CN115565053A - 一种无砟轨道表观伤损样本数据库的构建方法 - Google Patents
一种无砟轨道表观伤损样本数据库的构建方法 Download PDFInfo
- Publication number
- CN115565053A CN115565053A CN202211256374.0A CN202211256374A CN115565053A CN 115565053 A CN115565053 A CN 115565053A CN 202211256374 A CN202211256374 A CN 202211256374A CN 115565053 A CN115565053 A CN 115565053A
- Authority
- CN
- China
- Prior art keywords
- damage
- ballastless track
- image
- apparent
- sample
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06V10/70—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
- G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—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
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种无砟轨道表观伤损样本数据库的构建方法,包括采集无砟轨道表观图像;构建无砟轨道表观伤损编码规范;对无砟轨道表观图像进行标注,同时基于无砟轨道表观伤损编码规范对无砟轨道表观图像中的伤损进行编码,从而自动生成无砟轨道表观伤损样本图例及其属性文件;基于无砟轨道表观伤损样本图例及其属性文件构建无砟轨道表观伤损样本数据库;该方法统一化、标准化无砟轨道伤损的描述,高效标注无砟轨道伤损样本并集中管理,方便行业运用。
Description
技术领域
本发明涉及铁路轨道检测技术领域,具体涉及一种无砟轨道表观伤损样本数据库的构建方法。
背景技术
截至2020年底,铁路营业里程达到14.63万公里,高铁无砟轨道营业里程已达2.3万公里;无砟轨道检测、监测设备日益完善,综合检测列车、综合巡检车、专业检测车和搭载式监测设备日益完善,检测监测数据规模庞大、种类繁多,呈现多源、海量等特征。
随着运营里程和运营时间的增长,无砟轨道线路结构伤损逐步显现,结构伤损检查、维修工作对运营的影响也日益突出;
目前高速铁路无砟轨道表观伤损在日德法等国家均有较统一的名称、定义、描述等,而我国虽在部分规范中有一定的规定,但并不完整,也不构成体系,运营中线路结构伤损名称、伤损描述等尚无明确定义,检查录入的结果五花八门,为后续的信息化处理、集中统一管理数据和统计分析带来极大困难。
作为伤损识别的基础,前期的数据标注工作也是不容忽视的;在铁路交通场景中,常常需要在大尺寸、低质量的伤损图像中标注出相对尺寸较为细微的线性伤损图像,且这些线性伤损往往不具有自然物体图像那样明确一致的结构、表观特性,对标注人的专业知识也有一定的要求;
现存的图像标注工具labelme、CVAT等虽然能够满足像素级别标注的基本需求,但是纯手工的标注方式对于海量的无砟轨道表观图像数据来说效率欠佳;并且,无砟轨道常见伤损裂缝、离缝等通常呈现线性结构,边界模糊,而非一个边界线组成的封闭区域,但上述标注工具均采用封闭式、无松弛模糊标注的方法,并不完全适用于无砟轨道场景的标注工作;由以上分析可知,这种专业场景下的像素级标注是一件十分耗时耗力的工作,研究高效的专业标注方法及流程具有极高的现实应用价值。
基于人工智能技术的深度卷积神经网络日益体现出在图像领域的优势,针对无砟轨道表观裂缝、离缝、缺损等伤损状态的快速检测和智能语义识别,行业内已开展多项研究工作,积累了较为丰富的图像数据,但是没有正式建立针对无砟轨道的高质量和大规模的伤损样本数据库以进行统一集中管理,为现场提供支持。
