CN116022196A - 一种基于计算机视觉的轨道变形监测系统 - Google Patents

Abstract

本发明公开一种基于计算机视觉的轨道变形监测系统，包括，传感网络、区域节点、本地监测模块、云平台；传感网络与本地监测模块通过区域节点进行连接，本地监测模块与云平台连接；传感网络用于获取轨道监测数据；本地监测模块用于通过提取识别模型对轨道监测数据进行特征提取及识别，生成轨道变形数据；云平台用于存储轨道监测数据及轨道变形数据，并对识别模型进行更新。通过上述技术方案，本发明能够有效采集大范围轨道监测数据，同时对轨道进行监测过程中，提升轨道变形监测的识别效率及有效性。

Description

一种基于计算机视觉的轨道变形监测系统

技术领域

本发明涉及计算机视觉技术领域，特别涉及一种基于计算机视觉的轨道变形监测系统。

背景技术

高铁轨道采用无砟轨道，采用混凝土、沥青混合料等材料建造，其稳定性好使用寿命长的有点，但是其高铁线路距离一般较长，通常在几百公里以上，对于轨道的监测，常规的监测技术无法满足大范围的监测。高铁无砟轨道出现轨道变形时，会对高铁运行产生较大影响，但是对于轨道变形的监测，现有技术无法满足监测的效率及有效性。

发明内容

为解决上述现有技术中所存在的问题，本发明提供一种基于计算机视觉的轨道变形监测系统，能够有效采集大范围轨道监测数据，同时对轨道进行监测过程中，提升轨道变形监测的识别效率及有效性。

为了实现上述技术目的，本发明提供了如下技术方案：一种基于计算机视觉的轨道变形监测系统，包括：

传感网络、区域节点、本地监测模块、云平台；

所述传感网络与本地监测模块通过区域节点进行连接，所述本地设备与所述云平台连接；

所述传感网络用于获取轨道监测数据；

所述本地监测模块用于通过提取识别模型对所述轨道监测数据进行特征提取及识别，生成所述轨道变形数据，其中提取识别模型包括提取模型及识别模型；

所述云平台用于存储所述轨道监测数据及轨道变形数据，并对提取识别模型进行更新。

可选的，所述传感网络包括移动节点及固定节点，若干移动节点及固定节点与区域节点连接，其中所述移动节点采用搭载于无人机的相机，所述固定节点采用固定安装的相机。

可选的，所述区域节点采用网关设备，其中若干网关设备与所述本地监测模块连接。

所述本地监测模块包括提取模块；所述提取模块用于通过提取模型对所述轨道监测数据进行特征提取，得到特征数据，其中提取模型采用聚类算法。

可选的，所述本地监测模块还包括识别模块，所述识别模块用于通过识别模型对特征数据进行识别，生成所述轨道变形数据，其中识别模型采用深度学习模型。

可选的，所述云平台包括存储模块，其中所述存储模块用于通过数据存储结构对所述轨道监测数据及轨道变形数据进行存储。

可选的，所述云平台包括提取更新模块，其中所述提取更新模块用于获取历史监测数据，并构建聚类算法，并基于聚类算法设置所述初始聚类数，并根据历史监测数据对初始聚类数进行更新，更新完成后，将所述更新后的聚类数传输给本地监测模块对聚类算法进行更新。

可选的，所述云平台还包括识别更新模块，其中所述识别更新模块用于获取历史特征数据构建深度学习模型，其中所述历史特征数据通过聚类算法对历史监测数据进行处理获取；根据历史特征数据对所述深度学习模型进行训练，并根据训练结果提取所述网络参数，基于网络参数通过迁移学习方法更新所述本地监测模块中的深度学习模型。

本发明具有如下技术效果：

通过上述技术方案，构建大范围的轨道变形传感网络，该传感网络通过分布式的传感节点能够有效的采集大范围轨道监测数据，并通过计算机视觉的方法对数据进行采集及特征提取识别，能够对轨道变形进行有效识别，同时减少本地处理运算量，通过云端模型优化更新本地的方法，提升本地识别的识别效率及精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的系统示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了解决在现有技术中存在的问题，本发明提供了如下方案：

如图1所述，本发明提供了一种基于计算机视觉的轨道变形监测系统，该系统中，通过分布式的传感网络针对轨道进行视频或图像的轨道监测数据采集，采集完成后，通过区域节点对采集的数据进行数据传输，传输给本地监测模块，本地监测模块进行本地处理，本地处理中包括特征提取及特征识别，识别后生成轨道变形数据，同时将上述过程中所涉及的数据在云平台处进行存储，同时云平台根据相关历史数据对本地监测模块中的识别模型进行更新优化，并将更新优化后的识别模型进行参数提取，给本地监测模块对提取识别模型进行更新优化，以实现轨道变形监测。

