CN116188464B - 一种道岔联结螺栓病害检测方法及系统 - Google Patents

一种道岔联结螺栓病害检测方法及系统 Download PDF

Info

Publication number
CN116188464B
CN116188464B CN202310446374.5A CN202310446374A CN116188464B CN 116188464 B CN116188464 B CN 116188464B CN 202310446374 A CN202310446374 A CN 202310446374A CN 116188464 B CN116188464 B CN 116188464B
Authority
CN
China
Prior art keywords
bolt
image
turnout
hub
area
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.)
Active
Application number
CN202310446374.5A
Other languages
English (en)
Other versions
CN116188464A (zh
Inventor
段启楠
陈志远
管新权
李云浩
王仕瑜
田辉彬
李玉清
兰伟
李羊
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.)
Chengdu Jinggong Huayao Technology Co ltd
China Tiesiju Civil Engineering Group Co Ltd CTCE Group
Original Assignee
Chengdu Jinggong Huayao Technology Co ltd
China Tiesiju Civil Engineering Group Co Ltd CTCE Group
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 Chengdu Jinggong Huayao Technology Co ltd, China Tiesiju Civil Engineering Group Co Ltd CTCE Group filed Critical Chengdu Jinggong Huayao Technology Co ltd
Priority to CN202310446374.5A priority Critical patent/CN116188464B/zh
Publication of CN116188464A publication Critical patent/CN116188464A/zh
Application granted granted Critical
Publication of CN116188464B publication Critical patent/CN116188464B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5862—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/30204—Marker
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种道岔联结螺栓病害检测方法及系统。本发明在进行横向螺栓缺失或松动、纵向螺栓缺失或松动、轮毂螺栓松动检测时，采用了预先构建背景数据库，对道岔区域进行自动标注，再人工核对的方式，避免了自动标注方式存在的错误，相比直接在当前图像上进行检测，可以通过人工核对，确保道岔区域联结螺栓标注百分之百正确，可以做到一劳永逸。在这个基础上，再利用历史数据比对方法，可以准确有效地进行螺栓松动检测。相比直接利用AI方法在前景图像中先检测、识别、定位螺栓，再进行高度测量的方法，具有更高的鲁棒性。