发明内容
针对上述问题,本发明的目的是提供一种无砟轨道表观伤损样本数据库的构建方法,该方法统一化、标准化无砟轨道伤损的描述,高效标注无砟轨道伤损样本并集中管理,方便行业运用。
本发明所采用的技术方案是:一种无砟轨道表观伤损样本数据库的构建方法,包括以下步骤:
S100:采集无砟轨道表观图像;
S200:构建无砟轨道表观伤损编码规范;
S300:对所述无砟轨道表观图像进行标注,同时基于所述无砟轨道表观伤损编码规范对无砟轨道表观图像中的伤损进行编码,从而自动生成无砟轨道表观伤损样本图例及其属性文件;
S400:基于所述无砟轨道表观伤损样本图例及其属性文件构建无砟轨道表观伤损样本数据库。
优选地,所述步骤S100中还包括对采集到的无砟轨道表观图像进行图像切分预处理。
优选地,所述步骤S200中的无砟轨道表观伤损编码规范包括四组:字典码、特征码、信息码和图像码;所述四组中包括八级:部件名称、伤损类型、定位信息、属性特征、伤损级别、顺位信息、检测信息和图像信息;所述八级中包括若干字段。
优选地,所述步骤S300中对所述无砟轨道表观图像进行标注包括:
在无砟轨道表观图像上标注出伤损精确位置,从而获得已标注的无砟轨道表观图像。
优选地,通过在标注工具labelme中增加能调节画笔宽度的线性伤损标注功能,以实现对伤损精确位置的标注。
优选地,在S300中对所述无砟轨道表观图像进行标注前,还包括对无砟轨道表观图像中的伤损进行自动预识别,以获取无砟轨道表观图像中伤损的相对位置。
优选地,所述对无砟轨道表观图像中的伤损进行自动预识别包括以下子步骤:
S311:构建基于图像块的伤损检测模型;
S312:基于所述伤损检测模型过滤掉无砟轨道表观图像中的背景块;
S313:基于不同尺度的包含伤损的图像块对无砟轨道表观图像进行多尺度融合分割,从而获取无砟轨道表观图像中伤损的相对位置。
优选地,所述基于图像块的伤损检测模型通过以下方式构建:
将无伤损的图像切分成小的图像块输入深度卷积神经网络模型,使模型能够学习到无伤损背景图像的特征分布,训练形成基于图像块的伤损检测模型。
优选地,所述步骤S300中的属性文件包括依据无砟轨道表观伤损编码规范生成的每个独立伤损的唯一编码标识,所述编码标识与无砟轨道表观伤损样本图例的名称相关联。
优选地,所述步骤S400还包括:通过定时刷新指定位置的文件同步新生成的无砟轨道表观伤损样本图例及其属性文件进入所述无砟轨道表观伤损样本数据库,并在Web网页端进行展示。
上述技术方案的有益效果:
(1)本发明公开的一种无砟轨道表观伤损样本数据库的构建方法实现了统一化、标准化无砟轨道伤损的描述,高效标注无砟轨道伤损样本并集中管理,方便行业运用,具有重要意义。
(2)本发明通过编制无砟轨道表观伤损编码规范,能标准化和规范化伤损描述,从而使数据标注后可生成伤损图例与对应编码的关联关系,方便数据库的伤损检索与可视化,并且形成统一的行业规范。
(3)本发明开发的高效标注方法,可自动生成满足上述编码规范的伤损样本图例及其属性文件,有效解决由于伤损图像数量庞大导致的标注困难问题,提升标注效率;并且,该标注方法相较现存标注工具更符合铁路场景的线性伤损标注需求,具有更好的专业性和安全性。
(4)本发明通过Web服务器、数据库服务器、GPU服务器、图像处理工作站和海量存储设备的协同工作,使多用户可同时、远程访问数据库内容并进行检索、统计等操作,用户通过网页访问也无需考虑设备的局限,对于行业常见的现场应用环境友好。
(5)本发明基于高速铁路无砟轨道字典库,提出一种无砟轨道表观伤损数据库构建方法,所构建的无砟轨道表观伤损数据库不仅可以对大量样本进行集中统一管理,并且可以为高速铁路无砟轨道状态的细化评估奠定基础。
(6)本发明基于人工智能技术的深度卷积神经网络日益体现出在目标像素级分割领域的优势,构建大规模和高质量的无砟轨道表观伤损数据库,有助于实现伤损的智能识别以及精准的融合分析,是建设基于人工智能的无砟轨道检修体系的重要支撑。
