CN116309371A - 列车零部件异常检测方法、装置及电子设备、介质 - Google Patents

列车零部件异常检测方法、装置及电子设备、介质 Download PDF

Info

Publication number
CN116309371A
CN116309371A CN202310152348.1A CN202310152348A CN116309371A CN 116309371 A CN116309371 A CN 116309371A CN 202310152348 A CN202310152348 A CN 202310152348A CN 116309371 A CN116309371 A CN 116309371A
Authority
CN
China
Prior art keywords
area
abnormal
component
detected
region
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
CN202310152348.1A
Other languages
English (en)
Inventor
彭联贴
褚金鹏
刘雷新元
孙木兰
陈豪
熊敏君
颜家云
崔宵洋
田野
李晨
王俊平
张慧源
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.)
Zhuzhou CRRC Times Electric Co Ltd
Original Assignee
Zhuzhou CRRC Times Electric 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 Zhuzhou CRRC Times Electric Co Ltd filed Critical Zhuzhou CRRC Times Electric Co Ltd
Priority to CN202310152348.1A priority Critical patent/CN116309371A/zh
Publication of CN116309371A publication Critical patent/CN116309371A/zh
Pending legal-status Critical Current

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

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

Abstract

本发明公开一种列车零部件异常检测方法、装置及电子设备、介质，该方法步骤包括：获取待检测列车的3D检测数据以及车辆类型信息，检测数据为图像数据或者点云数据；根据车辆类型信息将3D检测数据分割成多个部件区域，每个部件区域内包含一个以上的部件；对各个部件区域中各个部件分别进行异常状态检测，确定出各个部件区域中的异常区域；根据异常区域与对应部件中各个零件之间的重叠关系判断异常类型。本发明具有实现方法简单、成本低、检测效率与精度高、重复报警率以及误报率低等优点。