通过一下内容对上述系统进行详细说明：

监测系统中的传感网络，该网络中通过移动节点及固定节点的进行轨道监测数据的采集，轨道监测数据包括轨道相关的图像数据及视频数据，移动节点采用搭载在无人机上的相机，通过控制无人机的移动实现轨道的移动监测，同时设置固定安装于灯杆、墙壁或者其他固定位置的相机，实时拍摄轨道易出现故障的位置，对该区域进行实时监测，监测过程中无人机可通过预先设置一定的路径进行巡视监测，同时为了提升监测范围，可在不同位置放置若干无人机进行巡视。固定节点的位置同样可通过人工经验进行提前设置，作为备选的方案,可以将轨道所在区域进行等间距划分，划分完成后，针对不同区域分别设置一个或多个固定节点进行监测，同时针对划分后的区域，周期性使用移动节点进行监测，保证监测的范围及有效性。

在设置完成传感网络后，对整体的轨道进行区间预先设置，统计设置区间范围及区间内的传感网络中的节点的数量，在统计节点数量后，预先对该区间内每个传感节点进行分别标号，通过设置一个区域节点负责该区间内的所有传感网络中的节点进行数据传输，区间节点采用网关设备，包括wifi、5G基站等，数据传输过程中，通过区域节点对传感节点打上区域节点的标签，传输轨道监测数据时，将传感网络中的节点标号与监测时间及区域节点的标签同时进行传输，保证数据的溯源性。

本地监测模块负责处理多个网关设备传输过来的数据监测，处理完成后通过打上本地监测模块的标记，传输给云平台。一个网关设备负责多个传感节点的数据传输，一个本地监测模块负责多个网关设备传输数据的监测，同时可设置多个本地监测模块与云平台进行连接，通过上述监测系统的树形分布式结构，保证数据监测范围，在上述技术方案基础上，可根据需求增加上述设备数量，同时按照上述对应关系进行设置，保证监测系统结构上的监测范围可延展性。

本地监测模块采用单片机或者计算机，在本地监测模块中，采用机器视觉技术对监测数据进行识别，该内容中本地检测模块包括提取模块及识别模块，通过提取识别模型对监测数据进行特征提取及识别，上述内容中提取识别模型包括提取模型及识别模型，提取模块中的提取模型采用聚类算法，具体的采用k-means聚类算法提取监测数据中的监测线段特征，识别模块中的识别模型采用深度学习网络，具体的采用卷积神经网络对监测线段特征进行识别，卷积神经网络的依次结构为输入层、5个卷积模块、3个全连接层及输出层，通过输出层输出是否发生变形及线段中变形的位置，生成轨道变形数据，本地监测模块中，针对轨道监测数据通过预先提取线段特征，通过卷积神经网络中的卷积模块提取轨道线段的的空间特征，并通过全连接层拟合空间特征的相关性以实现轨道变形的监测，本地监测模块中的聚类算法及深度学习网络的优化过程移交至云端即云平台处进行处理，减少本地监测模块的运算量，提升本地计算效率及精度。

云平台采用云端服务器，在云平台处，对监测数据及变形数据进行存储，存储过程中采用树形存储结构。具体的以监测数据的本地监测模块的标记为根元素，将网关设备的标签为本地标记的子元素，将传感节点的标号为网关设备的标签的子元素，将监测数据、变形数据及时间并列作为传感节点的标号下的子元素，以上述结构构建树形存储结构，构建完成后，将所传输过来的数据填写到属性存储结构中，以实现监测数据及变形数据的存储，采用树形存储结构保证数据的有序性，方便后期数据溯源分析。

在云平台内还包括提取更新模块及识别更新模块，通过提取更新模块获取历史监测数据对聚类算法进行优化，优化过程中，获取相关数据库的相关数据或采集现有轨道的视频或图像数据，并构建与本地监测模块中聚类算法中一样的k-means聚类算法，并针对该k-means聚类算法设置初始聚类数目，通过历史监测数据更新聚类数目，具体过程为：通过聚类算法对历史监测数据进行特征提取，提取完成后，统计特征提取结果中像素的总数即初始像素数，并使初始聚类数目加一，增加后再次通过聚类算法对历史监测数据进行特征提取，并统计增加聚类数目的特征提取结果中的像素总数即更新像素数，提取后，计算更新像素数与初始像素数的比值即像素比值，再次使聚类数目加一，通过迭代使聚类数目加一，并不断计算更新像素数与初始像素数的比值即像素比值，在此过程中，通过手肘法计算像素比值的拐点，当出现拐点时停止迭代，记录当前聚类数目，并对历史监测数据中的每个数据同样进行更新聚类数目的过程，完成后统计聚类数目中出现最多的数值，将该数值作为最优聚类数目，并将该最优聚类数目传输给本地监测模块中，对本地监测模块中的聚类算法进行更新。