Description

一种道岔联结螺栓病害检测方法及系统
技术领域
本发明属于轨道交通病害检测技术领域，公开了一种道岔联结螺栓病害检测方法及系统。
背景技术
道岔是铁路的重要部件，用于火车更换道路。道岔主要由主轨和尖轨组成，尖轨上有推杆装置，用电机驱动尖轨完成火车变道。尖轨上有联结螺栓用于固定尖轨，以控制道岔的开闭。在长期使用过程中，道岔上的联结螺栓包括横向螺栓、纵向螺栓。其中，横向螺栓位于尖轨一侧，多体现为缺失或松动；纵向螺栓多位于推杆装置顶面或滑动轮毂旁，多体现为缺失或松动(也叫浮起)。此外，滑动轮毂旁的联结螺栓，在松动(浮起)后，会向上顶住尖轨，导致尖轨无法在滑床板上平稳滑行，进而卡主尖轨。因此，在日常道岔维护过程中，需要定期检查横向螺栓是否缺失、松动，纵向螺栓是否缺失、松动，轮毂螺栓是否超高。
目前，尚没有用于道岔联结螺栓缺失与松动检测的手段和方法。
发明内容
为解决以上问题，本发明提出一种道岔联结螺栓病害检测方法及系统，用于实现道岔横向、纵向螺栓缺失、松动，轮毂螺栓松动、超高等病害检测自动检测。
本发明采用的技术方案如下：
一种道岔联结螺栓病害检测方法，该检测方法包含以下步骤：
S1：创建道岔的背景数据库，该背景数据库中包含三类数据：只包含一行扣件的第一纹理图像，只包含一行扣件的第一深度图像，与第一纹理图像和第一深度图像对应的道岔标记区域和道岔联结螺栓标记区域；
S2：采集轨道当前的第二纹理图像和第二深度图像，将其分别与第一纹理图像和第一深度图像对齐，以扣件为单位对第二纹理图像和第二深度图像进行切图，使每一幅图像中只存在一行扣件；
S3：根据背景数据库中所述三类数据，判定S2中切图后的图像中是否存在道岔联结螺栓，存在则获取该道岔联结螺栓区域，不存在则跳过该幅图像；
S4：根据S1中的道岔联结螺栓标记区域，分别在第一纹理图像、第一深度图像、第二纹理图像、第二深度图像中剪裁出道岔联结螺栓图像，计算S3中获取的道岔联结螺栓区域的面积、形状参数，并根据面积、形状参数判定该区域是否为道岔联结螺栓；
S5：在判断出为道岔联结螺栓后，判定该道岔联结螺栓是否缺失或松动。
进一步地，S1中创建道岔的背景数据库的方法为：
预先采集轨道的第一纹理图像与第一深度图像，采用目标检测与识别方法找到道岔尖轨推杆装置作为道岔标记区域，以扣件为单位，从该道岔标记区域向前、向后，对第一纹理图像和第一深度图像进行切割，使每一幅图像中只存在一行扣件，并在切割图像中标记出道岔联结螺栓区域，作为道岔联结螺栓标记区域，将道岔标记区域、道岔联结螺栓标记区域和切割图像一起保存作为该段道岔的背景数据库。
进一步地，所述在切割图像中标记出道岔联结螺栓区域的方法为：采用深度学习的目标检测或图像实例分割方法，进行道岔联结螺栓检测或分割，将检测区域或分割区域作为道岔联结螺栓标记区域。
进一步地，所述道岔联结螺栓包含横向螺栓和纵向螺栓；
S5中在判断出为纵向螺栓后，根据第一纹理图像、第一深度图像、第二纹理图像、第二深度图像中纵向螺栓区域的面积、形状特征判定纵向螺栓是否缺失或松动；当第二纹理图像、第二深度图像中不存在纵向螺栓时，判定纵向螺栓缺失；当第二纹理图像、第二深度图像中存在纵向螺栓，且纵向螺栓高度超过第一纹理图像、第一深度图像中纵向螺栓高度时，判定螺栓松动。
进一步地，所述道岔联结螺栓包含横向螺栓和纵向螺栓；S5中在判断出为纵向螺栓后，判定纵向螺栓缺失的方法为：
根据S1中道岔联结螺栓标记区域，分别在第一纹理图像、第一深度图像、第二纹理图像、第二深度图像中裁剪出纵向螺栓图像，采用基于深度学习的目标检测或图像实例分割方法，检测或分割纵向螺栓区域，当在第二纹理图像、第二深度图像中无法检测或分割出纵向螺栓区域时，判定纵向螺栓缺失；或者
根据S1中道岔联结螺栓标记区域，取第二纹理图像、第二深度图像中纵向螺栓图像，采用基于深度学习的图像分类方法，判定当前图像中是否存在纵向螺栓，当不存在纵向螺栓时，判定纵向螺栓缺失。