Description

列车零部件异常检测方法、装置及电子设备、介质
技术领域
本发明涉及列车故障检测技术领域，尤其涉及一种列车零部件异常检测方法、装置及电子设备、介质。
背景技术
为了确保列车运行安全，需要能够实现有效的列车故障检测。随着机器视觉技术的不断发展，当前列车故障检测的检车作业方式已逐步由人工检测向自动化、智能化转变，利用智能化的检测方式可以大大提高检测的智能化程度以及效率、降低检测成本。但是目前基于机器视觉的列车故障检测，通常都是通过采集待测部件的2D图像，进行前景分割后得到部件的图像，再将部件中的零件与非零件区域进行分割，进而对零件的异常状态进行判断。该类检测方式需要精准的分割出列车部件内的各个零件以进行异常状态判断，而列车中会存在大量的零部件，因而需要构建大量的检测模型，同时还需要执行大量的零件分割等操作处理，不仅实现复杂、耗时长，且实际检测精度并不高，还易于存在重复报警以及误报，例如当列车内某一部件存在异常时，该部件内的零件可能会受到影响而无法正常工作，若按照上述检测方式进行检测时，会同时检测到部件与零件存在异常，即部件与受影响的零件会同时触发报警，而实际情况中零件很可能是正常的，造成误报。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实现方法简单、成本低、检测效率与精度高、重复报警率以及误报率低的列车零部件异常检测方法、装置及电子设备、介质。
为解决上述技术问题，本发明提出的技术方案为：
一种列车零部件异常检测方法，步骤包括：
获取待检测列车的3D检测数据以及车辆类型信息，所述检测数据为图像数据或者点云数据；
根据所述车辆类型信息将所述3D检测数据分割成多个部件区域，每个所述部件区域内包含一个以上的部件；
对各个所述部件区域中各个部件分别进行异常状态检测，确定出各个部件区域中的异常区域；
根据所述异常区域与对应部件中各个零件之间的重叠关系判断异常类型。
进一步的，所述根据所述车辆类型信息将所述3D检测数据分割成多个部件区域包括：
根据所述车辆类型信息确定分割参数，所述分割参数包括各个部件所在区域的位置信息；
根据待检测列车3D检测数据与对应模板列车3D检测数据之间的线数关系以及所述分割参数，计算出各部件所在区域在3D检测数据上的偏移线数和区域长度；
根据计算出的各部件所在区域在3D检测数据上的偏移线数和区域长度进行分割，得到多个所述部件区域。
进一步的，所述各个部件所在区域的位置信息包括各个部件所在区域的起始位置距离车头位置的偏移线数、各个部件所在区域在列车中车厢位置以及各个部件所在区域起始位置距离当前车厢指定参考位置的偏移线数中任意一种或多种。
进一步的，所述对各个所述部件区域中各个部件分别进行异常状态检测，确定出各个部件区域中的异常区域包括：
获取当前部件区域以及当前部件区域对应的模板数据；
遍历当前部件区域中每一个部件进行异常状态检测；
对每个部件进行异常状态检测时，从当前部件区域中截取待检测部件区域，将截取的待检测部件区域与对应的模板数据进行配准，根据配准结果确定出异常区域。
进一步的，所述从当前部件区域中截取待检测部件区域，将截取的待检测部件区域与对应的模板数据进行配准包括：
获取待检测部件在对应的模板数据中的位置信息，并根据获取的位置信息从待检测部件对应的模板数据中截取出当前所需模板数据；
将待检测部件在对应的模板数据中的位置信息进行空间上的扩充，得到扩充后的位置信息；
根据所述扩充后的位置信息从当前部件区域中截取出待检部件区域；
将截取出的待检测部件区域与截取出的当前所需模板数据进行配准。
进一步的，将截取的待检测部件区域与对应的模板数据进行配准前还包括对待检测数据进行下采样的数据预处理，将截取的待检测部件区域与对应的模板数据进行配准后还包括对待检测数据进行下采样以及去噪处理。
进一步的，所述根据配准结果确定出异常区域中，如果待检测部件区域与对应的模板数据之间适配度小于预设阈值，则判定整个待部件区域均为异常区域，否则通过查找待检测部件区域与对应的模板数据之间的差异点，由查找到的各差异点形成所述异常区域。
进一步的，所述查找待检测部件区域与对应的模板数据之间的差异点包括：若所述待检测部件区域上存在目标点满足预设第一条件，或者在所述待检测部件区域对应的模板数据上存在目标点满足预设第二条件，则判定目标点为差异点；所述预设第一条件为在对应模板数据中以预设重叠区域距离阈值为半径的球形空间内没有与目标点匹配的点，所述预设第二条件为在所述待检测部件区域中以预设重叠区域距离阈值为半径的球形空间内没有与目标点匹配的点。
进一步的，查找到差异点后，从配准后模板数据范围内截取有效异常点，由各有效差异点采用聚类的方式形成所述异常区域。
进一步的，所述确定出各个部件区域中的异常区域时还包括对异常区域进行几何特征判断，剔除几何特征不满足预设条件的异常区域。
进一步的，所述根据所述异常区域与对应部件中各个零件之间的重叠关系判断异常类型包括：
获取所述异常区域与对应模板数据中所有零件区域之间的重叠区域；
判断所述重叠区域在所述异常区域中的占比大小；
若所述重叠区域在所述异常区域中的占比超过预设第一阈值，则判定为零件异常，否则根据所述重叠区域在所述零件区域的占比大小和/或所述异常区域的几何特征判断是否为部件异常。
进一步的，所述根据所述重叠区域在所述零件区域的占比大小和/或所述异常区域的几何特征判断是否为部件异常包括：若所述重叠区域在所述零件区域的占比超过预设第二阈值，或所述重叠区域在所述零件区域的占比小于预设第二阈值、所述异常区域满足预设几何特征，则判定为部件异常。
进一步的，所述根据所述异常区域与对应部件中各个零件之间的重叠关系判断异常类型还包括：如果存在多个目标异常区域均与同一零件区域重叠且重叠区域超过预设阈值，则将各个目标异常区域进行合并，以根据合并后异常区域与对应部件中各个零件之间的重叠关系判断异常类型。
一种列车零部件异常检测装置，包括：
待检数据获取模块，用于获取待检测列车的3D检测数据以及车辆类型信息，所述检测数据为图像数据或者点云数据；
区域分割模块，用于根据所述车辆类型信息将所述3D检测数据分割成多个部件区域，每个所述部件区域内包含一个以上的部件；
异常区域检测模块，用于对各个所述部件区域中各个部件分别进行异常状态检测，确定出各个部件区域中的异常区域；
异常类型判断模块，用于根据所述异常区域与对应部件中各个零件之间的重叠关系判断异常类型。
进一步的，所述异常区域检测模块包括：
数据获取单元，用于获取当前部件区域以及当前部件区域对应的模板数据；
遍历单元，用于遍历当前部件区域中每一个部件进行异常状态检测；
所述遍历单元对每个部件进行异常状态检测时，从当前部件区域中截取待检测部件区域，将截取的待检测部件区域与对应的模板数据进行配准，根据配准结果确定出异常区域。
进一步的，所述异常类型判断模块中根据所述异常区域与对应部件中各个零件之间的重叠关系判断异常类型包括：所述异常类型判断模块中根据所述异常区域与对应部件中各个零件之间的重叠关系判断异常类型包括：获取所述异常区域与对应模板数据中所有零件区域之间的重叠区域；判断所述重叠区域在所述异常区域中的占比大小；若所述重叠区域在所述异常区域中的占比超过预设第一阈值，则判定为零件异常，否则根据重叠区域在零件区域的占比大小、异常区域的几何特征判断是否为部件异常；若所述重叠区域在所述零件区域的占比超过预设第二阈值，或所述重叠区域在所述零件区域的占比小于预设第二阈值、所述异常区域满足预设几何特征，则判定为部件异常。
