CN115546746A - 一种高速行驶轨道车辆裂纹检测方法及装置 - Google Patents

一种高速行驶轨道车辆裂纹检测方法及装置 Download PDF

Info

Publication number
CN115546746A
CN115546746A CN202211021905.8A CN202211021905A CN115546746A CN 115546746 A CN115546746 A CN 115546746A CN 202211021905 A CN202211021905 A CN 202211021905A CN 115546746 A CN115546746 A CN 115546746A
Authority
CN
China
Prior art keywords
image
wheel
detected
crack
sub
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
CN202211021905.8A
Other languages
English (en)
Inventor
翟庆林
欧阳国华
胡建利
朱科
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.)
Hunan Siling Electronic Technology Co ltd
Hunan First Normal University
Original Assignee
Hunan Siling Electronic Technology Co ltd
Hunan First Normal University
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 Hunan Siling Electronic Technology Co ltd, Hunan First Normal University filed Critical Hunan Siling Electronic Technology Co ltd
Priority to CN202211021905.8A priority Critical patent/CN115546746A/zh
Publication of CN115546746A publication Critical patent/CN115546746A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • 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
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及裂纹检测的技术领域，揭露了一种高速行驶轨道车辆裂纹检测方法及装置，包括：采集轨道交通车辆行驶过程中的基准图像以及待检测图像序列；将基准图像以及待检测图像序列中的图像进行等尺度分割，并对分割后的基准子图像和待检测子图像进行相似性检测，选取相似性较低的子图像对作为可能出现裂纹的重点区域分割图像对；构造面向微小目标识别的轨道交通车轮裂纹特征识别网络提取待检测子图像的高质量裂纹特征信息；构建高鲁棒轨道交通车轮裂纹识别模型得到车轮裂纹识别度。本发明所述方法实现高质量裂纹特征信息的提取，实现基于实时行驶车轮图像序列的动态裂纹检测，若轨道交通车辆的行驶车轮图像检测到裂纹，则可以迅速进行告警。

Description

一种高速行驶轨道车辆裂纹检测方法及装置
技术领域
本发明涉及裂纹检测的技术领域，尤其涉及一种高速行驶轨道车辆裂纹检测方法及装置。
背景技术
随着轨道交通技术的快速发展，车辆高速运行中的安全问题引起了越来越多的关注。车轮安全是轨道交通车辆安全的基础，尤其是高速行驶当中的车轮一旦出现裂纹问题将造成严重的事故灾难，现有的车轮裂纹检测以静态检测为主，无法应用于车辆高速行驶场景。针对该问题，本专利提出一种高速行驶轨道车辆裂纹检测方法，实现轨道车辆高速运行过程中车轮裂纹状态的快速精准检测及定位。
发明内容
有鉴于此，本发明提供一种高速行驶轨道车辆裂纹检测方法，目的在于(1)实现基于实时行驶车轮图像序列的动态裂纹检测，若轨道交通车辆在行驶过程中的车轮图像检测到裂纹，则可以迅速进行告警，避免车辆高速行驶过程中由于裂纹问题产生的严重事故灾难；(2)基于子图像的梯度方向相似性，快速计算得到与初始车轮图像存在梯度异常的待检测子图像，保证裂纹检测的时效性；(3)采用自上而下的特征提取方法提取得到待检测子图像的语义特征，并采用自下而上的特征提取方法提取得到待检测子图像的细节特征，将全局池化后的融合特征作为更高质量的裂纹特征信息，实现高质量裂纹特征信息的提取。
为实现上述目的，本发明提供的一种高速行驶轨道车辆裂纹检测方法，包括以下步骤：
S1：采集轨道交通车辆在出发时刻的初始车轮图像，并按照固定时间间隔T采集轨道交通车辆在行驶过程中的行驶车轮图像序列，并对所采集图像进行预处理，将预处理后的初始车轮图像作为基准图像，将预处理后的行驶车轮图像序列作为待检测图像序列；
S2：将基准图像以及待检测图像序列中的图像进行等尺度分割，并对分割后的基准子图像和待检测子图像进行相似性检测，选取相似性较低的子图像对作为可能出现裂纹的重点区域分割图像对，其中所述子图像对为基准子图像与待检测子图像的集合，所述待检测子图像为待检测图像序列中待检测图像的分割后子图像；
S3：构造面向微小目标识别的轨道交通车轮裂纹特征识别网络，所述识别网络的输入为重点区域分割图像对中的待检测子图像，输出为待检测子图像的高质量裂纹特征信息，其中所述结合自上而下和自下而上的特征融合操作为高质量裂纹特征信息的获取方法；
S4：构建高鲁棒轨道交通车轮裂纹识别模型，以获取得到的高质量裂纹特征信息为输入，进行噪音干扰环境下的车轮裂纹识别，得到车轮裂纹识别度，若所述车轮裂纹识别度大于指定阈值则表示待检测子图像所对应的车轮部位存在裂纹。
作为本发明的进一步改进方法：
可选地，所述S1步骤中采集轨道交通车辆在出发时刻的初始车轮图像，并按照固定时间间隔T采集轨道交通车辆在行驶过程中的行驶车轮图像序列，包括：