进一步地，所述道岔联结螺栓包含横向螺栓和纵向螺栓；
S5中在判断出为横向螺栓后，判定横向螺栓缺失的方法为：根据S1中道岔联结螺栓标记区域，分别在第一纹理图像、第一深度图像、第二纹理图像、第二深度图像中采用目标检测方法，找出横向螺栓，采用图像测量方法计算第一纹理图像、第一深度图像中横向螺栓后端面到尖轨内侧面的距离L0，第二纹理图像、第二深度图像中横向螺栓后端面到尖轨内侧面的距离L1；当L1-L0>t0时，判定横向螺栓松动，t0为横向螺栓松动判定阈值。
进一步地，所述道岔联结螺栓还包含轮毂螺栓；
S1中所述背景数据库中包含三类数据：只包含一行扣件的第一纹理图像，只包含一行扣件的第一深度图像，与第一纹理图像和第一深度图像对应的道岔标记区域和道岔联结螺栓标记区域、轮毂标记区域和轮毂螺栓标记区域；
S3中判定S2中切图后的图像中是否存在轮毂螺栓，存在则获取该轮毂螺栓区域，不存在则跳过该幅图像；
S4中根据S1中的轮毂螺栓标记区域，分别在第一纹理图像、第一深度图像、第二纹理图像、第二深度图像中剪裁出轮毂螺栓图像，判定S3中的轮毂螺栓区域是否为轮毂螺栓；
S5中在判断出为轮毂螺栓后，判定轮毂螺栓缺陷的方法为:分别测量第一深度图像中轮毂螺栓的高度h0,第二深度图像中轮毂螺栓的高度h1,当h1-h0>t1时，判定轮毂螺栓松动，其中t1为轮毂螺栓松动检测高度阈值；或者
S5中在判断出为轮毂螺栓后，判定轮毂螺栓超高缺陷的方法为：根据S1中轮毂标记区域、轮毂螺栓标记区域，在第二纹理图像、第二深度图像中，分别测量轮毂的最大高度h2,轮毂螺栓的高度h1，当h2-h1<t2时，判定轮毂螺栓未超高，否则判定轮毂螺栓存在超高异常，其中t2为高度阈值。
进一步地，其特征在于，利用钢轨非磨耗一侧高度减去道岔联结螺栓高度作为归一化的道岔联结螺栓高度值，再进行第一纹理图像、第一深度图像和第二纹理图像、第二深度图像中道岔联结螺栓高度比较。
一种基于上述任一所述检测方法的轨道联结螺栓病害检测系统，该系统至少包含： 图像采集单元，用于采集轨道深度图像、纹理图像；
图像处理单元，用于执行轨道联结螺栓病害检测的算法，完成轨道联结螺栓病害检测；运载单元，用于为该检测系统供电和安装支撑。
本发明的有益效果是：
1.针对道岔螺栓缺陷检测问题，提出了基于线结构光3D视觉自动检测方法，相比人工检测，该系统具有检测速度快的突出优势，可挂载于电客车等高速运行平台上，提升检测速度和效率；
2.提出了针对横向螺栓缺失或松动、纵向螺栓缺失或松动、轮毂螺栓松动或超高等6种病害的检测方法。
3.在进行横向螺栓缺失或松动、纵向螺栓缺失或松动、轮毂螺栓松动检测时，采用了预先构建背景数据库，对道岔区域进行自动标注，再人工核对的方式，避免了自动标注方式存在的错误，相比直接在当前图像上进行检测，可以通过人工核对，确保道岔区域联结螺栓标注百分之百正确，可以做到一劳永逸。在这个基础上，再利用历史数据比对方法，可以准确有效地进行螺栓松动检测。相比直接利用AI方法在前景图像中先检测、识别、定位螺栓，再进行高度测量的方法，具有更高的鲁棒性。经过申请人在100余条道岔线路的测试，该方法均可以做到百分之百正确。
4.提出了一种轮毂螺栓松动超高检测方法，该方法利用线结构光3D相机获取道岔的深度图像，在深度图像中根据事先标注的轮毂、轮毂螺栓区域，进行轮毂、轮毂螺栓高度测量，是一种简单、有效、鲁棒的轮毂螺栓超高检测方法，目前，已在国内10余条地铁线路投入使用，并达到了良好的应用效果。
附图说明
图1为道岔联结螺栓病害检测系统组成示意图；
图2为道岔区域联结螺栓示意图；
1-钢轨，2-3D相机，3-成像控制模块，4-图像处理模块，5-运载平台，6-钢轨主轨，7-尖轨，8-轮毂，9-道岔尖轨推杆装置，10-道岔推杆装置上纵向螺栓，11-轮毂螺栓，12-横向螺栓。
具体实施方式
以下结合附图及其实施例对本发明进行详细说明，但并不因此将本发明的保护范围限制在实施例描述的范围之中。