一种电子设备，包括处理器以及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序以执行如上述方法。
一种存储有计算机程序的计算机可读存储介质，所述计算机程序执行时实现如上述方法。
与现有技术相比，本发明的优点在于：本发明通过获取列车的3D图像/点云数据进行结构性异常的故障检测，在确保零部件异常检出率的前提下，能够有效降低系统复杂度和硬件成本，同时考虑部件异常与零件异常之间的关联性，通过首先分割出多个大的部件区域，然后分别对各个部件区域进行异常检测，即先对单一部件整体进行检测，确定出各个部件区域的异常区域，对于异常区域再根据异常区域与零件之间的重叠关系确认异常类型，无需构建大量单一零件的检测模型，也无需进行大量的零件分割处理，不仅能够有效降低实现复杂程度，还能够在避免部件非零件区域误检的前提下，准确检测出所在零部件的异常，同时可以避免重复报警、误报，有效减少开发过程中的工作量。
附图说明
图1是本实施例列车零部件异常检测方法的实现流程示意图。
图2是本发明在具体应用实施例中对部件区域进行异常检测的实现流程示意图。
图3是本发明在具体应用实施例中列车零部件异常检测装置的结构原理示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
如图1所示，本实施例列车零部件异常检测方法的步骤包括：
S01.数据获取：获取待检测列车的3D检测数据以及车辆类型信息，检测数据为图像数据或者点云数据；
S02.区域分割：根据车辆类型信息将3D检测数据分割成多个部件区域，每个部件区域内包含一个以上的部件；
S03.异常区域检测：对各个部件区域中各个部件分别进行异常状态检测，确定出各个部件区域中的异常区域；
S04.异常类型判断：根据异常区域与对应部件中各个零件之间的重叠关系判断异常类型。
考虑到列车零部件存在故障时，很大可能性会伴随着空间上一定程度的结构性异常，如零部件丢失、松动、形变、附着异物等，该类结构性异常在3D图像/点云中会呈现出明显的几何差异，且车体表面水渍、污渍、昼夜光照差异对其影响较小，本实施例充分利用3D图像/点云数据的特性，通过获取列车的3D图像/点云数据进行结构性异常的故障检测，在确保零部件异常检出率的前提下，能够有效降低系统复杂度和硬件成本；同时考虑部件异常与零件异常之间的关联性，首先将待检列车的3D图像/点云数据分割成若干待检部件大区域，每个区域中包含一个或多个同种部件，然后分别对各个部件区域进行异常检测，即先对单一部件整体进行检测，确定出各个部件区域的异常区域，对于异常区域再根据异常区域与零件之间的重叠关系确认异常类型(部件异常还是零件异常)，无需构建大量单一零件的检测模型，也无需进行大量的零件分割处理，不仅能够有效降低实现复杂程度，还能够在避免部件非零件区域误检的前提下，准确检测出所在零部件的异常，同时可以避免重复报警、误报，有效减少开发过程中的工作量。
在本实施例中，步骤S01具体通过数据采集装置(库检机器人和轨旁采集装置等)与待检列车两者之间发生相对运动(可配置为趋于匀速运动)，以线扫的方式采集列车的3D图像/点云，待检测数据可以从数据采集装置中直接获取，也可以采用先存储再获取的方式。对于同一列车进行数据采集时，两次数据采集的整体线数偏差具体可配置不超过0.5％，采集精度为2pixel/mm(将某一平整箱体平面的图像/点云数据平面化，即深度信息统一为相同的数值后，不管是列车的纵向直线上，还是横向直线上，相邻2个像素点之间的距离约为0.5mm，为了达到上述方案中的效果，采集精度需要不低于2pixel/mm)。以一节20m的车厢为例，采集到的3D图像/点云线数为40000±200，车型信息可以由3D图像/点云数据的灰度信息中分析出车号，进而结合先验知识得到所属的车型，当然也可以由其他模块提供，甚至可以采用指定车型的形式。
由于同一类型的列车对应位置的零部件在结构上无明显差异，即同一类型的列车中零部件的位置结构是固定的，因而确定出列车类型以后，即可以利用该先验信息准确分割出各个部件区域。本实施例通过获取车辆类型信息来确定各个部件区域分割的分割参数，结合分割参数将3D检测数据分割成多个部件区域，具体步骤包括：
S201.根据车辆类型信息确定分割参数，分割参数包括各个部件所在区域的位置信息；
S202.根据待检测列车3D检测数据与对应模板列车3D检测数据之间的线数关系以及分割参数，计算出各部件所在区域在3D检测数据上的偏移线数和区域长度；
S203.根据计算出的各部件所在区域在3D检测数据上的偏移线数和区域长度进行分割，得到多个部件区域。
在具体应用实施例中，分割参数具体可以为一组一维数据，包括各个部件所在区域的起始位置距离车头位置的偏移线数，相邻的2个数据之差即代表着前一部件大区域的线数；然后根据据待检测列车3D检测数据与对应模板列车3D检测数据之间的线数之比以及上述分割参数，计算出各待检部件大区域在待检检测数据(图像/点云数据)上的偏移线数和区域长度，进而分割出各待检部件大区域；分割参数也可以为一组二维数据，第一维代表各部件大区域所在的参考区域(如第几节车厢)；第二维代表各部件大区域起始位置距离当前车厢某一参考位置(车厢边界、车轴位置等)的偏移线数，相邻的2个数据之差即代表着前一部件大区域的线数，然后利用传统的边界定位算法计算得出上述参考位置，进而根据当前参考区域在待检列车3D图像/点云的线数与模板列车3D检测数据的线数之比以及上述分割参数，计算出各待检部件大区域在待检测数据上的偏移线数和区域长度，进而分割出各待检部件大区域。可以理解的是，分割参数除采用上述参数以外，还可以根据实际需求采用其他类型参数，以实现更为精确或更快速的分割。
优选的，完成分割后还可以配置具备如下约束：同一车型的两台车，第一台车的某一部件距离其所属待检部件大区域起始位置的偏移值记为y1，第二台车对应部件距离其所属待检部件大区域起始位置的偏移值记为y2，|y1-y2|不超过60线。
本实施例步骤S03对各个部件区域中各个部件分别进行异常状态检测，确定出各个部件区域中的异常区域的具体步骤包括：
S301.获取当前部件区域以及当前部件区域对应的模板数据；
S302.遍历当前部件区域中每一个部件进行异常状态检测；
S303.对每个部件进行异常状态检测时，从当前部件区域中截取待检测部件区域，将截取的待检测部件区域与对应的模板数据进行配准，根据配准结果确定出异常区域。
本实施例通过先根据车型信息获取待检列车相应的模板数据，然后对各待检部件大区域进行异常检测，对单个待检部件大区域进行检测时，获取一个待检部件大区域和相应的模板数据后，遍历当前待检部件大区域中的每一个部件，进而对单个部件进行异常检测，得到该部件中的异常区域，可以快速的对部件区域进行整体异常检测，确定出各个部件区域中的异常区域。