附图说明
图1为本发明一个实施例提供的一种无砟轨道表观伤损样本数据库的构建方法的流程框图;
图2为本发明一个实施例提供的无砟轨道表观伤损编码规范的示例图;
图3为本发明一个实施例提供的原图(采集到的无砟轨道表观图像)的示意图;
图4为本发明一个实施例提供的无砟轨道表观伤损样本图例的示意图;
图5为本发明一个实施例提供的属性文件的示意图;
图6为本发明一个实施例提供的一种无砟轨道表观伤损样本数据库的管理平台的结构示意图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本发明的原理,但不能用来限制本发明的范围,即本发明不限于所描述的优选实施例,本发明的范围由权利要求书限定。
在本发明的描述中,需要说明的是,除非另有说明,“多个”的含义是两个或两个以上;术语“第一”“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性;对于本领域的普通技术人员而言,可视具体情况理解上述术语在本发明中的具体含义。
实施例1
本发明以无砟轨道表观伤损作为主要研究对象,基于海量图像数据研究无砟轨道表观伤损数据库的构建过程;如图1所示,本实施例公开了一种无砟轨道表观伤损样本数据库的构建方法,包括以下步骤:
S100:采集无砟轨道表观图像;
高速铁路无砟轨道表观图像的采集方法包括但不限于通过综合巡检车、轨道探伤车、手推式检测车、电驱动检测车和手动拍照中的一种或多种方式进行采集无砟轨道表观图像;其中,采集的无砟轨道表观图像最高可达0.2mm的像素精度。
上述采集方式可采集不同道床类型、各种部件的裂缝、离缝、缺损等伤损,为制定伤损编码规范以及构建无砟轨道表观伤损样本数据库奠定了海量图像基础。
进一步的,在一个实施例中,对采集到的无砟轨道表观图像进行图像切分预处理;
由于采集到的现场图像(无砟轨道表观图像)尺寸过大,对于显卡内存的要求过高,处理效率低下,因此本发明对采集到的无砟轨道表观图像进行图像切分预处理;基于对后续识别模型的考量,本发明将图像切分的基础尺寸例如设为1024×1024、2048×2048、4096×4096等,这样的尺寸能够较好的利用图像的全局信息,同时能够保证较高的运行效率。
例如,通过综合巡检车、轨道探伤车及手推式和电驱动检测车在实际现场进行图像采集工作,将采集到的无砟轨道表观图像储存于硬盘带回,并将采集的无砟轨道表观图像信息记录在册;在图像处理工作站(Windows或Linux系统)中对采集的无砟轨道表观图像进行切分等预处理。
S200:构建无砟轨道表观伤损编码规范;
为实现无砟轨道表观伤损描述的标准化和规范化,本发明将某伤损的各项属性通过一组唯一编码进行描述,本发明拟定的无砟轨道表观伤损编码规范包括道床、扣件和钢轨三部分,无砟轨道表观伤损编码规范例如包括但不限于四组、八级以及若干字段,即四组中包括八级,八级中包括若干字段;其中,如图2所示,四组例如分别为字典码、特征码、信息码和图像码;字典码例如包括部件名称和伤损类型,特征码例如包括定位信息、属性特征、伤损级别和顺位信息,信息码例如包括检测信息,图像码包括图像信息;即八级分别为部件名称、伤损类型、定位信息、属性特征、伤损级别、顺位信息、检测信息、图像信息;部件名称中的字段包括但不限于一级部件、二级部件、三级部件和四级部件,伤损类型中的字段包括但不限于伤损大类和伤损细分,定位信息中的字段包括但不限于局名、段名、区间、线路名称、线别、行别、线路里程、相对里程、轨枕信息、横向区域、轨别、轨侧、距线路中线距离和距轨道中线距离,属性特征中的字段包括但不限于平均宽度、最小宽度、最大宽度、间隔宽度、宽度等级、长度、深度、面积、面积比、形态、与轨道方向夹角、离缝、脱落、上拱值、沉降值、偏移值、影响范围、弦长、幅值、数量、离缝量值、变形量和描述,伤损级别中的字段包括但不限于伤损等级、关注程度、是否新增、是否发展、是否整治和是否正常,顺位信息中的字段包括但不限于板序号、板编号、通道号、伤损顺位号、样本顺位号和伤损编码,检测信息中的字段包括但不限于检测设备、检测时间和检测人员,图像信息中的字段包括但不限于像素长度、像素宽度、像素深度、像素尺度、图像类型、图像格式、图像名称、xml文件名称、左上x坐标、左上y坐标、伤损长、伤损宽和伤损像素坐标。