需要说明的是，以下具体实施例中的“背景图像”是指建立数据库时预先采集的轨道第一纹理图像和第一深度图像，“前景图像”是指当前采集的轨道第二纹理图像和第二深度图像，同理，“前景深度图像”是指第二深度图像，“前景纹理图像”是指第二纹理图像，“背景深度图像”是指第一深度图像，“背景纹理图像”是指第一纹理图像。
实施例1 道岔联结螺栓病害检测方法及系统
如图1所示，本实施例的道岔联结螺栓病害检测系统，图像采集单元由成像控制模块3和视觉成像模块组成，图像处理单元为图像处理模块4，运载单元为运载平台5。
其中，成像控制模块3包含：运载平台速度测量单元和成像控制信号发生器，速度测量单元对运载平台的速度进行精准测量；成像控制信号发生器根据运行平台运动速度和运动方向的成像分辨率需求，产生成像控制脉冲信号给视觉成像模块；所述速度测量单元包括但不限于：车轮角度编码器或雷达，用于测量运载平台速度。
视觉成像模块包括位于两侧钢轨上方的2台线结构光3D相机（2-1、2-3）和位于道床上方的1台线结构光3D相机（2-2）组成，沿运载平台运动方向对轨道进行扫描成像，获取道岔纹理图像和深度图像，沿运载平台运动方向的成像分辨率不低于1mm/pixel,与运载平台运动方向垂直方向上的成像分辨率不低于1mm/pixel，高度方向分辨率不低于0.1mm。
图像处理模块4与视觉成像模块连接，接受视觉成像模块采集的轨道纹理图像和深度图像，并执行轨道联结螺栓缺失与松动检测算法，完成轨道联结螺栓缺失与松动病害检测。
运载平台5为列车或电客车或检测车或巡检机器人或手推小车，为检测系统提供供电和安装支撑。
如图2所示，在道岔区域中，尖轨7通过横向螺栓12与道岔尖轨推杆装置9联结，在道岔尖轨推杆装置9上，还有纵向螺栓10。尖轨7在轮毂8上滚动，轮毂8旁边是轮毂螺栓11，当轮毂螺栓11超出轮毂上表面时，将卡主尖轨7，使尖轨7无法在轮毂8上滑动。为此，道岔联结螺栓病害检测，主要需要进行：横向螺栓12的缺失、松动检测，纵向螺栓10的缺失、松动检测，轮毂螺栓11的松动/超高检测。需要说明的是：轮毂螺栓11松动后，当其高度不未超出轮毂上表面时，并不影响尖轨滑动，但是，轮毂螺栓11一旦松动，将会在较短时间内浮起，进而超出轮毂上表面，产生轮毂螺栓超高病害。因此，轮毂螺栓松动与轮毂螺栓超高病害的前奏，也需要进行检测。
本实施例道岔联结螺栓病害检测方法的处理步骤如下：S1:预先采集轨道第一纹理图像与第一深度图像，采用目标检测与识别方法找到道岔尖轨推杆装置9作为道岔标记区域，以扣件为单位，从该标记区域向前、向后，对采集的第一纹理图像和第一深度图像进行切割，使每一幅图像中只存在一行扣件，并在切割图像中标记出道岔联结螺栓区域；
上述道岔标记区域和道岔联结螺栓标记区域经人工核对后，同切割图像一起保存作为该段道岔线路的背景数据库，在背景数据库中，包含三类数据：只包含一行扣件的第一纹理图像，只包含一行扣件的第一深度图像，与第一纹理图像和第一深度图像对应的道岔标记区域和道岔联结螺栓标记区域；
S2:采集轨道当前的第二纹理图像与第二深度图像，以背景数据库中道岔推杆装置为模板图像，采用图像匹配方法，找到道岔推杆装置，使当前采集图像与背景数据库保存的背景图像对齐；以扣件为单位，对第二纹理图像和第二深度图像进行切图，使每一幅图像中只存在一行扣件；
S3:根据背景数据库中保存的图像和标记区域，判定是否存在道岔联结螺栓，存在则获取道岔联结螺栓区域，不存在则跳过该幅图像；
S4:根据S1中的道岔联结螺栓标记区域，分别在背景图像和前景图像中裁剪出道岔联结螺栓图像，采用图像分割方法提取道岔联结螺栓区域，计算S3中获取的道岔联结螺栓区域的面积、形状参数，并根据面积、形状参数判定该区域是否为道岔联结螺栓；
S5:根据S4中计算的背景、前景图像中道岔联结螺栓区域的面积、形状特征判定螺栓是否缺失或松动：当前景图像中不存在道岔联结螺栓时，判定道岔联结螺栓缺失；当前景图像中存在道岔联结螺栓，且道岔联结螺栓高度超过背景图像中道岔联结螺栓高度时，判定道岔联结螺栓松动。