在具体应用实施例中，可以根据待检部件大区域在物理上的排列顺序，依次获取待检部件大区域和相应的模板数据，然后遍历当前待检部件大区域中的每一个部件，即对单个部件进行异常检测，得到该部件中的异常区域。通过上述方式，数据采集装置在采集数据之时，系统即可对此前采集的数据进行分析，可以实现边采集边分析的效果。也可以将待检部件大区域按所属的部件类型分类，先分析某一类部件的待检部件大区域，再分析其他类型的待检部件大区域，对同一类部件的待检部件大区域的分析，可按采集顺序依次分析，也可按其他指定顺序分析，通过该类方式，对同一类部件进行分析时，可借用上一次获取的模板图像/点云直接分析，有效降低获取模板数据的吞吐量，可以适用于分析时效要求不那么高的场景下，能有更快的分析效率。当然还可以根据实际需求采用其他类型的采集与分析方式。
在具体应用实施例中，模板数据(图像/点云文件)通过在列车所有零部件都正常时所采集得到的3D图像/点云数据，同时还包括零部件位置信息参数文件，该零部件位置信息参数文件与模板图像/点云文件一一对应，以用于记录对应的模板图像/点云中每个零部件的编号、名称及位置信息。具体的，为3D图像/点云建立了xyz空间坐标系，零部件位置信息参数文件中每个零部件的位置信息具体包括6个维度：[x0,y0,z0,△x,△y,△z]，x0为x方向起始位置，以数据采集装置采集的单线数据为例，起始点到结束点的方向记为x方向的正向；y0为y方向起始位置，以某一部件大区域为例，第一线数据到最后一线数据的方向记为y方向的正向；z0为z方向起始位置，z方向代表数据采集装置与列车之间的深度信息，具体可以从数据采集装置到列车的方向作为z方向的正向；△x为在x方向上的跨度，△y为在y方向上的跨度，△z为在z方向上的跨度，跨度单位统一为mm。
本实施例步骤S303中从当前部件区域中截取待检测部件区域，将截取的待检测部件区域与对应的模板数据进行配准具体步骤包括：
S331.获取待检测部件在对应的模板数据中的位置信息，并根据获取的位置信息从待检测部件对应的模板数据中截取出当前所需模板数据；
S332.将待检测部件在对应的模板数据中的位置信息进行空间上的扩充，得到扩充后的位置信息；
S333.根据扩充后的位置信息从当前部件区域中截取出待检部件区域；
S334.将截取出的待检测部件区域与截取出的当前所需模板数据进行配准。
为了避免安全隐患，关键零部件通常难以采集足够数量的真实故障样本。本实施例通过采用类似滑窗匹配的逻辑，以模板部件向待检部件区域(尺寸大于模板部件)进行配准，而不是以待检部件区域向模板部件进行配准，可以大大降低数据标注的工作量，若数据采集的精度在预期范围，参考物理尺寸截取待检零部件区域，几乎不会存在目标检测过程中的漏检问题，且以小区域向大区域配准，还可以有效提升配准适配度，进一步确保检测精度。
本实施例根据扩充后的位置信息从待检部件大区域中截取出待检部件小区域之前，还包括确定空间上的扩充参数，即截取待检部件小区域时，将模板数据中该部件的位置信息在空间上做扩充后再进行截取，可以以避免两次数据采集时，采集设备与列车在空间上存在相对偏差在成像上造成的影响，上述相对偏差可能是采集设备的振动或是列车的晃动或是部件的安装误差造成，可以进一步提高检测精度。
本实施例根据配准结果确定出异常区域中，如果待检测部件区域与对应的模板数据之间适配度小于预设阈值，则判定整个待部件区域均为异常区域，否则通过查找待检测部件区域与对应的模板数据之间的差异点，由查找到的各差异点形成异常区域。
在具体应用实施例中，将待检测部件区域与模板数据进行配准时，先获取模板部件：从模板数据中获取一个部件的位置信息，根据位置信息从模板图像/点云文件中截取出模板部件；若当前获取的6维位置信息为x0、y0、z0、△x、△y、△z，则以(x0,y0,z0)为起始点，(x0+△x,y0+△y,z0+△z)为结束点，截取出模板部件；获取待检部件小区域：对上述位置信息进行空间上的扩充，根据扩充后的位置信息从待检部件大区域中截取出待检部件小区域，使得该区域中仅包含单个部件；然后将截取的模板部件与待检部件小区域进行配准，若适配度低于适配阈值，直接记录为部件异常，区域为整个待检部件小区域；否则，执行后续的差异点查找以及形成异常区域的处理步骤。
以车底零部件的检测为例，进行空间上的扩充参数具体如下：
x方向上的扩充参数为±20，以避免x方向上存在相对偏差造成影响，上述相对偏差可以是采集设备的晃动或是列车的蛇形运动或是部件的安装误差造成；
y方向上的扩充参数为±30，以避免y方向上存在相对偏差造成影响，上述相对偏差可以是由待检数据分割算法偏差，或是采集设备的采集频次不稳定，或是对列车的测速装置有偏差，或是部件的安装误差造成；
z方向上的扩充参数分别为-100、20，以避免z方向上存在相对偏差造的影响，上述相对偏差可以是采集装置运动过程中承载的平面不平整，或是列车自身的晃动，或是部件的安装误差造成。
最终即以(x0-20,y0-30,z0-100)为起始点，(x0+△x+20,y0+△y+30,z0+△z+20)为结束点，截取出待检部件小区域。
优选的，适配度的预设阈值可以设置为40％，配准算法具体可以采用点到面的icp配准，并分为3级由粗到细的配准。可以理解的是，适配度的预设阈值以及配准算法、配准半径和迭代次数均可以根据实际需求进行选择配置。
进一步的，本实施例中将截取的待检测部件区域与对应的模板数据进行配准前还包括对待检测数据进行下采样的数据预处理，将截取的待检测部件区域与对应的模板数据进行配准后对待检测数据进行下采样以及去噪处理。即在配准前后，对模板部件与待检部件小区域图像/点云数据均进行了数据预处理，将配准前的预处理记为第一次预处理，配准后的预处理记为第二次预处理，第一次预处理仅进行下采样，第二次预处理进行数据下采样之后，同时还进行去噪处理。上述两次下采样具体均可以采用体素下采样，第一次采样的尺寸大于第二次采样，在大尺寸参数下采样后进行配准，可以保证配准精度的前提下减少配准时间，配准后以小尺寸参数下采样后再进行后续处理，可以保证后续处理的数据精度，避免零部件异常的误检和漏检。优选的，去噪具体可采用球半径滤波，可以有效降低噪音对后续处理的干扰。
本实施例中，查找待检测部件区域与对应的模板数据之间的差异点具体包括：若待检测部件区域上存在目标点满足预设第一条件，或者在待检测部件区域对应的模板数据上存在目标点满足预设第二条件，则判定目标点为差异点；预设第一条件为在对应模板数据中以预设重叠区域距离阈值为半径的球形空间内没有与目标点匹配的点，预设第二条件为在待检测部件区域中以预设重叠区域距离阈值为半径的球形空间内没有与目标点匹配的点。即模板图/点云上的点在以该重叠区域距离阈值为半径的球形空间内无法找到待检图/点云上的点，则判定该点为差异点，同样的，如果待检图/点云上的点在以该重叠区域距离阈值为半径的球形空间内无法找到模板图/点云上的点，则判定该点也为差异点。通过上述方式，基于重叠区域距离阈值进行搜索，可以快速、有效查找出待检测部件区域与模板数据之间的差异点。
上述重叠区域距离阈值的可以依据部件类型不同进行配置，例如M8螺栓、小橡胶塞、合页等小零件的部件，可以设置为5；网口直径大于20mm的出风口、接头等部件，可以配置为9，其他的部件则可以配置为7。
可以理解的是，对各异常区域与所有零件区域之间重叠区域时，即可以是空间上的重叠，也可以是点的重叠，点是否重叠的判断方式可采用异常点查找相同的原理实现，重叠区域距离阈值则具体可以设置为2。