上述无砟轨道表观伤损编码规范中的字段顺序可调整、数量可增减,字段名称可替换为类似的表达;本发明通过构建无砟轨道表观伤损编码规范,从而使无砟轨道表观图像被标注后生成伤损图例与对应编码的关联关系,不仅方便无砟轨道表观伤损样本数据库的伤损检索与可视化,并且统一行业标准,规范化实际应用。
S300:对无砟轨道表观图像进行标注,同时基于无砟轨道表观伤损编码规范对无砟轨道表观图像中的伤损进行编码,从而自动生成无砟轨道表观伤损样本图例及其属性文件;
(1)标注者对无砟轨道表观图像进行人工标注以标注出伤损的精确位置,从而获得已标注的无砟轨道表观图像;
与传统分割的标注对象不同,线性损伤如无砟轨道表观裂缝等通常呈现一种线性结构,而非一个边界线组成的封闭区域;另外线性伤损分割任务的一般评价指标会考虑到裂缝本身过于细微的问题,而加入模糊像素的概念,即允许预测结果有k个像素的偏差;基于这一特殊性质,传统像素级标注工具如labelme等采用的封闭式边界、无松弛模糊标注的方法,并不完全适用于无砟轨道场景下的裂缝等线性伤损像素级精确位置的标注;因此本发明根据线性伤损的特点,对数据标注的方式进行了优化,并在传统标注工具labelme的基础上,增加了一种可调节画笔宽度的线性伤损标注功能,以实现伤损精确位置的标注。
即相比传统的标注方式,本发明中涉及的标注可通过修改宽度参数W,调整标注画笔的宽度大小,以适应不同粗细及形状的伤损精确位置的标注,尤其对细小裂缝伤损非常友好;并且在标注过程中,提供模糊像素选择,使标注更贴近实际伤损情况;再次,本发明涉及的标注方法支持针对相同及不同类型的伤损选用不同标注颜色进行区分,以方便后续的追溯及修改。
而且本发明中伤损精确位置的标注也可替换为labelme、CVAT等现有标注工具完成伤损精确位置的标注。
进一步的,在一个实施例中,在对无砟轨道表观图像进行人工标注前,先针对待标注图像(采集到的无砟轨道表观图像)中的伤损,进行无监督的自动预识别,从而使得在人工标注前,就能够获取待标注图像中伤损的相对位置,辅助人工标注;通过采用无监督的自动预识别可以大大缩短人工标注的耗时,降低人工标注的难度。
基于伤损检测模型对无砟轨道表观图像中的裂缝、离缝、缺损等伤损进行自动预识别,以初步获取图像中伤损的相对位置包括以下步骤:
S311:构建基于图像块的伤损检测模型;
本发明使用正常的背景图像(即无伤损的图像),基于深度卷积神经网络训练一个基于图像块的伤损检测模型,具体为:将无伤损的图像切分成小的图像块输入深度卷积神经网络模型,使模型能够学习到无伤损背景图像的特征分布,训练形成一个基于图像块的伤损检测模型;
S312:基于伤损检测模型过滤掉无砟轨道表观伤损图像中的背景块;
根据与正常特征分布的距离远近来判定是否存在伤损缺陷,以此过滤掉大部分的背景块;伤损检测器在伤损分割的第一个阶段过滤掉伤损图像中的大部分背景块,既抑制了图像中的噪声,也通过过滤掉背景图像块克服了不同的光照条件对伤损分割的影响;
S313:基于不同尺度的包含伤损的图像块对无砟轨道表观图像进行多尺度融合分割,从而初步获取待标注图像(无砟轨道表观图像)中伤损的相对位置。
由于不同尺度下的特征融合对于语义分割结果有积极的影响,因此,本发明提出了多尺度融合的最大熵阈值方法;通过在分割过程中设置不同尺度的图像块进行多尺度融合分割,以缓解大尺度分割细节缺失的问题以及小尺度分割噪声干扰的问题,从而获得伤损在图像中的相对位置信息并标注,为后期的标注者提供参考。
标注者对初步获取的伤损相对位置进行人工修正(人工标注),从而获得已标注的无砟轨道表观图像。
(2)基于无砟轨道表观伤损编码规范对已标注的无砟轨道表观图像中的每个伤损进行编码,自动生成无砟轨道表观伤损样本图例及其属性文件;