所述轨道交通车辆在出发时刻的车轮为完好、不存在裂纹的车轮，采集轨道交通车辆在出发时刻的初始车轮图像I0，按照固定时间间隔T采集轨道交通车辆在行驶过程中的行驶车轮图像序列，所述行驶车轮图像序列I的形式为：
I＝{I(t1)，I(t2)，...，I(ti)，...，I(tn)}
其中：
I(ti)表示ti时刻的轨道交通车辆行驶车轮图像，[t1，tn]为轨道交通车辆的行驶时间范围，I(tn)表示轨道交通车辆在当前时刻的行驶车轮图像，相邻时刻ti，ti+1的时间间隔为T。
所述采集图像的规格为N×N像素。
可选地，所述S1步骤中对所采集图像进行预处理，包括：
对所采集图像进行预处理，将预处理后的初始车轮图像作为基准图像，将预处理后的行驶车轮图像序列作为待检测图像序列，所述基准图像为I′0，待检测图像序列为：
I′＝{I′(t1)，I′(t2)，...，I′(ti)，...，I′(tn)}
所述图像预处理流程为：
S11：求取待处理图像中每个像素在RGB颜色分量的最大值，并将该最大值设置为该像素点的灰度值，得到待处理图像的灰度图；
S12：利用分段线性变换的方式对灰度图进行灰度拉伸：
Figure BDA0003814371510000021
其中：
g(x，y)表示灰度图g中像素(x，y)的灰度值；
g′(x，y)表示对g(x，y)进行灰度拉伸后的灰度值；
ming表示灰度图g中的最小灰度值，maxg表示灰度图g中的最大灰度值；
S13：设置二值化阈值为
Figure BDA0003814371510000022
若灰度拉伸后的灰度图的像素灰度值大于等于二值化阈值
Figure BDA0003814371510000023
则将该像素的像素值设置为255，否则设置为0，得到二值化处理后的图像；
S14：构建结构元素A，对二值化处理后的图像进行腐蚀的形态学处理，所述腐蚀操作流程为：以结构元素A的中心点对二值化处理后的图像像素进行逐个遍历，若所遍历像素的邻近像素的像素值均为0，则将所遍历像素的像素值设置为0，否则将所遍历像素的像素值设置为255；所述邻近像素表示将所遍历像素与结构元素的中心点重叠，结构元素中其他点所重合的像素即为所遍历像素的邻近像素；
S15：构建结构元素C，对腐蚀处理后的图像进行膨胀的形态学处理，将膨胀处理后的图像作为预处理后的图像，所述膨胀操作流程为：以结构元素C的中心点对腐蚀处理后的图像像素进行逐个遍历，若遍历像素存在像素值为255的邻近像素，则将遍历像素的像素值设置为255。
可选地，所述S2步骤中将基准图像以及待检测图像序列中的图像进行等尺度分割，包括：
对基准图像进行尺度分割，得到
Figure BDA0003814371510000024
个基准子图像，其中基准图像I′0的第k个基准子图像为I′0，k，
Figure BDA0003814371510000025
所述基准子图像的规格为m×m像素；
对待检测图像序列中的任意图像I′(ti)进行尺度分割，得到图像I′(ti)的
Figure BDA0003814371510000026
个待检测子图像，其中图像I′(ti)的第k个待检测子图像为I′k(ti)。
可选地，所述S2步骤中对分割后的基准子图像和待检测子图像进行相似性检测，选取相似性较低的子图像对作为可能出现裂纹的重点区域分割图像对，其中所述子图像对为基准子图像与待检测子图像的集合，所述待检测子图像为待检测图像序列中待检测图像的分割后子图像，包括：
对分割后的基准子图像和对应的待检测子图像进行相似性检测，其中所述子图像对为基准子图像与待检测子图像的集合，所述待检测子图像为待检测图像序列中待检测图像的分割后子图像，所述相似性检测流程为：
S21：分别计算基准子图像I′0，k和对应待检测子图像I′k(ti)中每个像素在水平方向和竖直方向的梯度向量，所述像素在水平方向和竖直方向的梯度向量的计算公式为：
Figure BDA0003814371510000027
Figure BDA0003814371510000031
Figure BDA0003814371510000032
Figure BDA0003814371510000033
其中：
G1[I′0，k(x，y)]表示基准子图像I′0，k中像素(x，y)在水平方向的梯度向量，G2[I′0，k(x，y)]表示基准子图像I′0，k中像素(x，y)在竖直方向的梯度向量；
I′k(ti，(x，y))表示待检测子图像I′k(ti)中的像素(x，y)；
S22：分别计算基准子图像I′0，k和对应待检测子图像I′k(ti)的梯度向量：
Figure BDA0003814371510000034
Figure BDA0003814371510000035
其中：
G(I′0，k)表示基准子图像I′0，k的梯度向量；
G(I′k(ti))表示待检测子图像I′k(ti)的梯度向量；
S23：分别计算基准子图像I0，k和对应待检测子图像I′k(ti)的梯度方向，若两个子图像梯度方向的差值的绝对值小于
Figure BDA0003814371510000036
则说明在满足方向准确阈值为
Figure BDA0003814371510000037
的情况下，两个子图像的相似，否则基准子图像I′0，k和对应待检测子图像I′k(ti)为可能出现裂纹的重点区域分割图像对(I′0，k，I′k(ti))；
所述梯度方向的计算公式为：
Figure BDA0003814371510000038
Figure BDA0003814371510000039
其中：
θ(I′0，k)表示基准子图像I′0，k的梯度方向；
θ(I′k(ti))表示待检测子图像I′k(ti)的梯度方向。
可选地，所述S3步骤中构造面向微小目标识别的轨道交通车轮裂纹特征识别网络，所述识别网络的输入为重点区域分割图像对中的待检测子图像，输出为待检测子图像的高质量裂纹特征信息，包括：
构造面向微小目标识别的轨道交通车轮裂纹特征识别网络，所述轨道交通车轮裂纹特征识别网络的输入为重点区域分割图像对中的待检测子图像，输出为待检测子图像的高质量裂纹特征信息；