上述查找到差异点后，从配准后模板数据范围内截取有效异常点，由各有效差异点采用聚类的方式形成异常区域。在具体应用实施例中，模板部件范围不包括深度信息所在方向，即深度信息所在方向不设限。聚类算法具体可以采用dbscan基于密度的聚类算法，当然也可以根据实际需求采用其他类型的聚类算法。
进一步的，本实施例中确定出各个部件区域中的异常区域时还包括对异常区域进行几何特征判断，剔除几何特征不满足预设条件的异常区域。上述几何特征具体可以为尺寸、面积，通过预先设置尺寸阈值(如包含小零件的部件设为7，其他部件设为9)、面积阈值(例如含零件的部件设为0，不含零件的部件设为10*10)，若异常区域在x和y方向上的尺寸均不低于尺寸阈值时保留，否则剔除该异常区域；若异常区域在z平面的投影面积不低于面积阈值时保留，否则剔除该异常区域。上述投影面积具体可以采用以下计算方式：将异常区域内的点的z值赋值为0，再以采样尺寸为1进行体素下采样，进而计算出下采样后的点数。几何特征也可以采用薄壁特征、线束特征等，薄壁特征具体可以取:通过在异常区域的3D图像/点云数据中，超过指定比例的点的法向量平行于z平面，或是将数据在x方向上等分成以△x＝10为步长的若干区段，每一个区段的△y<2，线束特征可以取将异常区域的3D图像/点云数据投影至z平面，再以采样尺寸为1进行体素下采样，保留最大连通域的点，再确认这些点是否满足上述薄壁特征中的后一种描述方式，△x和△y参数需结合实际的线束进行调整，如某种线束的△x设置为100，△y设置为10。可以理解的是，几何特征的具体类型以及阈值设置均可以根据实际需求选择配置。
在具体应用实施例中，如图2所示，对单个部件区域进行异常区域检测的详细步骤为：
获取模板部件：从模板数据中获取一个部件的位置信息，根据位置信息从模板图像/点云文件中截取出模板部件；
获取待检部件小区域：对上述位置信息进行空间上的扩充，根据扩充后的位置信息从待检部件大区域中截取出待检部件小区域，以使得该区域中仅包含单个部件；
配准：将模板部件与待检部件小区域进行配准，若适配度低于适配阈值，直接记录为部件异常，区域为整个待检部件小区域；否则，进行差异点查找以形成异常区域；
异常区域形成：通过重叠区域距离阈值查找出待检测区域与模板数据之间的差异点，截取出配准后模板部件范围内的差异点作为有效异常点，将有效差异点聚类以形成异常区域；
筛选异常区域：对异常区域进行几何特征判断，剔除不满足一定几何特征的异常区域。
本实施例中，根据异常区域与对应部件中各个零件之间的重叠关系判断异常类型包括：
获取异常区域与对应模板数据中所有零件区域之间的重叠区域；
判断重叠区域在所述异常区域中的占比大小；
若重叠区域在异常区域中的占比超过预设第一阈值，则判定为零件异常，否则根据重叠区域在零件区域的占比大小和/或异常区域的几何特征判断是否为部件异常。如果部件的异常区域与零件区域之间的重叠区域在异常区域上的占比较大(大于预设第一阈值)，则表明该异常区域是被零件主导的异常区域，则该异常区域大概率是由于零件异常导致，可以判定为零件异常；反之如果部件的异常区域与零件区域之间的重叠区域在异常区域上的占比较小(小于预设第一阈值)，可能是部件异常也可能是没有异常，不能直接判定是否为部件异常，因而进一步再依据重叠区域在零件区域的占比大小、异常区域的几何特征判断是否为部件异常。
本实施例中，根据重叠区域在零件区域的占比大小和/或异常区域的几何特征判断是否为部件异常包括：若重叠区域在所述零件区域的占比超过预设第二阈值，或重叠区域在零件区域的占比小于预设第二阈值、异常区域满足预设几何特征，则判定为部件异常。如果重叠区域在零件区域上的占比较大(大于预设第二阈值)，表明该异常区域很可能是被非零件主导的异常区域，则该异常区域大概率是由于部件本身故障所造成的，零件本身并没有异常，可以直接判定为部件异常，如果重叠区域在零件区域上的占比虽然较小(小于预设第二阈值)，但是满足几何特征，说明是不受零件影响的异常区域，此时可以依据异常区域的几何特征确定是否为部件异常。对于重叠区域在零件区域上的占比小于预设第二阈值但几何特征符合的情况下进行异常判断，可以设置较为严格的条件，当满足指定类型的几何特征以后才判定为部件异常以确保精度，若不满足几何特征时，则直接该异常区域去除。
上述预设第一阈值以及预设第二阈值均可以根据实际需求灵活配置。
本实施例通过上述步骤，能够充分利用异常区域与零件之间的重叠关系实现异常类型的判断，无需构建零件的检测模块也虚无进行零件区域的分割即可以实现零件故障的判断与定位，不仅可以大大提高检测精度以及效率，还可以有效避免部件与零件异常之间的重复报警或者误报。
本实施例中，根据异常区域与对应部件中各个零件之间的重叠关系判断异常类型还包括：如果存在多个目标异常区域均与同一零件区域重叠且重叠区域超过预设阈值，表明该多个目标异常区域均是与同一零件相关的，则将各个目标异常区域进行合并，以根据合并后异常区域与对应部件中各个零件之间的重叠关系判断异常类型。对于合并后异常区域具体可以按照上述步骤，综合预设第一阈值与预设第二阈值判断是零件异常还是部件异常。
列车中可能会存在跨度较大的零部件(例如横卧的螺钉等)，或者在部件上可能会存在面积较大的附着物(对应为部件异常)，对于该类情形，检测到图像按照部件划分后，跨度较大的零部件或者面积较大的附着物可能会被划分在多个不同的区域，若直接按照上述步骤进行异常判断，会存在多个异常点，导致存在重复报警。本实施例通过根据各异常区域是否与同一零件区域存在较大的重叠，可以识别出同一零件或部件上的附着物被划分至多个区域的情况，通过将该识别出的异常区域进行合并处理后再进行异常判断，能够有效避免重复报警。
以横卧的螺钉为例，按照上述步骤会检测到多个异常区域与同一零件区域存在较大的重叠，则将该检测到的异常区域进行合并，对合并后异常区域进行异常判断时，如果部件的异常区域与零件区域之间的重叠区域在异常区域上的占比较大(大于预设第一阈值)，则表明该异常区域是被零件主导的异常区域，判定为零件异常；反之如果部件的异常区域与零件区域之间的重叠区域在异常区域上的占比较小(小于预设第一阈值)，则进一步判断重叠区域在零件区域上的占比大小，如果重叠区域在零件区域上的占比较大(大于预设第二阈值)，表明该异常区域很可能是被非零件主导的异常区域，可以直接判定为部件异常，如果重叠区域在零件区域上的占比虽然较小(小于预设第二阈值)，但是满足几何特征，说明是不受零件影响的异常区域，依据异常区域的几何特征是否符合以最终确定是否为部件异常。
本实施例上述步骤，通过几何特征判定对各异常区域进行合并处理以及无效异常区域的剔除，使得检测结果更加合理。当判定为零件异常时，进一步还可以根据零件类型确定最终的零件异常类型，当判定为部件异常时，进一步还可以根据部件类型确定最终的部件异常类型。
本实施例具体通过一个核心处理模块判断异常区域与当前部件中各个零件的重叠关系，将异常区域分类，具体包括：
如果异常区域主要成分为某一零件，即被零件主导的异常区域，记为I类情形；
如果异常区域包含了某一个零件的部分/全部区域，但并非被零件主导的异常区域，即受零件影响的异常区域，记为II类情形；