上述用于道岔推杆装置检测与识别的方法是基于深度学习的目标检测方法，包括但不限于FasterRCNN、YOLOV3、YOLOV5、YOLOX，除道岔推杆装置外，还可以选择道岔线路上具有唯一形状或图案的区域作为道岔标记区域。
在切割图像中标记道岔联结螺栓区域的方法是：采用深度学习的目标检测或图像实例分割方法，进行螺栓检测或分割，件检测区域或分割区域作为螺栓标记区域。
以背景数据库中道岔推杆装置为模板图像进行图像匹配对齐的方法是模板匹配或NCC或边缘形状模板匹配。
实施例2 轮毂联结螺栓病害检测方法及系统
检测装置同实施例1，进行轮毂螺栓缺陷检测的方法不同之处包含：
S1中在构建背景数据库时，还要标记轮毂、轮毂螺栓；即S1中所述背景数据库中包含三类数据：只包含一行扣件的第一纹理图像，只包含一行扣件的第一深度图像，与第一纹理图像和第一深度图像对应的道岔标记区域和道岔联结螺栓标记区域、轮毂标记区域和轮毂螺栓标记区域；
S2：采集轨道当前的第二纹理图像和第二深度图像，将其分别与第一纹理图像和第一深度图像对齐，以扣件为单位对第二纹理图像和第二深度图像进行切图，使每一幅图像中只存在一行扣件；
S3：根据背景数据库中所述三类数据，判定S2中切图后的图像中是否存在轮毂螺栓，存在则获取该轮毂螺栓区域，不存在则跳过该幅图像；
S4：根据S1中的轮毂螺栓标记区域，分别在第一纹理图像、第一深度图像、第二纹理图像、第二深度图像中剪裁出轮毂螺栓图像，计算S3中获取的轮毂螺栓区域的面积、形状参数，并根据面积、形状参数判定该区域是否为轮毂螺栓；
S5：在判断出为轮毂螺栓后，判定轮毂螺栓缺陷的方法为:分别测量背景深度图像中轮毂螺栓的高度h0,前景深度图像中轮毂螺栓的高度h1,当h1-h0>t1时，判定轮毂螺栓松动，其中t1为轮毂螺栓松动检测高度阈值。
或者S5中在判断出为轮毂螺栓后，判定轮毂螺栓超高缺陷的方法是：根据S1中轮毂标记区域、轮毂螺栓标记区域，在第二纹理图像、第二深度图像中，分别测量轮毂的最大高度h2,轮毂螺栓的高度h1，当h2-h1<t2时，判定轮毂螺栓未超高，否则判定轮毂螺栓存在超高异常，其中t2为高度阈值。
实施例3
与实施例1不同之处在于，所述进行螺栓缺失的判定方法还可以是：根据标记的联结螺栓区域，分别在背景图像和前景图像中裁剪出联结螺栓图像，采用基于深度学习的目标检测或图像实例分割方法，检测或分割螺栓区域，当在前景图像中无法检测或分割出螺栓区域时，判定螺栓缺失。
实施例4
与实施例1不同之处在于，所述进行螺栓缺失的判定方法还可以是：根据标记的联结螺栓区域，取前景图像中连接螺栓区域图像，采用基于深度学习的图像分类方法，判定当前图像中是否存在螺栓，当不存在螺栓时，判定螺栓缺失;所述深度学习分类方法包括但不限于VGG、ResNet、VIT、MobileNet分类模型。
实施例5
与实施例1不同之处在于，对于水平方向安装的横向螺栓采用如下方法判定其是否松动：根据横向螺栓标记区域位置，分别在背景图像、前景图像中采用目标检测方法，找出横向螺栓，采用图像测量方法计算背景图像中横向螺栓后端面到尖轨内侧面的距离L0、前景图像中横向螺栓后端面到尖轨内侧面的距离L1；当L1-L0>t0时，判定横向螺栓松动，t0为横向螺栓松动判定阈值。
实施例6
与实施例1不同之处在于，为避免检测过程中运载平台振动导致螺栓高度估计错误，利用钢轨非磨耗一侧高度减去螺栓高度作为归一化的螺栓高度值，再进行背景图像和前景图像中螺栓高度比较。
虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描述，本领域技术人员应该理解，上述实施例仅仅是对本发明的示意性实现方式的解释，并非对本发明包含范围的限定。实施例中的细节并不构成对本发明范围的限制，在不背离本发明的精神和范围的情况下，任何基于本发明技术方案的等效变换、简单替换等显而易见的改变，均落在本发明保护范围之内。