所述轨道交通车轮裂纹特征识别网络包括输入层，残差卷积层，上采样层，下采样层以及输出层；
所述高质量裂纹特征信息的计算流程为：
S31：将重点区域分割图像对中的待检测子图像f输入到轨道交通车轮裂纹特征识别网络的输入层，输出层将f发送到残差卷积层；
S32：所述残差卷积层为由3个残差块组合得到的卷积模块，所述残差块包括
Figure BDA00038143715100000310
Figure BDA00038143715100000311
残差卷积层中的残差块
Figure BDA00038143715100000312
接收f，输出得到特征f1，并将f1输入到残差块
Figure BDA00038143715100000313
输出得到特征f2，将f2输入到残差块
Figure BDA0003814371510000044
输出得到特征f3，其中所述残差块
Figure BDA0003814371510000041
中卷积核的尺寸为5×5像素，残差块
Figure BDA0003814371510000042
中卷积核的尺寸为3×3像素，残差块
Figure BDA0003814371510000043
中卷积核的尺寸为1×1像素；
S33：将特征f3输入到上采样层，并将上采样结果与f2按元素相加，得到自上而下的语义特征f′；
S34：将特征f1输入到下采样层，所述下采样层为池化层，并将下采样结果与f′按元素相加，得到结合自上而下和自下而上的融合特征F，并对融合特征F进行全局池化，将全局池化后的特征图作为待检测子图像的高质量裂纹特征信息F′。
可选地，所述S4步骤中构建高鲁棒轨道交通车轮裂纹识别模型，以获取得到的高质量裂纹特征信息为输入，进行噪音干扰环境下的车轮裂纹识别，得到车轮裂纹识别度，包括：
构建高鲁棒轨道交通车轮裂纹识别模型，以获取得到的高质量裂纹特征信息为输入，进行噪音干扰环境下的车轮裂纹识别，得到车轮裂纹识别度；
所述高鲁棒轨道交通车轮裂纹识别模型的车轮裂纹识别流程为：
S41：利用CNN模型提取重点区域分割图像对中基准子图像的图像特征为F0；
S42：计算基准子图像的图像特征为F0与高质量裂纹特征信息F′的车轮裂纹识别度d(F0，F′)：
d(F0，F′)＝||F0-F′||2
其中：
||·||2表示L2范数。
可选地，所述S4步骤中若所述车轮裂纹识别度大于指定阈值则表示待检测子图像所对应的车轮部位存在裂纹，包括：
若所述车轮裂纹识别度d(F0，F′)大于指定阈值R，则表示待检测子图像所对应的车轮部位存在裂纹，并进行告警。
为了解决上述问题，本发明提供一种高速行驶轨道车辆裂纹检测装置，其特征在于，所述装置包括：
图像处理装置，用于采集轨道交通车辆在出发时刻的初始车轮图像，并按照固定时间间隔T采集轨道交通车辆在行驶过程中的行驶车轮图像序列，并对所采集图像进行预处理，将预处理后的初始车轮图像作为基准图像，将预处理后的行驶车轮图像序列作为待检测图像序列；将基准图像以及待检测图像序列中的图像进行等尺度分割，并对分割后的基准子图像和待检测子图像进行相似性检测，选取相似性较低的子图像对作为可能出现裂纹的重点区域分割图像对；
特征提取模块，用于构造面向微小目标识别的轨道交通车轮裂纹特征识别网络，所述识别网络的输入为重点区域分割图像对中的待检测子图像，输出为待检测子图像的高质量裂纹特征信息；
裂纹检测识别模块，用于构建高鲁棒轨道交通车轮裂纹识别模型，以获取得到的高质量裂纹特征信息为输入，进行噪音干扰环境下的车轮裂纹识别，得到车轮裂纹识别度，若所述车轮裂纹识别度大于指定阈值则表示待检测子图像所对应的车轮部位存在裂纹。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的高速行驶轨道车辆裂纹检测方法。
为了解决上述问题，本发明还提供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至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的高速行驶轨道车辆裂纹检测方法。
相对于现有技术，本发明提出一种高速行驶轨道车辆裂纹检测方法，该技术具有以下优势：
首先，本方案提出一种图像相似性度量方法，对分割后的基准子图像和对应的待检测子图像进行相似性检测，其中所述子图像对为基准子图像与待检测子图像的集合，所述待检测子图像为待检测图像序列中待检测图像的分割后子图像，所述相似性检测流程为：分别计算基准子图像I′0，k和对应待检测子图像I′k(ti)中每个像素在水平方向和竖直方向的梯度向量，所述像素在水平方向和竖直方向的梯度向量的计算公式为：
Figure BDA0003814371510000051
Figure BDA0003814371510000052
Figure BDA0003814371510000053
Figure BDA0003814371510000054
其中：G1[I′0，k(x，y)]表示基准子图像I′0，k中像素(x，y)在水平方向的梯度向量，G2[I′0，k(x，y)]表示基准子图像I′0，k中像素(x，y)在竖直方向的梯度向量；I′k(ti，(x，y))表示待检测子图像I′k(ti)中的像素(x，y)；分别计算基准子图像I′0，k和对应待检测子图像I′k(ti)的梯度向量：
Figure BDA0003814371510000055
Figure BDA0003814371510000056
其中：G(I′0，k)表示基准子图像I′0，k的梯度向量；G(I′k(ti))表示待检测子图像I′k(ti)的梯度向量；分别计算基准子图像I′0，k和对应待检测子图像I′k(ti)的梯度方向，若两个子图像梯度方向的差值的绝对值小于
Figure BDA0003814371510000057
则说明在满足方向准确阈值为
Figure BDA0003814371510000058
情况下，两个子图像的相似，否则基准子图像I′0，k和对应待检测子图像I′k(ti)为可能出现裂纹的重点区域分割图像对(I′0，k，I′k(ti))；所述梯度方向的计算公式为：
Figure BDA0003814371510000059