程序会根据人工修正的标注结果(已标注的无砟轨道表观图像)自动生成无砟轨道表观伤损样本图例及其属性文件,属性文件中包含依据无砟轨道表观伤损编码规范生成的每个独立伤损的唯一编码标识,编码标识与无砟轨道表观伤损样本图例的名称相关联。
例如,参照预识别结果对各伤损进行像素级分类标注,并基于无砟轨道表观伤损编码规范对已标注的无砟轨道表观图像中的每个伤损进行编码,自动生成尺寸为1024×1024、2048×2048、4096×4096、长方形、不规则等其他样本尺寸的无砟轨道表观伤损样本图例及其属性文件,以某裂缝为例,其原图(采集到的无砟轨道表观图像)如图3所示,无砟轨道表观伤损样本图例如图4所示,属性文件简例如图5所示。
S400:基于无砟轨道表观伤损样本图例及其属性文件构建无砟轨道表观伤损样本数据库,即将无砟轨道表观伤损样本图例及其属性文件存储至MySQL、Oracle、DB2或SQLServer等数据库中形成无砟轨道表观伤损样本数据库;
将自动生成的无砟轨道表观伤损样本图例及其属性文件储存在海量存储设备的指定位置,形成无砟轨道表观伤损样本数据库,系统通过定时刷新指定位置的文件同步新生成的无砟轨道表观伤损样本图例及其属性文件进入无砟轨道表观伤损样本数据库,并在Web网页端进行展示,可供具有权限的用户远程检索、下载、统计等。
海量图像数据样本存储需要借助优秀的数据库平台,完成数据的安全、完整和快速存储,方便远程及多用户查询;本发明提出包含无砟轨道表观伤损属性及图例组织形式、存储结构等信息的数据库结构框架;设计数据库框架以能实现支撑数据处理、数据统计与分析、数据的高效远程检索与查询为目的。
本发明优选采用MySQL数据库,MySQL数据库具有多线程、空间占用小、存储量大、安全性高、使用便捷等优势;将无砟轨道表观伤损样本信息(无砟轨道表观伤损样本图例及其属性文件)存储在MySQL数据库中;然后使用J2EE通过SQL查询获取信息内容并以HTML格式输出到Web服务器中显示;或者将用户在表单中输出的数据,通过在J2EE程序中执行SQL查询,将数据保存在MySQL数据库中;也可以在J2EE脚本中接受用户在Web上的其他操作,例如导出、统计等,再通过SQL查询对数据库中存储的数据信息进行管理;本发明可使用除J2EE外的其他服务器脚本语言,例如J2SE、J2ME、PHP、Python等。
实施例2
如图6所示,本发明提供了一种无砟轨道表观伤损样本数据库的管理平台,包括海量存储设备、图像处理工作站、GPU服务器和数据库服务器;
海量存储设备用于存储采集到的无砟轨道表观图像,还用于实现无砟轨道表观伤损样本图例及其属性文件的存储、快速转移与恢复,快速转移与恢复是指存储设备中的磁盘可以通过插拔快速转移到其他机器上;根据里程信息建立索引,实现快速调用查询。
图像处理工作站用于对无砟轨道表观图像进行标注以标注出伤损的精确位置,从而获得已标注的无砟轨道表观图像;
进一步的,在一个实施例中,图像处理工作站还用于对采集到的无砟轨道表观图像进行图像切分预处理;即图像处理工作站通过直连存储的方式访问所有无砟轨道表观图像数据,部署无砟轨道表观图像处理程序实现图像预处理、数据标注等全部人机交互过程。
GPU服务器用于基于伤损检测模型对无砟轨道表观图像中的裂缝、离缝、缺损等伤损进行自动预识别,以初步获取图像中伤损的相对位置;即GPU服务器通过网络方式共享访问海量存储设备中存储的采集到的无砟轨道表观图像,部署智能识别算法实现无砟轨道表观伤损的预识别;同时基于所述无砟轨道表观伤损编码规范对无砟轨道表观图像中的伤损进行编码,从而自动生成无砟轨道表观伤损样本图例及其属性文件。
数据库服务器用于基于无砟轨道表观伤损样本图例及其属性文件构建无砟轨道表观伤损样本数据库;即数据库服务器根据损伤类型(裂缝、离缝、缺损等),损伤等级(A级、B级、C级),损伤量级(长度、宽度、面积)等关键参数建立数据表,数据表是用来存储具体数据的对象,是无砟轨道表观伤损样本数据库最重要的组成部分之一,实现无砟轨道表观伤损样本信息的集中存储与管理。