Claims (9)

1.一种道岔联结螺栓病害检测方法，其特征在于，该检测方法包含以下步骤：
S1：创建道岔的背景数据库，该背景数据库中包含三类数据：只包含一行扣件的第一纹理图像，只包含一行扣件的第一深度图像，与第一纹理图像和第一深度图像对应的道岔标记区域和道岔联结螺栓标记区域；
S2：采集轨道当前的第二纹理图像和第二深度图像，将其分别与第一纹理图像和第一深度图像对齐，以扣件为单位对第二纹理图像和第二深度图像进行切图，使每一幅图像中只存在一行扣件；
S3：根据背景数据库中所述三类数据，判定S2中切图后的图像中是否存在道岔联结螺栓，存在则获取该道岔联结螺栓区域，不存在则跳过该幅图像；
S4：根据S1中的道岔联结螺栓标记区域，分别在第一纹理图像、第一深度图像、第二纹理图像、第二深度图像中剪裁出道岔联结螺栓图像，计算S3中获取的道岔联结螺栓区域的面积、形状参数，并根据面积、形状参数判定该区域是否为道岔联结螺栓；
S5：在判断出为道岔联结螺栓后，判定该道岔联结螺栓是否缺失或松动。
2.根据权利要求1所述的一种道岔联结螺栓病害检测方法，其特征在于，S1中创建道岔的背景数据库的方法为：
预先采集轨道的第一纹理图像与第一深度图像，采用目标检测与识别方法找到道岔尖轨推杆装置作为道岔标记区域，以扣件为单位，从该道岔标记区域向前、向后，对第一纹理图像和第一深度图像进行切割，使每一幅图像中只存在一行扣件，并在切割图像中标记出道岔联结螺栓区域，作为道岔联结螺栓标记区域，将道岔标记区域、道岔联结螺栓标记区域和切割图像一起保存作为道岔的背景数据库。
3.根据权利要求2所述的一种道岔联结螺栓病害检测方法，其特征在于，所述在切割图像中标记出道岔联结螺栓区域的方法为：采用深度学习的目标检测或图像实例分割方法，进行道岔联结螺栓检测或分割，将检测区域或分割区域作为道岔联结螺栓标记区域。
4.根据权利要求1所述的一种道岔联结螺栓病害检测方法，其特征在于，所述道岔联结螺栓包含横向螺栓和纵向螺栓；
S5中在判断出为纵向螺栓后，根据第一纹理图像、第一深度图像、第二纹理图像、第二深度图像中纵向螺栓区域的面积、形状特征判定纵向螺栓是否缺失或松动；当第二纹理图像、第二深度图像中不存在纵向螺栓时，判定纵向螺栓缺失；当第二纹理图像、第二深度图像中存在纵向螺栓，且纵向螺栓高度超过第一纹理图像、第一深度图像中纵向螺栓高度时，判定螺栓松动。
5.根据权利要求1所述的一种道岔联结螺栓病害检测方法，其特征在于，所述道岔联结螺栓包含横向螺栓和纵向螺栓；S5中在判断出为纵向螺栓后，判定纵向螺栓缺失的方法为：
根据S1中道岔联结螺栓标记区域，分别在第一纹理图像、第一深度图像、第二纹理图像、第二深度图像中裁剪出纵向螺栓图像，采用基于深度学习的目标检测或图像实例分割方法，检测或分割纵向螺栓区域，当在第二纹理图像、第二深度图像中无法检测或分割出纵向螺栓区域时，判定纵向螺栓缺失；或者
根据S1中道岔联结螺栓标记区域，取第二纹理图像、第二深度图像中纵向螺栓图像，采用基于深度学习的图像分类方法，判定当前图像中是否存在纵向螺栓，当不存在纵向螺栓时，判定纵向螺栓缺失。