Figure BDA00038143715100000510
其中：θ(I′0，k)表示基准子图像I′0，k的梯度方向；θ(I′k(ti))表示待检测子图像I′k(ti)的梯度方向。本方案实现基于实时行驶车轮图像序列的动态裂纹检测，若轨道交通车辆在行驶过程中的车轮图像检测到裂纹，则可以迅速进行告警，避免车辆高速行驶过程中由于裂纹问题产生的严重事故灾难，并基于子图像的梯度方向相似性，快速计算得到与初始车轮图像存在梯度异常的待检测子图像，保证裂纹检测的时效性。
同时，本方案提出一种高质量裂纹特征信息提取流程，所述高质量裂纹特征信息的计算流程为：将重点区域分割图像对中的待检测子图像f输入到轨道交通车轮裂纹特征识别网络的输入层，输出层将f发送到残差卷积层；所述残差卷积层为由3个残差块组合得到的卷积模块，所述残差块包括
Figure BDA00038143715100000511
残差卷积层中的残差块
Figure BDA00038143715100000512
接收f，输出得到特征f1，并将f1输入到残差块
Figure BDA00038143715100000513
输出得到特征f2，将f2输入到残差块
Figure BDA00038143715100000514
输出得到特征f3，其中所述残差块
Figure BDA00038143715100000515
中卷积核的尺寸为5×5像素，残差块
Figure BDA00038143715100000516
中卷积核的尺寸为3×3像素，残差块
Figure BDA00038143715100000517
和卷积核的尺寸为1×1像素；将特征f3输入到上采样层，并将上采样结果与f2按元素相加，得到自上而下的语义特征f′；将特征f1输入到下采样层，所述下采样层为池化层，并将下采样结果与f′按元素相加，得到结合自上而下和自下而上的融合特征F，并对融合特征F进行全局池化，将全局池化后的特征图作为待检测子图像的高质量裂纹特征信息F′。本方案采用自上而下的特征提取方法提取得到待检测子图像的语义特征，并采用自下而上的特征提取方法提取得到待检测子图像的细节特征，将全局池化后的融合特征作为更高质量的裂纹特征信息，实现高质量裂纹特征信息的提取。
附图说明
图1为本发明一实施例提供的一种高速行驶轨道车辆裂纹检测方法的流程示意图；
图2为本发明一实施例提供的高速行驶轨道车辆裂纹检测装置的功能模块图；
图3为本发明一实施例提供的实现高速行驶轨道车辆裂纹检测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种高速行驶轨道车辆裂纹检测方法。所述高速行驶轨道车辆裂纹检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述高速行驶轨道车辆裂纹检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：采集轨道交通车辆在出发时刻的初始车轮图像，并按照固定时间间隔T采集轨道交通车辆在行驶过程中的行驶车轮图像序列，并对所采集图像进行预处理，将预处理后的初始车轮图像作为基准图像，将预处理后的行驶车轮图像序列作为待检测图像序列。
所述S1步骤中采集轨道交通车辆在出发时刻的初始车轮图像，并按照固定时间间隔T采集轨道交通车辆在行驶过程中的行驶车轮图像序列，包括：
所述轨道交通车辆在出发时刻的车轮为完好、不存在裂纹的车轮，采集轨道交通车辆在出发时刻的初始车轮图像I0，按照固定时间间隔T采集轨道交通车辆在行驶过程中的行驶车轮图像序列，所述行驶车轮图像序列I的形式为：
I＝{I(t1)，I(t2)，...，I(ti)，...，I(tn)}
其中：
I(ti)表示ti时刻的轨道交通车辆行驶车轮图像，[t1，tn]为轨道交通车辆的行驶时间范围，I(tn)表示轨道交通车辆在当前时刻的行驶车轮图像，相邻时刻ti，ti+1的时间间隔为T。
所述采集图像的规格为N×N像素。
所述S1步骤中对所采集图像进行预处理，包括：
对所采集图像进行预处理，将预处理后的初始车轮图像作为基准图像，将预处理后的行驶车轮图像序列作为待检测图像序列，所述基准图像为I′0，待检测图像序列为：
I′＝{I′(t1)，I′(t2)，...，I′(ti)，...，I′(tn)}
所述图像预处理流程为：
S11：求取待处理图像中每个像素在RGB颜色分量的最大值，并将该最大值设置为该像素点的灰度值，得到待处理图像的灰度图；
S12：利用分段线性变换的方式对灰度图进行灰度拉伸：
Figure BDA0003814371510000061
其中：
g(x，y)表示灰度图g中像素(x，y)的灰度值；
g(x，y)表示对g(x，y)进行灰度拉伸后的灰度值；
ming表示灰度图g中的最小灰度值，maxg表示灰度图g中的最大灰度值；
S13：设置二值化阈值为
Figure BDA0003814371510000071
若灰度拉伸后的灰度图的像素灰度值大于等于二值化阈值
Figure BDA0003814371510000072
则将该像素的像素值设置为255，否则设置为0，得到二值化处理后的图像；
S14：构建结构元素A，对二值化处理后的图像进行腐蚀的形态学处理，所述腐蚀操作流程为：以结构元素A的中心点对二值化处理后的图像像素进行逐个遍历，若所遍历像素的邻近像素的像素值均为0，则将所遍历像素的像素值设置为0，否则将所遍历像素的像素值设置为255；所述邻近像素表示将所遍历像素与结构元素的中心点重叠，结构元素中其他点所重合的像素即为所遍历像素的邻近像素；
S15：构建结构元素C，对腐蚀处理后的图像进行膨胀的形态学处理，将膨胀处理后的图像作为预处理后的图像，所述膨胀操作流程为：以结构元素C的中心点对腐蚀处理后的图像像素进行逐个遍历，若遍历像素存在像素值为255的邻近像素，则将遍历像素的像素值设置为255。
S2：将基准图像以及待检测图像序列中的图像进行等尺度分割，并对分割后的基准子图像和待检测子图像进行相似性检测，选取相似性较低的子图像对作为可能出现裂纹的重点区域分割图像对，其中所述子图像对为基准子图像与待检测子图像的集合，所述待检测子图像为待检测图像序列中待检测图像的分割后子图像。