云平台中的识别更新模块，通过构建与本地监测模块中一样的深度学习网络结构，并对该结构进行参数初始化，初始化完成后，通过上述聚类算法对历史监测数据进行特征提取，并对提取的特征是否发生轨道变形及变形的位置进行标注。将提取后的特征及标注结果进行整合，将整合后的数据通过9：1的比例划分为训练集及测试集，通过训练集对深度学习网络进行训练，并通过测试集对深度学习网络进行测试，测试不合格则继续增加训练集，直到训练合格，提取测试合格后的深度学习网络中的不同结构中的网络参数，通过迁移学习即通过对参数进行提取，并将本地监测模块中的深度学习模块中的参数直接替换为提取的参数的方法将合格的深度学习网络中的参数迁移到本地监测模块中的深度学习模型中，以实现深度学习模型的更新，通过上述模型更新方法，将模型更新移交至云端，同时设置一过程的优化过程，保证模型的识别精度，并将模型。

进一步的，针对云平台中存储的数据，在一定周期下，提取云平台中识别精度达到95％以上的或人工进行识别完成的轨道监测数据及变形数据，将该提取的数据作为聚类算法及深度学习模型的优化数据对其进行更新优化，保证上述模型的不断优化。

本发明在上述系统中，构建大范围的轨道变形传感网络，该传感网络通过分布式的传感节点能够有效的采集大范围轨道监测数据，并通过计算机视觉的方法对数据进行采集及特征提取识别，能够对轨道变形进行有效识别，同时减少本地处理运算量，通过云端模型优化提取的方法，提升本地识别的识别效率，保证监测识别的实时性。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于计算机视觉的轨道变形监测系统，其特征在于，包括：

传感网络、区域节点、本地监测模块、云平台；

所述传感网络与本地监测模块通过区域节点进行连接，所述本地设备与所述云平台连接；

所述传感网络用于获取轨道监测数据；

所述本地监测模块用于通过提取识别模型对所述轨道监测数据进行特征提取及识别，生成所述轨道变形数据，其中提取识别模型包括提取模型及识别模型；

所述云平台用于存储所述轨道监测数据及轨道变形数据，并对提取识别模型进行更新。

2.根据权利要求1所述的基于计算机视觉的轨道变形监测系统，其特征在于：

所述传感网络包括移动节点及固定节点，若干移动节点及固定节点与区域节点连接，其中所述移动节点采用搭载于无人机的相机，所述固定节点采用固定安装的相机。

3.根据权利要求1所述的基于计算机视觉的轨道变形监测系统，其特征在于：

所述区域节点采用网关设备，其中若干网关设备与所述本地监测模块连接。

4.根据权利要求1所述的基于计算机视觉的轨道变形监测系统，其特征在于：

所述本地监测模块包括提取模块；所述提取模块用于通过提取模型对所述轨道监测数据进行特征提取，得到特征数据，其中提取模型采用聚类算法。

5.根据权利要求4所述的基于计算机视觉的轨道变形监测系统，其特征在于：

所述本地监测模块还包括识别模块，所述识别模块用于通过识别模型对特征数据进行识别，生成所述轨道变形数据，其中识别模型采用深度学习模型。

6.根据权利要求1所述的基于计算机视觉的轨道变形监测系统，其特征在于：

所述云平台包括存储模块，其中所述存储模块用于通过数据存储结构对所述轨道监测数据及轨道变形数据进行存储。

7.根据权利要求4所述的基于计算机视觉的轨道变形监测系统，其特征在于：

所述云平台包括提取更新模块，其中所述提取更新模块用于获取历史监测数据，并构建聚类算法，并基于聚类算法设置初始聚类数，并根据历史监测数据对初始聚类数进行更新，更新完成后，将所述更新后的聚类数传输给本地监测模块对聚类算法进行更新。

8.根据权利要求5所述的基于计算机视觉的轨道变形监测系统，其特征在于：

所述云平台还包括识别更新模块，其中所述识别更新模块用于获取历史特征数据构建深度学习模型，其中所述历史特征数据通过聚类算法对历史监测数据进行处理获取；根据历史特征数据对所述深度学习模型进行训练，并根据训练结果提取所述网络参数，基于网络参数通过迁移学习方法更新所述本地监测模块中的深度学习模型。

Images