进一步的,在一个实施例中,还包括Web服务器,Web服务器用于架设基于B/S架构,实现伤损样本的可视化展示、检索、批量导出、统计分析等功能;即能使用J2EE服务器脚本通过SQL查询获取无砟轨道表观伤损样本数据库中的信息内容,并以HTML格式输出到Web服务器中显示。
如图6所示,本发明提出的无砟轨道表观伤损样本数据库管理平台能通过Web服务器、数据库服务器、GPU服务器、图像处理工作站和海量存储设备协同工作,从而实现对无砟轨道表观伤损样本的安全统一存储、查询及统计等。
虽然已经参考优选实施例对本发明进行了描述,但在不脱离本发明范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例,而是包括落入权利要求范围内的所有技术方案。本发明未详细阐述部分属于本领域技术人员的公知技术。
Claims (10)
1.一种无砟轨道表观伤损样本数据库的构建方法,其特征在于,包括以下步骤:
S100:采集无砟轨道表观图像;
S200:构建无砟轨道表观伤损编码规范;
S300:对所述无砟轨道表观图像进行标注,同时基于所述无砟轨道表观伤损编码规范对无砟轨道表观图像中的伤损进行编码,从而自动生成无砟轨道表观伤损样本图例及其属性文件;
S400:基于所述无砟轨道表观伤损样本图例及其属性文件构建无砟轨道表观伤损样本数据库。
2.根据权利要求1所述的构建方法,其特征在于,所述步骤S100中还包括对采集到的无砟轨道表观图像进行图像切分预处理。
3.根据权利要求1所述的构建方法,其特征在于,所述步骤S200中的无砟轨道表观伤损编码规范包括四组:字典码、特征码、信息码和图像码;所述四组中包括八级:部件名称、伤损类型、定位信息、属性特征、伤损级别、顺位信息、检测信息和图像信息;所述八级中包括若干字段。
4.根据权利要求1所述的构建方法,其特征在于,所述步骤S300中对所述无砟轨道表观图像进行标注包括:
在无砟轨道表观图像上标注出伤损精确位置,从而获得已标注的无砟轨道表观图像。
5.根据权利要求4所述的构建方法,其特征在于,通过在标注工具labelme中增加能调节画笔宽度的线性伤损标注功能,以实现对伤损精确位置的标注。
6.根据权利要求1所述的构建方法,其特征在于,在S300中对所述无砟轨道表观图像进行标注前,还包括对无砟轨道表观图像中的伤损进行自动预识别,以获取无砟轨道表观图像中伤损的相对位置。
7.根据权利要求6所述的构建方法,其特征在于,所述对无砟轨道表观图像中的伤损进行自动预识别包括以下子步骤:
S311:构建基于图像块的伤损检测模型;
S312:基于所述伤损检测模型过滤掉无砟轨道表观图像中的背景块;
S313:基于不同尺度的包含伤损的图像块对无砟轨道表观图像进行多尺度融合分割,从而获取无砟轨道表观图像中伤损的相对位置。
8.根据权利要求7所述的构建方法,其特征在于,所述基于图像块的伤损检测模型通过以下方式构建:
将无伤损的图像切分成小的图像块输入深度卷积神经网络模型,使模型能够学习到无伤损背景图像的特征分布,训练形成基于图像块的伤损检测模型。
9.根据权利要求1所述的构建方法,其特征在于,所述步骤S300中的属性文件包括依据无砟轨道表观伤损编码规范生成的每个独立伤损的唯一编码标识,所述编码标识与无砟轨道表观伤损样本图例的名称相关联。
10.根据权利要求1所述的构建方法,其特征在于,所述步骤S400还包括:通过定时刷新指定位置的文件同步新生成的无砟轨道表观伤损样本图例及其属性文件进入所述无砟轨道表观伤损样本数据库,并在Web网页端进行展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211256374.0A CN115565053A (zh) | 2022-10-13 | 2022-10-13 | 一种无砟轨道表观伤损样本数据库的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211256374.0A CN115565053A (zh) | 2022-10-13 | 2022-10-13 | 一种无砟轨道表观伤损样本数据库的构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115565053A true CN115565053A (zh) | 2023-01-03 |