所述S2步骤中对分割后的基准子图像和待检测子图像进行相似性检测，选取相似性较低的子图像对作为可能出现裂纹的重点区域分割图像对，其中所述子图像对为基准子图像与待检测子图像的集合，所述待检测子图像为待检测图像序列中待检测图像的分割后子图像，包括：
对分割后的基准子图像和对应的待检测子图像进行相似性检测，其中所述子图像对为基准子图像与待检测子图像的集合，所述待检测子图像为待检测图像序列中待检测图像的分割后子图像，所述相似性检测流程为：
S21：分别计算基准子图像I′0，k和对应待检测子图像I′k(ti)中每个像素在水平方向和竖直方向的梯度向量，所述像素在水平方向和竖直方向的梯度向量的计算公式为：
Figure BDA0003814371510000073
Figure BDA0003814371510000074
Figure BDA0003814371510000075
Figure BDA0003814371510000076
其中：
G1[I′0，k(x，y)]表示基准子图像I′0，k中像素(x，y)在水平方向的梯度向量，G2[I′0，k(x，y)]表示基准子图像I′0，k中像素(x，y)在竖直方向的梯度向量；
I′k(ti，(x，y))表示待检测子图像I′k(ti)中的像素(x，y)；
S22：分别计算基准子图像I′0，k和对应待检测子图像I′k(ti)的梯度向量：
Figure BDA0003814371510000077
Figure BDA0003814371510000078
其中：
G(I′0，k)表示基准子图像I′0，k的梯度向量；
G(I′k(ti))表示待检测子图像I′k(ti)的梯度向量；
S23：分别计算基准子图像I′0，k和对应待检测子图像I′k(ti)的梯度方向，若两个子图像梯度方向的差值的绝对值小于
Figure BDA0003814371510000081
则说明在满足方向准确阈值为
Figure BDA0003814371510000082
情况下，两个子图像的相似，否则基准子图像I′0，k和对应待检测子图像I′k(ti)为可能出现裂纹的重点区域分割图像对(I′0，k，I′k(ti))；
所述梯度方向的计算公式为：
Figure BDA0003814371510000083
Figure BDA0003814371510000084
其中：
θ(I′0，k)表示基准子图像I′0，k的梯度方向；
θ(I′k(ti))表示待检测子图像I′k(ti)的梯度方向。
S3：构造面向微小目标识别的轨道交通车轮裂纹特征识别网络，所述识别网络的输入为重点区域分割图像对中的待检测子图像，输出为待检测子图像的高质量裂纹特征信息，其中所述结合自上而下和自下而上的特征融合操作为高质量裂纹特征信息的获取方法。
所述S3步骤中构造面向微小目标识别的轨道交通车轮裂纹特征识别网络，所述识别网络的输入为重点区域分割图像对中的待检测子图像，输出为待检测子图像的高质量裂纹特征信息，包括：
构造面向微小目标识别的轨道交通车轮裂纹特征识别网络，所述轨道交通车轮裂纹特征识别网络的输入为重点区域分割图像对中的待检测子图像，输出为待检测子图像的高质量裂纹特征信息；
所述轨道交通车轮裂纹特征识别网络包括输入层，残差卷积层，上采样层，下采样层以及输出层；
所述高质量裂纹特征信息的计算流程为：
S31：将重点区域分割图像对中的待检测子图像f输入到轨道交通车轮裂纹特征识别网络的输入层，输出层将f发送到残差卷积层；
S32：所述残差卷积层为由3个残差块组合得到的卷积模块，所述残差块包括
Figure BDA0003814371510000085
Figure BDA0003814371510000086
残差卷积层中的残差块
Figure BDA0003814371510000087
接收f，输出得到特征f1，并将f1输入到残差块
Figure BDA0003814371510000088
输出得到特征f2，将f2输入到残差块
Figure BDA0003814371510000089
输出得到特征f3，其中所述残差块
Figure BDA00038143715100000810
中卷积核的尺寸为5×5像素，残差块
Figure BDA00038143715100000811
中卷积核的尺寸为3×3像素，残差块
Figure BDA00038143715100000812
中卷积核的尺寸为1×1像素；
S33：将特征f3输入到上采样层，并将上采样结果与f2按元素相加，得到自上而下的语义特征f′；
S34：将特征f1输入到下采样层，所述下采样层为池化层，并将下采样结果与f′按元素相加，得到结合自上而下和自下而上的融合特征F，并对融合特征F进行全局池化，将全局池化后的特征图作为待检测子图像的高质量裂纹特征信息F′。
S4：构建高鲁棒轨道交通车轮裂纹识别模型，以获取得到的高质量裂纹特征信息为输入，进行噪音干扰环境下的车轮裂纹识别，得到车轮裂纹识别度，若所述车轮裂纹识别度大于指定阈值则表示待检测子图像所对应的车轮部位存在裂纹。
所述S4步骤中构建高鲁棒轨道交通车轮裂纹识别模型，以获取得到的高质量裂纹特征信息为输入，进行噪音干扰环境下的车轮裂纹识别，得到车轮裂纹识别度，包括：
构建高鲁棒轨道交通车轮裂纹识别模型，以获取得到的高质量裂纹特征信息为输入，进行噪音干扰环境下的车轮裂纹识别，得到车轮裂纹识别度；
所述高鲁棒轨道交通车轮裂纹识别模型的车轮裂纹识别流程为：
S41：利用CNN模型提取重点区域分割图像对中基准子图像的图像特征为F0；
S42：计算基准子图像的图像特征为F0与高质量裂纹特征信息F′的车轮裂纹识别度d(F0，F′)：
d(F0，F)＝||F0-F||2
其中：
||·||2表示L2范数。
所述S4步骤中若所述车轮裂纹识别度大于指定阈值则表示待检测子图像所对应的车轮部位存在裂纹，包括：
若所述车轮裂纹识别度d(F0，F′)大于指定阈值R，则表示待检测子图像所对应的车轮部位存在裂纹，并进行告警。
实施例2：
如图2所示，是本发明一实施例提供的高速行驶轨道车辆裂纹检测装置的功能模块图，其可以实现实施例1中的高速行驶轨道车辆裂纹检测方法。