如果多个异常区域与同一小零件为II类情形，记为III类情形；
异常区域不属于上述任一情形，记为IV类情形。
然后结合分类结果对异常区域进一步处理，记录最终有效的异常区域，具体包括：
对于III类情形的多个异常区域，进行合并处理，合并后再次判断其与各个零件的重叠关系；
对于I类情形的异常区域，直接记录，并将该异常定义为零件异常，进而结合不同的零件类型分析出异常类型；
对于II类情形的异常区域，直接记录，并将该异常定义为部件异常；如有需求，也可进一步记录相应零件的异常；同时，能结合不同的部件/零件类型分析出异常类型；
对于IV类情形的异常区域，再次进行几何特征判断，仅记录满足于某些几何特征的异常区域，定义为部件异常，进而结合不同的部件类型分析出异常类型。
以下以在具体应用实施例中判断异常区域与当前部件中各个零件的关系，将异常区域分类为例，具体步骤包括：
步骤1：异常区域分类包括：
①异常区域主要成分为某一零件，具体为某一零件区域在异常区域中的占比超过了50％，则认为该异常区域被零件主导，记为I类情形，不再执行后续处理；
②异常区域包含了某一个零件的部分/全部区域，具体为异常区域在某一零件区域中的占比超过了15％，则认为该异常区域受零件影响，记为II类情形；
③多个异常区域与同一小零件为II类情形，记为III类情形；
④异常区域不属于上述任一情形，记为IV类情形；
步骤2：结合分类结果对异常区域进一步处理，具体包括：
①对于III类情形的多个异常区域，进行合并处理，合并后再次执行步骤1，以确定合并后的异常区域所属的情形；
②对于I类情形的异常区域，直接记录，并将该异常定义为零件异常，进而结合不同的零件类型分析出异常类型，如螺栓的异常类型有丢失、松动，接头的异常类型有脱落、松动，橡胶塞的异常类型有丢失、打开；
③对于II类情形的异常区域，直接记录，并将该异常定义为部件异常，进而结合不同的部件类型分析出异常类型，如箱体的异常类型有形变(含破损)、异物附着；在本实施例中，当箱体上附着了较大的异物，且遮挡了一颗或多颗螺栓时，仅记录部件异物附着的异常；
④对于IV类情形的异常区域，再次进行几何特征判断，仅记录满足于某些几何特征的异常区域，定义为部件异常，进而结合不同的部件类型分析出异常类型，如箱体的异常类型有形变(含破损)、异物附着。
该步骤中采用的几何特征阈值可以设置更为宽松，即不受零件影响的部件异常，可以采用较大的阈值，例如尺寸阈值可以统一设为10，异常区域在x和y方向上的尺寸均不低于该值时保留；否则剔除该异常区域；面积阈值不平整的多棱角部件可以设为50*50，其他设为0，异常区域在z平面的投影面积不低于该值时保留，否则剔除该异常区域。
⑤异常结果的记录，包括但不限于零部件编号、名称、位置信息和异常类型。
本实施例对列车零部件的结构性异常进行检测时，首先根据先验知识，从待检列车的3D图像/点云数据中分割出待检部件大区域，该区域中包含一个或者多个同种部件，然后根据待检列车相应的模板数据，遍历待检部件大区域中的每一个部件，对单个部件进行异常检测，得到该部件中的异常区域，再结合零部件类型与异常区域的几何特征判断出异常类型，可以有效实现对列车零部件结构性异常的检测，在对单个部件进行异常检测时，通过判断异常区域与当前部件中各个零件的重叠关系确定零部件的异常类型，可以大大提高检测精度以及效率，同时有效避免部件与零件异常之间的重复报警或者误报。
本实施例列车零部件异常检测装置包括：
待检数据获取模块，用于获取待检测列车的3D检测数据以及车辆类型信息，检测数据为图像数据或者点云数据；
区域分割模块，用于根据车辆类型信息将所述3D检测数据分割成多个部件区域，每个所述部件区域内包含一个以上的部件；
异常区域检测模块，用于对各个部件区域中各个部件分别进行异常状态检测，确定出各个部件区域中的异常区域；
异常类型判断模块，用于根据异常区域与对应部件中各个零件之间的关系判断异常类型。
本实施例中异常区域检测模块具体包括：
数据获取单元，用于获取当前部件区域以及当前部件区域对应的模板数据；
遍历单元，用于遍历当前部件区域中每一个部件进行异常状态检测；
遍历单元对每个部件进行异常状态检测时，从当前部件区域中截取待检测部件区域，将截取的待检测部件区域与对应的模板数据进行配准，根据配准结果确定出异常区域。
本实施例中，异常类型判断模块中根据异常区域与对应部件中各个零件之间的重叠关系判断异常类型包括：获取异常区域与对应模板数据中所有零件区域之间的重叠区域；判断述重叠区域在所述异常区域中的占比大小；若重叠区域在所述异常区域中的占比超过预设第一阈值，则判定为零件异常，否则根据重叠区域在零件区域的占比大小、异常区域的几何特征判断是否为部件异常；若重叠区域在所述零件区域的占比超过预设第二阈值，或所述重叠区域在所述零件区域的占比小于预设第二阈值、异常区域满足预设几何特征，则判定为部件异常。
本实施例中，还设置有数据采集装置以采集待检测数据，以及设置待检数据获取模块以用于获取数据采集装置采集到的3D图像/点云数据作为待检测数据，以及设置模板数据获取模块以用于获取待检测数据对应的模板数据。进一步还可以配置显示模块，以用于呈现检测结果。
在具体应用实施例中，如图3所示，区域分割模块、异常区域检测模块以及异常类型判断模块采用一个检测模块实现，即由一个检测模块实现区域分割、异常区域检测以及异常类型判断功能。首先通过数据采集装置与列车之间发生相对运动(趋于匀速运动)，以线扫的方式采集列车的3D图像/点云，对于同一列车，配置两次数据采集的整体线数偏差不超过一定范围；待检数据获取模块获取数据采集装置采集到的3D图像/点云数据后，得到待检测数据，通过模板数据获取待检测数据对应的模板数据，检测模块通过根据车辆类型信息将3D检测数据分割成多个部件区域，每个部件区域内包含一个以上的部件，将对各个部件区域中各个部件分别进行异常状态检测，确定出各个部件区域中的异常区域，根据异常区域与对应部件中各个零件之间的重叠关系判断异常类型。检测模块具体根据异常区域与对应模板数据中所有零件区域之间的重叠区域占比判断异常类型，若重叠区域占比超过预设第一阈值，则判定为零件异常，则进一步判断重叠区域在零件区域上的占比大小，如果重叠区域在零件区域上的占比较大(大于预设第二阈值)，表明该异常区域很可能是被非零件主导的异常区域，可以直接判定为部件异常，如果重叠区域在零件区域上的占比虽然较小(小于预设第二阈值)，但是满足几何特征，说明是不受零件影响的异常区域，依据异常区域的几何特征是否符合以最终确定是否为部件异常；如果存在多个目标异常区域均与同一零件区域重叠且重叠区域超过预设阈值，则将各个目标异常区域进行合并后再重新进行判断。最后检测结果通过检测模块进行显示，在图像上将异常零部件进行标记凸显。
本实施例列车零部件异常检测装置与上述列车零部件异常检测方法为一一对应，在此不再一一赘述。
本实施例还提供电子设备，包括处理器以及存储器，存储器用于存储计算机程序，处理器用于执行所述计算机程序以执行如上述方法。
本实施例还提供存储有计算机程序的计算机可读存储介质，计算机程序执行时实现如上述方法。
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (18)

