中的轨枕、弹条扣件和紧固螺母，通过机器视觉识别紧固螺母相对于钢轨的角度、弹条扣件与紧固螺母的像素高度，并结合所定位的零件对应的公里标信息共同存入标准数据库。
7.根据权利要求6所述的一种轨道巡检方法，其特征在于，所述步骤三中，在图像采集的过程中，逐次截取固定长度的图像段进行缺陷识别；前一幅图像段的尾端与后一幅图像段的前端存在至少H行像素重叠，其中H为轨枕在图像段上所占的像素高度。
8.根据权利要求7所述的一种轨道巡检方法，其特征在于，所述步骤三中，通过深度学习目标检测模型对图像段中的轨枕、弹条扣件和紧固螺母进行粗定位；缩减感兴趣区域后，通过图像处理算法中的边缘算子提取弹条扣件和紧固螺母的边缘，并与标准数据库中同一公里标处的标准图像进行比对，进行缺陷识别。
9.根据权利要求8所述的一种轨道巡检方法，其特征在于，所述步骤三中，进行缺陷识别时，通过设定的螺母旋转角度阈值和像素高度差阈值进行缺陷识别；
当图像段中的紧固螺母旋转角度在5°以上时，判定紧固螺母处于松动状态；
当图像段中的弹条扣件横向像素高度为0.9R～1.1R且弹条扣件纵向像素高度为0.9W～1.1W时，判定弹条扣件处于未断裂状态；其中，R为同一公里标处对应的标准图像中弹条扣件的横向像素高度，W为同一公里标处对应的标准图像中弹条扣件的纵向像素高度。
10.根据权利要求5至9任意一项所述的一种轨道巡检方法，其特征在于，所述步骤四中，将缺陷识别数据中的病害类型、公里标信息和故障时间存入故障数据库中，通过贝叶斯神经网络建立轨道预测模型，通过数据追溯、关联、决策分析获取轨道上的易故障区域、易故障类型和易故障时间，对轨道状态进行判断，对轨道服役寿命进行预测。
CN202210813051.0A 2022-07-11 2022-07-11 一种轨道巡检系统及方法 Pending CN115184269A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210813051.0A CN115184269A (zh) 2022-07-11 2022-07-11 一种轨道巡检系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210813051.0A CN115184269A (zh) 2022-07-11 2022-07-11 一种轨道巡检系统及方法

Publications (1)

Publication Number Publication Date
CN115184269A true CN115184269A (zh) 2022-10-14

Family

ID=83517204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210813051.0A Pending CN115184269A (zh) 2022-07-11 2022-07-11 一种轨道巡检系统及方法

Country Status (1)

Country Link
CN (1) CN115184269A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993676A (zh) * 2023-07-03 2023-11-03 中铁九局集团电务工程有限公司 一种基于深度学习的地铁轨道扣件计数与定位方法
CN117197136A (zh) * 2023-11-06 2023-12-08 中数智科(杭州)科技有限公司 跨座式单轨轨道梁损伤检测定位系统、方法和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993676A (zh) * 2023-07-03 2023-11-03 中铁九局集团电务工程有限公司 一种基于深度学习的地铁轨道扣件计数与定位方法
CN116993676B (zh) * 2023-07-03 2024-05-07 中铁九局集团电务工程有限公司 一种基于深度学习的地铁轨道扣件计数与定位方法
CN117197136A (zh) * 2023-11-06 2023-12-08 中数智科(杭州)科技有限公司 跨座式单轨轨道梁损伤检测定位系统、方法和存储介质
CN117197136B (zh) * 2023-11-06 2024-01-26 中数智科(杭州)科技有限公司 跨座式单轨轨道梁损伤检测定位系统、方法和存储介质

Similar Documents

Publication Publication Date Title
CN115184269A (zh) 一种轨道巡检系统及方法
CN105652154B (zh) 接触网运行状态安全监测分析系统
CN202793389U (zh) 一种高铁接触网在线巡检装置
CN102129564B (zh) 基于无人飞行器的接触网故障检测与诊断方法
CN209070035U (zh) 一种轨道交通电客车接触网悬挂综合检测装置
CN108288055B (zh) 基于深度网络与分级测试的电力机车受电弓及电弧检测方法
CN113112501B (zh) 一种基于深度学习的车载轨道巡检装置及方法
CN205898699U (zh) 悬挂式单轨箱型梁巡检装置
CN107742130A (zh) 基于深度学习的高铁接触网支持装置紧固件故障诊断方法
Karakose et al. A new approach for condition monitoring and detection of rail components and rail track in railway
KR101701160B1 (ko) 가동브래킷 변형 검사 시스템
CN103303337B (zh) 基于图像序列的铁路扣件自适应定位方法及高速探测系统
CN107633266B (zh) 一种电力机车接触网受电弓电弧检测方法
CN114998244A (zh) 基于计算机视觉的轨道梁指形板智能巡检系统及方法
CN112061171B (zh) 一种基于嵌入式gpu的轨道缺陷在线巡检方法与巡检装置
CN113295145A (zh) 一种弓网运行状态的检测系统及检测方法
KR20190024447A (ko) 실시간 선로 결함 검측 시스템
CN202854908U (zh) 铁路线路智能巡检系统
CN109141937B (zh) 一种智能化轮胎评估系统及其使用方法
CN114565845A (zh) 一种地下隧道智能巡检系统
CN112508911A (zh) 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法
Hamey et al. Pancam: in-service inspection of locomotive pantographs
CN116519703A (zh) 基于线扫3d图像的集电靴碳滑板图像检测系统及方法
CN116380928A (zh) 一种非接触式弓网硬点检测方法和系统
CN112285111A (zh) 一种受电弓前碳滑板缺陷检测方法、装置、系统和介质

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