本发明所述高速行驶轨道车辆裂纹检测装置100可以安装于电子设备中。根据实现的功能，所述高速行驶轨道车辆裂纹检测装置可以包括图像处理装置101、特征提取模块102及裂纹检测识别模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
图像处理装置101，用于采集轨道交通车辆在出发时刻的初始车轮图像，并按照固定时间间隔T采集轨道交通车辆在行驶过程中的行驶车轮图像序列，并对所采集图像进行预处理，将预处理后的初始车轮图像作为基准图像，将预处理后的行驶车轮图像序列作为待检测图像序列；将基准图像以及待检测图像序列中的图像进行等尺度分割，并对分割后的基准子图像和待检测子图像进行相似性检测，选取相似性较低的子图像对作为可能出现裂纹的重点区域分割图像对；
特征提取模块102，用于构造面向微小目标识别的轨道交通车轮裂纹特征识别网络，所述识别网络的输入为重点区域分割图像对中的待检测子图像，输出为待检测子图像的高质量裂纹特征信息；
裂纹检测识别模块103，用于构建高鲁棒轨道交通车轮裂纹识别模型，以获取得到的高质量裂纹特征信息为输入，进行噪音干扰环境下的车轮裂纹识别，得到车轮裂纹识别度，若所述车轮裂纹识别度大于指定阈值则表示待检测子图像所对应的车轮部位存在裂纹。
详细地，本发明实施例中所述高速行驶轨道车辆裂纹检测装置100中的所述各模块在使用时采用与上述的图1中所述的高速行驶轨道车辆裂纹检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：
如图3所示，是本发明一实施例提供的实现高速行驶轨道车辆裂纹检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(用于高速行驶轨道车辆裂纹检测的程序12等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
采集轨道交通车辆在出发时刻的初始车轮图像，并按照固定时间间隔T采集轨道交通车辆在行驶过程中的行驶车轮图像序列，并对所采集图像进行预处理，将预处理后的初始车轮图像作为基准图像，将预处理后的行驶车轮图像序列作为待检测图像序列；
将基准图像以及待检测图像序列中的图像进行等尺度分割，并对分割后的基准子图像和待检测子图像进行相似性检测，选取相似性较低的子图像对作为可能出现裂纹的重点区域分割图像对；
构造面向微小目标识别的轨道交通车轮裂纹特征识别网络，所述识别网络的输入为重点区域分割图像对中的待检测子图像，输出为待检测子图像的高质量裂纹特征信息；
构建高鲁棒轨道交通车轮裂纹识别模型，以获取得到的高质量裂纹特征信息为输入，得到车轮裂纹识别度，若所述车轮裂纹识别度大于指定阈值则表示待检测子图像所对应的车轮部位存在裂纹。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种高速行驶轨道车辆裂纹检测方法，其特征在于，所述方法包括：
S1：采集轨道交通车辆在出发时刻的初始车轮图像，并按照固定时间间隔T采集轨道交通车辆在行驶过程中的行驶车轮图像序列，并对所采集图像进行预处理，将预处理后的初始车轮图像作为基准图像，将预处理后的行驶车轮图像序列作为待检测图像序列；
S2：将基准图像以及待检测图像序列中的图像进行等尺度分割，并对分割后的基准子图像和待检测子图像进行相似性检测，选取相似性较低的子图像对作为可能出现裂纹的重点区域分割图像对，其中所述子图像对为基准子图像与待检测子图像的集合，所述待检测子图像为待检测图像序列中待检测图像的分割后子图像，所述相似性检测流程，包括：
S21：分别计算基准子图像I'0,k和对应待检测子图像I'k(ti)中每个像素在水平方向和竖直方向的梯度向量，所述像素在水平方向和竖直方向的梯度向量的计算公式为：
Figure FDA0003814371500000011
Figure FDA0003814371500000012
Figure FDA0003814371500000013
Figure FDA0003814371500000014
其中：
G1[I'0,k(x,y)]表示基准子图像I'0,k中像素(x,y)在水平方向的梯度向量，G2[I'0,k(x,y)]表示基准子图像I'0,k中像素(x,y)在竖直方向的梯度向量；
I'k(ti,(x,y))表示待检测子图像I'k(ti)中的像素(x,y)；
S22：分别计算基准子图像I'0,k和对应待检测子图像I'k(ti)的梯度向量：
Figure FDA0003814371500000015
Figure FDA0003814371500000016
其中：
G(I'0,k)表示基准子图像I'0,k的梯度向量；
G(I'k(ti))表示待检测子图像I'k(ti)的梯度向量；
S23：分别计算基准子图像I'0,k和对应待检测子图像I'k(ti)的梯度方向，若两个子图像梯度方向的差值的绝对值小于
Figure FDA0003814371500000017
则说明在满足方向准确阈值为
Figure FDA0003814371500000018
的情况下，两个子图像的相似，否则基准子图像I'0,k和对应待检测子图像I'k(ti)为可能出现裂纹的重点区域分割图像对(I'0,k,I'k(ti))；
所述梯度方向的计算公式为：
Figure FDA0003814371500000019
Figure FDA00038143715000000110
其中：
θ(I'0,k)表示基准子图像I'0,k的梯度方向；
θ(I'k(ti))表示待检测子图像I'k(ti)的梯度方向；
S3：构造面向微小目标识别的轨道交通车轮裂纹特征识别网络，所述识别网络的输入为重点区域分割图像对中的待检测子图像，输出为待检测子图像的高质量裂纹特征信息，其中所述结合自上而下和自下而上的特征融合操作为高质量裂纹特征信息的获取方法；
S4：构建高鲁棒轨道交通车轮裂纹识别模型，以获取得到的高质量裂纹特征信息为输入，进行噪音干扰环境下的车轮裂纹识别，得到车轮裂纹识别度，若所述车轮裂纹识别度大于指定阈值则表示待检测子图像所对应的车轮部位存在裂纹。