1.一种列车零部件异常检测方法，其特征在于，步骤包括：
获取待检测列车的3D检测数据以及车辆类型信息，所述检测数据为图像数据或者点云数据；
根据所述车辆类型信息将所述3D检测数据分割成多个部件区域，每个所述部件区域内包含一个以上的部件；
对各个所述部件区域中各个部件分别进行异常状态检测，确定出各个部件区域中的异常区域；
根据所述异常区域与对应部件中各个零件之间的重叠关系判断异常类型。
2.根据权利要求1所述的列车零部件异常检测方法，其特征在于，所述根据所述车辆类型信息将所述3D检测数据分割成多个部件区域包括：
根据所述车辆类型信息确定分割参数，所述分割参数包括各个部件所在区域的位置信息；
根据待检测列车3D检测数据与对应模板列车3D检测数据之间的线数关系以及所述分割参数，计算出各部件所在区域在3D检测数据上的偏移线数和区域长度；
根据计算出的各部件所在区域在3D检测数据上的偏移线数和区域长度进行分割，得到多个所述部件区域。
3.根据权利要求2所述的列车零部件异常检测方法，其特征在于，所述各个部件所在区域的位置信息包括各个部件所在区域的起始位置距离车头位置的偏移线数、各个部件所在区域在列车中车厢位置以及各个部件所在区域起始位置距离当前车厢指定参考位置的偏移线数中任意一种或多种。
4.根据权利要求1所述的列车零部件异常检测方法，其特征在于，所述对各个所述部件区域中各个部件分别进行异常状态检测，确定出各个部件区域中的异常区域包括：
获取当前部件区域以及当前部件区域对应的模板数据；
遍历当前部件区域中每一个部件进行异常状态检测；
对每个部件进行异常状态检测时，从当前部件区域中截取待检测部件区域，将截取的待检测部件区域与对应的模板数据进行配准，根据配准结果确定出异常区域。
5.根据权利要求4所述的列车零部件异常检测方法，其特征在于，所述从当前部件区域中截取待检测部件区域，将截取的待检测部件区域与对应的模板数据进行配准包括：
获取待检测部件在对应的模板数据中的位置信息，并根据获取的位置信息从待检测部件对应的模板数据中截取出当前所需模板数据；
将待检测部件在对应的模板数据中的位置信息进行空间上的扩充，得到扩充后的位置信息；
根据所述扩充后的位置信息从当前部件区域中截取出待检部件区域；
将截取出的待检测部件区域与截取出的当前所需模板数据进行配准。
6.根据权利要求4所述的列车零部件异常检测方法，其特征在于，将截取的待检测部件区域与对应的模板数据进行配准前还包括对待检测数据进行下采样的数据预处理，将截取的待检测部件区域与对应的模板数据进行配准后还包括对待检测数据进行下采样以及去噪处理。
7.根据权利要求4所述的列车零部件异常检测方法，其特征在于，所述根据配准结果确定出异常区域中，如果待检测部件区域与对应的模板数据之间适配度小于预设阈值，则判定整个待部件区域均为异常区域，否则通过查找待检测部件区域与对应的模板数据之间的差异点，由查找到的各差异点形成所述异常区域。
8.根据权利要求7所述的列车零部件异常检测方法，其特征在于，所述查找待检测部件区域与对应的模板数据之间的差异点包括：若所述待检测部件区域上存在目标点满足预设第一条件，或者在所述待检测部件区域对应的模板数据上存在目标点满足预设第二条件，则判定目标点为差异点；所述预设第一条件为在对应模板数据中以预设重叠区域距离阈值为半径的球形空间内没有与目标点匹配的点，所述预设第二条件为在所述待检测部件区域中以预设重叠区域距离阈值为半径的球形空间内没有与目标点匹配的点。
9.根据权利要求7所述的列车零部件异常检测方法，其特征在于，查找到差异点后，从配准后模板数据范围内截取有效异常点，由各有效差异点采用聚类的方式形成所述异常区域。
10.根据权利要求1～9中任意一项所述的列车零部件异常检测方法，其特征在于，所述确定出各个部件区域中的异常区域时还包括对异常区域进行几何特征判断，剔除几何特征不满足预设条件的异常区域。
11.根据权利要求1～9中任意一项所述的列车零部件异常检测方法，其特征在于，所述根据所述异常区域与对应部件中各个零件之间的重叠关系判断异常类型包括：
获取所述异常区域与对应模板数据中所有零件区域之间的重叠区域；
判断所述重叠区域在所述异常区域中的占比大小；
若所述重叠区域在所述异常区域中的占比超过预设第一阈值，则判定为零件异常，否则根据重叠区域在零件区域的占比大小、异常区域的几何特征判断是否为部件异常。
12.根据权利要求11所述的列车零部件异常检测方法，其特征在于，所述根据所述重叠区域在所述零件区域的占比大小和/或所述异常区域的几何特征判断是否为部件异常包括：若所述重叠区域在所述零件区域的占比超过预设第二阈值，或所述重叠区域在所述零件区域的占比小于预设第二阈值、所述异常区域满足预设几何特征，则判定为部件异常。
13.根据权利要求11所述的列车零部件异常检测方法，其特征在于，所述根据所述异常区域与对应部件中各个零件之间的重叠关系判断异常类型还包括：如果存在多个目标异常区域均与同一零件区域重叠且重叠区域超过预设阈值，则将各个目标异常区域进行合并，以根据合并后异常区域与对应部件中各个零件之间的重叠关系判断异常类型。
14.一种列车零部件异常检测装置，其特征在于，包括：
待检数据获取模块，用于获取待检测列车的3D检测数据以及车辆类型信息，所述检测数据为图像数据或者点云数据；
区域分割模块，用于根据所述车辆类型信息将所述3D检测数据分割成多个部件区域，每个所述部件区域内包含一个以上的部件；
异常区域检测模块，用于对各个所述部件区域中各个部件分别进行异常状态检测，确定出各个部件区域中的异常区域；
异常类型判断模块，用于根据所述异常区域与对应部件中各个零件之间的重叠关系判断异常类型。
15.根据权利要求14所述的列车零部件异常检测装置，其特征在于，所述异常区域检测模块包括：
数据获取单元，用于获取当前部件区域以及当前部件区域对应的模板数据；
遍历单元，用于遍历当前部件区域中每一个部件进行异常状态检测；
所述遍历单元对每个部件进行异常状态检测时，从当前部件区域中截取待检测部件区域，将截取的待检测部件区域与对应的模板数据进行配准，根据配准结果确定出异常区域。
16.根据权利要求14或15所述的列车零部件异常检测装置，其特征在于，所述异常类型判断模块中根据所述异常区域与对应部件中各个零件之间的重叠关系判断异常类型包括：获取所述异常区域与对应模板数据中所有零件区域之间的重叠区域；判断所述重叠区域在所述异常区域中的占比大小；若所述重叠区域在所述异常区域中的占比超过预设第一阈值，则判定为零件异常，否则根据重叠区域在零件区域的占比大小、异常区域的几何特征判断是否为部件异常；若所述重叠区域在所述零件区域的占比超过预设第二阈值，或所述重叠区域在所述零件区域的占比小于预设第二阈值、所述异常区域满足预设几何特征，则判定为部件异常。
17.一种电子设备，包括处理器以及存储器，所述存储器用于存储计算机程序，其特征在于，所述处理器用于执行所述计算机程序以执行如权利要求1～13中任意一项所述方法。
18.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序执行时实现如权利要求1～13中任意一项所述的方法。
CN202310152348.1A 2023-02-22 2023-02-22 列车零部件异常检测方法、装置及电子设备、介质 Pending CN116309371A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310152348.1A CN116309371A (zh) 2023-02-22 2023-02-22 列车零部件异常检测方法、装置及电子设备、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310152348.1A CN116309371A (zh) 2023-02-22 2023-02-22 列车零部件异常检测方法、装置及电子设备、介质