6.根据权利要求1所述的一种道岔联结螺栓病害检测方法，其特征在于，所述道岔联结螺栓包含横向螺栓和纵向螺栓；
S5中在判断出为横向螺栓后，判定横向螺栓缺失的方法为：根据S1中道岔联结螺栓标记区域，分别在第一纹理图像、第一深度图像、第二纹理图像、第二深度图像中采用目标检测方法，找出横向螺栓，采用图像测量方法计算第一纹理图像、第一深度图像中横向螺栓后端面到尖轨内侧面的距离L0，第二纹理图像、第二深度图像中横向螺栓后端面到尖轨内侧面的距离L1；当L1-L0>t0时，判定横向螺栓松动，t0为横向螺栓松动判定阈值。
7.根据权利要求1所述的一种道岔联结螺栓病害检测方法，其特征在于，所述道岔联结螺栓还包含轮毂螺栓；
S1中所述背景数据库中包含三类数据：只包含一行扣件的第一纹理图像，只包含一行扣件的第一深度图像，与第一纹理图像和第一深度图像对应的道岔标记区域和道岔联结螺栓标记区域、轮毂标记区域和轮毂螺栓标记区域；
S3中判定S2中切图后的图像中是否存在轮毂螺栓，存在则获取该轮毂螺栓区域，不存在则跳过该幅图像；
S4中根据S1中的轮毂螺栓标记区域，分别在第一纹理图像、第一深度图像、第二纹理图像、第二深度图像中剪裁出轮毂螺栓图像，判定S3中的轮毂螺栓区域是否为轮毂螺栓；
S5中在判断出为轮毂螺栓后，判定轮毂螺栓缺陷的方法为:分别测量第一深度图像中轮毂螺栓的高度h0, 第二深度图像中轮毂螺栓的高度h1,当h1-h0>t1时，判定轮毂螺栓松动，其中t1为轮毂螺栓松动检测高度阈值；或者
S5中在判断出为轮毂螺栓后，判定轮毂螺栓超高缺陷的方法为：根据S1中轮毂标记区域、轮毂螺栓标记区域，在第二纹理图像、第二深度图像中，分别测量轮毂的最大高度h2,轮毂螺栓的高度h1，当h2-h1<t2时，判定轮毂螺栓未超高，否则判定轮毂螺栓存在超高异常，其中t2为高度阈值。
8.根据权利要求4或7所述的一种道岔联结螺栓病害检测方法，其特征在于，利用钢轨非磨耗一侧高度减去道岔联结螺栓高度作为归一化的道岔联结螺栓高度值，再进行第一纹理图像、第一深度图像和第二纹理图像、第二深度图像中道岔联结螺栓高度比较。
9.一种基于权利要求1-8任意一项所述检测方法的道岔联结螺栓病害检测系统，其特征在于，该系统至少包含： 图像采集单元，用于采集轨道深度图像、纹理图像；
图像处理单元，用于执行如权利要求1-8任意一项所述的道岔联结螺栓病害检测方法，完成道岔联结螺栓病害检测；
运载单元，用于为该检测系统供电和安装支撑。
CN202310446374.5A 2023-04-24 2023-04-24 一种道岔联结螺栓病害检测方法及系统 Active CN116188464B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310446374.5A CN116188464B (zh) 2023-04-24 2023-04-24 一种道岔联结螺栓病害检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310446374.5A CN116188464B (zh) 2023-04-24 2023-04-24 一种道岔联结螺栓病害检测方法及系统