2.如权利要求1所述的一种高速行驶轨道车辆裂纹检测方法，其特征在于，所述S1步骤中采集轨道交通车辆在出发时刻的初始车轮图像，并按照固定时间间隔T采集轨道交通车辆在行驶过程中的行驶车轮图像序列，包括：
所述轨道交通车辆在出发时刻的车轮为完好、不存在裂纹的车轮，采集轨道交通车辆在出发时刻的初始车轮图像I0，按照固定时间间隔T采集轨道交通车辆在行驶过程中的行驶车轮图像序列，所述行驶车轮图像序列I的形式为：
I＝{I(t1),I(t2),…,I(ti),…,I(tn)}
其中：
I(ti)表示ti时刻的轨道交通车辆行驶车轮图像，[t1,tn]为轨道交通车辆的行驶时间范围，I(tn)表示轨道交通车辆在当前时刻的行驶车轮图像，相邻时刻ti,ti+1的时间间隔为T；
所述采集图像的规格为N×N像素。
3.如权利要求2所述的一种高速行驶轨道车辆裂纹检测方法，其特征在于，所述S1步骤中对所采集图像进行预处理，包括：
对所采集图像进行预处理，将预处理后的初始车轮图像作为基准图像，将预处理后的行驶车轮图像序列作为待检测图像序列，所述基准图像为I'0，待检测图像序列为：
I＝{I′(t1),I′(t2),…,I′(ti),…,I′(tn)}
所述图像预处理流程为：
S11：求取待处理图像中每个像素在RGB颜色分量的最大值，并将该最大值设置为该像素点的灰度值，得到待处理图像的灰度图；
S12：利用分段线性变换的方式对灰度图进行灰度拉伸：
Figure FDA0003814371500000021
其中：
g(x,y)表示灰度图g中像素(x,y)的灰度值；
g'(x,y)表示对g(x,y)进行灰度拉伸后的灰度值；
ming表示灰度图g中的最小灰度值，maxg表示灰度图g中的最大灰度值；
S13：设置二值化阈值为
Figure FDA0003814371500000022
若灰度拉伸后的灰度图的像素灰度值大于等于二值化阈值
Figure FDA0003814371500000023
则将该像素的像素值设置为255，否则设置为0，得到二值化处理后的图像；
S14：构建结构元素A，对二值化处理后的图像进行腐蚀的形态学处理，所述腐蚀操作流程为：以结构元素A的中心点对二值化处理后的图像像素进行逐个遍历，若所遍历像素的邻近像素的像素值均为0，则将所遍历像素的像素值设置为0，否则将所遍历像素的像素值设置为255；所述邻近像素表示将所遍历像素与结构元素的中心点重叠，结构元素中其他点所重合的像素即为所遍历像素的邻近像素；
S15：构建结构元素C，对腐蚀处理后的图像进行膨胀的形态学处理，将膨胀处理后的图像作为预处理后的图像，所述膨胀操作流程为：以结构元素C的中心点对腐蚀处理后的图像像素进行逐个遍历，若遍历像素存在像素值为255的邻近像素，则将遍历像素的像素值设置为255。
4.如权利要求3所述的一种高速行驶轨道车辆裂纹检测方法，其特征在于，所述S2步骤中将基准图像以及待检测图像序列中的图像进行等尺度分割，包括：
对基准图像进行尺度分割，得到
Figure FDA0003814371500000031
个基准子图像，其中基准图像I'0的第k个基准子图像为I'0,k，
Figure FDA0003814371500000032
所述基准子图像的规格为m×m像素；
对待检测图像序列中的任意图像I'(ti)进行尺度分割，得到图像I'(ti)的
Figure FDA0003814371500000033
个待检测子图像，其中图像I'(ti)的第k个待检测子图像为I'k(ti)。
5.如权利要求1所述的一种高速行驶轨道车辆裂纹检测方法，其特征在于，所述S3步骤中构造面向微小目标识别的轨道交通车轮裂纹特征识别网络，所述识别网络的输入为重点区域分割图像对中的待检测子图像，输出为待检测子图像的高质量裂纹特征信息，包括：
构造面向微小目标识别的轨道交通车轮裂纹特征识别网络，所述轨道交通车轮裂纹特征识别网络的输入为重点区域分割图像对中的待检测子图像，输出为待检测子图像的高质量裂纹特征信息；
所述轨道交通车轮裂纹特征识别网络包括输入层，残差卷积层，上采样层，下采样层以及输出层；
所述高质量裂纹特征信息的计算流程为：
S31：将重点区域分割图像对中的待检测子图像f输入到轨道交通车轮裂纹特征识别网络的输入层，输出层将f发送到残差卷积层；
S32：所述残差卷积层为由3个残差块组合得到的卷积模块，所述残差块包括θ1，θ2，θ3，残差卷积层中的残差块θ1接收f，输出得到特征f1，并将f1输入到残差块θ2，输出得到特征f2，将f2输入到残差块θ3，输出得到特征f3，其中所述残差块θ1中卷积核的尺寸为5×5像素，残差块θ2中卷积核的尺寸为3×3像素，残差块θ3中卷积核的尺寸为1×1像素；
S33：将特征f3输入到上采样层，并将上采样结果与f2按元素相加，得到自上而下的语义特征f'；
S34：将特征f1输入到下采样层，所述下采样层为池化层，并将下采样结果与f'按元素相加，得到结合自上而下和自下而上的融合特征F，并对融合特征F进行全局池化，将全局池化后的特征图作为待检测子图像的高质量裂纹特征信息F'。
6.如权利要求1所述的一种高速行驶轨道车辆裂纹检测方法，其特征在于，所述S4步骤中构建高鲁棒轨道交通车轮裂纹识别模型，以获取得到的高质量裂纹特征信息为输入，进行噪音干扰环境下的车轮裂纹识别，得到车轮裂纹识别度，包括：
构建高鲁棒轨道交通车轮裂纹识别模型，以获取得到的高质量裂纹特征信息为输入，进行噪音干扰环境下的车轮裂纹识别，得到车轮裂纹识别度；
所述高鲁棒轨道交通车轮裂纹识别模型的车轮裂纹识别流程为：
S41：利用CNN模型提取重点区域分割图像对中基准子图像的图像特征为F0；
S42：计算基准子图像的图像特征为F0与高质量裂纹特征信息F'的车轮裂纹识别度d(F0,F′)：
d(F0,F′)＝||F0-F||2
其中：
||·||2表示L2范数。
7.如权利要求6所述的一种高速行驶轨道车辆裂纹检测方法，其特征在于，所述S4步骤中若所述车轮裂纹识别度大于指定阈值则表示待检测子图像所对应的车轮部位存在裂纹，包括：
若所述车轮裂纹识别度d(F0,F')大于指定阈值R，则表示待检测子图像所对应的车轮部位存在裂纹，并进行告警。
8.一种高速行驶轨道车辆裂纹检测装置，其特征在于，所述装置包括：