Family
ID=84745236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211256374.0A Pending CN115565053A (zh) | 2022-10-13 | 2022-10-13 | 一种无砟轨道表观伤损样本数据库的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115565053A (zh) |
-
2022
- 2022-10-13 CN CN202211256374.0A patent/CN115565053A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107045526B (zh) | 一种电子建筑施工图的图形识别方法 | |
CN101315631B (zh) | 一种新闻视频故事单元关联方法 | |
CN108122069B (zh) | 基于海量交通数据居民出行起点终点矩阵提取方法 | |
CN111754610B (zh) | 自动绘制铁路车站信号平面布置图的方法 | |
CN105468677A (zh) | 一种基于图结构的日志聚类方法 | |
CN105574593B (zh) | 基于云计算和大数据的轨道状态静态检控系统及方法 | |
CN109471142B (zh) | 一种基于rtk差分定位的工作轨迹识别方法 | |
CN110967461B (zh) | 一种基于gis技术实现河流水质动态分布的方法 | |
CN107305736A (zh) | 一种基于车牌规则和时空可达性的车牌识别智能查错方法和系统 | |
CN109190094A (zh) | 基于ifc标准的建筑信息模型文件切分方法 | |
CN105046959B (zh) | 基于双窗口滑动匹配机制的城市道路行程时间提取方法 | |
CN112380982A (zh) | 一种电力行业基建项目进度与质量的一体化监测方法 | |
CN202815869U (zh) | 一种车载微机图像视频数据提取装置 | |
CN115565053A (zh) | 一种无砟轨道表观伤损样本数据库的构建方法 | |
CN113269233A (zh) | 建筑工程转包与分包的智能监控与预警系统及方法 | |
CN116306807A (zh) | 一种基于元宇宙数据标记的ai模型生产方法 | |
CN106777220A (zh) | 一种配电网图模连续异动的处理方法 | |
CN114564521A (zh) | 一种基于聚类算法确定农机工作时间段的方法及系统 | |
CN112907734B (zh) | 基于虚拟crh380a模型和深度学习的teds故障检测方法 | |
CN114897345A (zh) | 一种基于员工数据自动生成指标分的方法及装置 | |
CN114023134A (zh) | 一种数字信息电力仿真培训系统 | |
CN112732773A (zh) | 一种继电保护缺陷数据的唯一性校核方法及系统 | |
CN112750202A (zh) | 地下电缆动态三维建模方法 | |
CN112232952A (zh) | 一种成交密集区数据获取方法及装置 | |
CN115546483B (zh) | 基于深度学习的地铁受电弓碳滑板剩余使用量测量方法 |
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 |