Publications (1)

Publication Number Publication Date
CN116309371A true CN116309371A (zh) 2023-06-23

Family

ID=86816036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310152348.1A Pending CN116309371A (zh) 2023-02-22 2023-02-22 列车零部件异常检测方法、装置及电子设备、介质

Country Status (1)

Country Link
CN (1) CN116309371A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116994354A (zh) * 2023-09-28 2023-11-03 上海闪马智能科技有限公司 道路电力设施巡检方法、装置、存储介质及电子装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116994354A (zh) * 2023-09-28 2023-11-03 上海闪马智能科技有限公司 道路电力设施巡检方法、装置、存储介质及电子装置
CN116994354B (zh) * 2023-09-28 2024-01-23 上海闪马智能科技有限公司 道路电力设施巡检方法、装置、存储介质及电子装置

Similar Documents

Publication Publication Date Title
Liu et al. A review of applications of visual inspection technology based on image processing in the railway industry
CN109632808B (zh) 棱边缺陷检测方法、装置、电子设备及存储介质
Lu et al. SCueU-Net: Efficient damage detection method for railway rail
CN112348034A (zh) 基于无人机图像识别的起重机缺陷检测系统和工作方法
WO2022099530A1 (zh) 点云数据运动分割方法、装置、计算机设备和存储介质
CN112381791A (zh) 一种基于3d点云的螺栓松动检测方法
CN115482195B (zh) 一种基于三维点云的列车部件变形检测方法
CN116309371A (zh) 列车零部件异常检测方法、装置及电子设备、介质
CN113781537B (zh) 一种轨道弹条扣件缺陷识别方法、装置和计算机设备
CN110796104A (zh) 目标检测方法、装置、存储介质及无人机
CN113850872A (zh) 一种基于高位视频的服务区停车压线检测方法
CN111242052B (zh) 一种接触网刚柔导线自动判别方法及装置
CN116228651A (zh) 一种布匹缺陷检测方法、系统、设备及介质
JP4754440B2 (ja) 車種判別装置、車種判別システム、車種判別方法及び車種判別プログラム
WO2022226831A1 (zh) 未定义类别障碍物的检测方法、装置和计算机设备
CN117492026A (zh) 结合激光雷达扫描的铁路货车装载状态检测方法及系统
CN107767366B (zh) 一种输电线路拟合方法及装置
CN116520351A (zh) 一种列车状态监测方法、系统、存储介质及终端
CN110728747A (zh) 一种基于激光点云数据及OpenGL的车辆三维外廓绘制方法
WO2022097426A1 (ja) 状態判定装置、状態判定システム及び状態判定方法
Zhou et al. Automated detection of surface defects on sphere parts using laser and CDD measurements
CN114445636A (zh) 一种列车底部项点映射方法
CN113869407A (zh) 一种基于单目视觉的车长测量方法和装置
CN111054640A (zh) 一种自动化机械检测装置
CN112330647A (zh) 一种动车车底异常检测方法

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