图像处理装置，用于采集轨道交通车辆在出发时刻的初始车轮图像，并按照固定时间间隔T采集轨道交通车辆在行驶过程中的行驶车轮图像序列，并对所采集图像进行预处理，将预处理后的初始车轮图像作为基准图像，将预处理后的行驶车轮图像序列作为待检测图像序列；将基准图像以及待检测图像序列中的图像进行等尺度分割，并对分割后的基准子图像和待检测子图像进行相似性检测，选取相似性较低的子图像对作为可能出现裂纹的重点区域分割图像对；
特征提取模块，用于构造面向微小目标识别的轨道交通车轮裂纹特征识别网络，所述识别网络的输入为重点区域分割图像对中的待检测子图像，输出为待检测子图像的高质量裂纹特征信息；
裂纹检测识别模块，用于构建高鲁棒轨道交通车轮裂纹识别模型，以获取得到的高质量裂纹特征信息为输入，进行噪音干扰环境下的车轮裂纹识别，得到车轮裂纹识别度，若所述车轮裂纹识别度大于指定阈值则表示待检测子图像所对应的车轮部位存在裂纹，以实现如权利要求1-7所述的一种高速行驶轨道车辆裂纹检测方法。
CN202211021905.8A 2022-08-24 2022-08-24 一种高速行驶轨道车辆裂纹检测方法及装置 Pending CN115546746A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211021905.8A CN115546746A (zh) 2022-08-24 2022-08-24 一种高速行驶轨道车辆裂纹检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211021905.8A CN115546746A (zh) 2022-08-24 2022-08-24 一种高速行驶轨道车辆裂纹检测方法及装置

Publications (1)

Publication Number Publication Date
CN115546746A true CN115546746A (zh) 2022-12-30

Family

ID=84725404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211021905.8A Pending CN115546746A (zh) 2022-08-24 2022-08-24 一种高速行驶轨道车辆裂纹检测方法及装置

Country Status (1)

Country Link
CN (1) CN115546746A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115984145A (zh) * 2023-02-27 2023-04-18 湖南城市学院 一种精准鱼道过鱼识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115984145A (zh) * 2023-02-27 2023-04-18 湖南城市学院 一种精准鱼道过鱼识别方法
CN115984145B (zh) * 2023-02-27 2024-02-02 湖南城市学院 一种精准鱼道过鱼识别方法

Similar Documents

Publication Publication Date Title
US9082038B2 (en) Dram c adjustment of automatic license plate recognition processing based on vehicle class information
US20090110286A1 (en) Detection method
CN112507934A (zh) 活体检测方法、装置、电子设备及存储介质
CN111639704A (zh) 目标识别方法、装置及计算机可读存储介质
CN112581522A (zh) 图像中目标物位置检测方法、装置、电子设备及存储介质
CN113554008B (zh) 静态物体区域内检测方法、装置、电子设备及存储介质
AG Development of portable automatic number plate recognition (ANPR) system on Raspberry Pi
CN111931729B (zh) 基于人工智能的行人检测方法、装置、设备及介质
CN111985449A (zh) 救援现场图像的识别方法、装置、设备及计算机介质
CN116168351B (zh) 电力设备巡检方法及装置
CN115546746A (zh) 一种高速行驶轨道车辆裂纹检测方法及装置
CN114240816A (zh) 道路环境感知方法、装置、存储介质、电子设备及车辆
CN113255555A (zh) 中国交通标志牌识别方法、系统、处理设备及存储介质
CN117132990A (zh) 铁路车厢信息的识别方法、装置、电子设备及存储介质
CN112528903A (zh) 人脸图像获取方法、装置、电子设备及介质
CN116450880A (zh) 一种语义检测的车载视频智能处理方法
CN117237835A (zh) 一种基于yolov7的货架安全自动检测方法及装置
CN113449629B (zh) 基于行车视频的车道线虚实识别装置、方法、设备及介质
CN115972198A (zh) 一种非完全信息条件下的机械臂视觉抓取方法与装置
CN115731179A (zh) 轨道部件检测方法、终端及存储介质
CN115147405A (zh) 一种快速新能源电池无损检测方法
CN110619597A (zh) 一种半透明水印去除方法、装置、电子设备及存储介质
Wu et al. A new framework for container code recognition by using segmentation-based and hmm-based approaches
CN114399671A (zh) 目标识别方法及装置
CN113792671A (zh) 人脸合成图像的检测方法、装置、电子设备及介质

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