Publications (2)

Publication Number Publication Date
CN116188464A CN116188464A (zh) 2023-05-30
CN116188464B true CN116188464B (zh) 2023-07-07

Family

ID=86452449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310446374.5A Active CN116188464B (zh) 2023-04-24 2023-04-24 一种道岔联结螺栓病害检测方法及系统

Country Status (1)

Country Link
CN (1) CN116188464B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114166147A (zh) * 2021-12-16 2022-03-11 上海应用技术大学 基于三维激光扫描技术的钢轨廓形便携式检测仪及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019148332A (ja) * 2018-02-26 2019-09-05 正雄 佐藤 フリーレールボルト
EP4111365A4 (en) * 2020-02-27 2024-03-20 Tailorbird, Inc. APPARATUS AND METHOD FOR CONVERTING DIGITAL IMAGES INTO THREE-DIMENSIONAL CONSTRUCTION IMAGES
CN111175314A (zh) * 2020-03-05 2020-05-19 成都精工华耀科技有限公司 一种轨道可视化巡检成像系统
DE102021211376A1 (de) * 2020-10-09 2022-04-14 Virtek Vision International, Inc. Verfahren und system zum überprüfen vonreparatur- oder montagevorgängen
CN114387261A (zh) * 2022-01-14 2022-04-22 中国国家铁路集团有限公司 一种适用于铁路钢桥螺栓病害的自动检测方法
CN114581437A (zh) * 2022-04-09 2022-06-03 成都精工华耀科技有限公司 一种视觉标识引导的轨道可视化巡检系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114166147A (zh) * 2021-12-16 2022-03-11 上海应用技术大学 基于三维激光扫描技术的钢轨廓形便携式检测仪及方法

Also Published As

Publication number Publication date
CN116188464A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN108248634B (zh) 道岔及轨道全轮廓磨损视觉测量仪及其测量方法
CN100482888C (zh) 无接触式测量轨道横断面或轨距的方法和装置
CN113085948B (zh) 一种轨道综合检测系统
CN110567680B (zh) 一种基于角度比对的轨道扣件松动检测方法
CN109029283B (zh) 一种基于高度比对的轨道扣件螺栓浮起检测方法
US11453422B2 (en) Vehicle control system
CN105652154A (zh) 接触网运行状态安全监测分析系统
CN110634121A (zh) 一种基于纹理与深度图像的轨道扣件紧固件松动检测方法
CN113104063A (zh) 一种网轨隧综合检测系统及方法
CN115503788B (zh) 一种有砟轨道道床断面扫描检测系统
CN111579560A (zh) 一种用于隧道内的缺陷定位装置和方法
CN112651988B (zh) 基于双指针定位的指形图像分割、指形板错台和紧固件异常检测方法
CN108564627B (zh) 一种基于多区域灰度投影的线阵图像轨枕定位及计数方法
CN114581437A (zh) 一种视觉标识引导的轨道可视化巡检系统
CN103422417A (zh) 一种公路表面破损的动态识别系统与方法
CN116188464B (zh) 一种道岔联结螺栓病害检测方法及系统
CN108596968B (zh) 一种基于轨道3d深度图像的轨枕计数方法
CN112285111A (zh) 一种受电弓前碳滑板缺陷检测方法、装置、系统和介质
CN108846824B (zh) 一种基于梯度投影的线阵扫描图像轨枕定位及计数方法
CN203766824U (zh) 一种电力机车受电靴的在线轨道检测装置
CN116934665A (zh) 一种rfid引导的轨道可视化巡检系统
JP6389783B2 (ja) 渡り線相対位置管理装置及び方法
CN113048893B (zh) 一种列车闸片磨耗测量方法及系统
CN114935308A (zh) 一种基于曲线配准算法的列车受电弓磨耗检测方法
CN218489658U (zh) 一种apm列车轨靴状态监测装置

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
GR01 Patent grant
GR01 Patent grant