CN116331289B - 一种基于图像分析的轨道状态检测系统及方法 - Google Patents
一种基于图像分析的轨道状态检测系统及方法 Download PDFInfo
- Publication number
- CN116331289B CN116331289B CN202310271901.3A CN202310271901A CN116331289B CN 116331289 B CN116331289 B CN 116331289B CN 202310271901 A CN202310271901 A CN 202310271901A CN 116331289 B CN116331289 B CN 116331289B
- Authority
- CN
- China
- Prior art keywords
- image
- track
- target
- item
- determining
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 125
- 238000010191 image analysis Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000010276 construction Methods 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000012937 correction Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003137 locomotive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- WYTGDNHDOZPMIW-RCBQFDQVSA-N alstonine Natural products C1=CC2=C3C=CC=CC3=NC2=C2N1C[C@H]1[C@H](C)OC=C(C(=O)OC)[C@H]1C2 WYTGDNHDOZPMIW-RCBQFDQVSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
- B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
- B61K9/08—Measuring installations for surveying permanent way
-
- 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
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于图像分析的轨道状态检测系统及方法,其系统包括:模型构建模块,用于获取轨道中各待检测项目对应的基准指标以及历史轨道运行图像,并基于基准指标对历史轨道运行图像进行训练,构建图像分析模型;图像处理模块,用于获取采集到的轨道图像,并基于图像特征对轨道图像进行分类,且基于分类结果提取每一类别中轨道图像对应的敏感区域图像;轨道状态检测模块,用于将敏感区域图像输入至图像分析模型进行分析,确定轨道中各待检测项目当前时刻的目标状态,并当目标状态异常时,基于待检测项目的项目类型进行目标预警操作。便于在发现轨道异常时及时进行相应的预警操作,保障了对轨道状态检测的准确率,也确保了轨道正常且安全的运行。
Description
技术领域
本发明涉及图像分析及图像处理技术领域,特别涉及一种基于图像分析的轨道状态检测系统及方法。
背景技术
目前,钢轨、轨道板、受电弓以及接触网是列车运行的重要组成部件,也是列车行车的基础,其实时状态直接影响铁路的运输能力和行车安全,所以对钢轨、轨道板、受电弓以及接触网的实时状态的检测尤为重要;
在现有技术当中,在对钢轨、轨道板、受电弓以及接触网进行检查时,都是通过工人逐一对各个点位进行人工检查来实现的,但是,由于检测项目繁多,且每一检测项目的检测标准不同,人工对其进行逐一检查的方式,不但工作强度大、效率低,检查的质量还不能得到有效地保证,并且,由于人工检查的工作量庞大,很难实现对轨道进行定期检查,以保证对各检测项目的实时状态的变化进行及时监测,从而降低了列车的行车安全性;
因此,本发明提供了一种基于图像分析的轨道状态检测系统及方法。
发明内容
本发明提供一种基于图像分析的轨道状态检测系统及方法,用以通过构建的图像分析模型对轨道中各待检测项目进行分析,实现对轨道中各待检测项目的实时状态进行有效把握,从而便于在发现轨道异常时及时进行相应的预警操作,在节省大量人力物力的同时保障了对轨道状态检测的准确率,也确保了轨道正常且安全的运行。
本发明提供了一种基于图像分析的轨道状态检测系统,包括:
模型构建模块,用于获取轨道中各待检测项目对应的基准指标以及历史轨道运行图像,并基于基准指标对历史轨道运行图像进行训练,构建图像分析模型;
图像处理模块,用于获取采集到的轨道图像,并基于图像特征对轨道图像进行分类,且基于分类结果提取每一类别中轨道图像对应的敏感区域图像;
轨道状态检测模块,用于将敏感区域图像输入至图像分析模型进行分析,确定轨道中各待检测项目当前时刻的目标状态,并当目标状态异常时,基于待检测项目的项目类型进行目标预警操作。
优选的,一种基于图像分析的轨道状态检测系统,模型构建模块,包括:
数据获取单元,用于获取轨道运行时的运行流程,并基于运行流程确定轨道中包含的待检测项目,且提取各待检测项目的属性信息;
属性分析单元,用于基于属性信息确定各待检测项目的运行要求以及项目类型,并基于项目类型生成指标访问请求,且基于指标访问请求访问预设指标数据库,从预设指标数据库中提取项目类型对应的基准指标;
指标确定单元,用于基于运行要求确定对各待检测项目的检测要求,并基于检测要求确定对各待检测项目的检测等级,且基于检测等级为基准指标设置目标参考值,同时,将目标参考值与基准指标进行关联绑定,得到各待检测项目最终对应的基准指标。
优选的,一种基于图像分析的轨道状态检测系统,属性分析单元,包括:
类型获取子单元,用于获取得到的各待检测项目的项目类型,并基于项目类型确定各待检测项目的项目标识,同时,基于对历史轨道运行图像的调取要求确定待调取历史轨道运行图像的时效性;
匹配子单元,用于将项目标识与预设历史图像库中各历史轨道运行图像集合进行第一匹配,并基于第一匹配结果确定目标历史轨道运行图像集合,同时,提取目标历史轨道运行图像集合中各历史轨道运行图像的时间戳,并将时效性与各历史轨道运行图像的时间戳进行第二匹配;
历史轨道运行图像获取子单元,用于基于第二匹配结果确定各待检测项目对应的待调取历史轨道运行图像,并基于预设筛选规则剔除待调取历史轨道运行图像中的无效图像,得到各待检测项目最终对应的历史轨道运行图像。
优选的,一种基于图像分析的轨道状态检测系统,模型构建模块,包括:
数据调用单元,用于调取得到的各待检测项目对应的基准指标以及历史轨道运行图像,并对历史轨道运行图像进行第一识别,确定各历史轨道运行图像中目标对象所处的关键图像区域以及背景图像区域;
训练单元,用于对关键图像区域中的目标对象进行第二识别,并基于第二识别结果根据目标对象的对象类型对关键图像区域进行标注,同时,将标注后的关键图像区域作为正样本以及将背景图像区域作为负样本,并基于正样本和负样本构建训练集;
模型构建单元,用于确定训练集中包含的目标对象满足基准指标的基准目标姿态,并将基准目标姿态与基准指标进行关联,同时,基于关联结果确定异常提醒条件,并根据预设迭代训练次数对关联结果以及异常提醒条件进行迭代训练,并基于迭代训练结果完成对图像分析模型的构建。
优选的,一种基于图像分析的轨道状态检测系统,模型构建单元,包括:
模型获取子单元,用于获取构建得到的图像分析模型以及预设校验图像,并将预设校验图像输入至图像分析模型进行分析,得到目标分析结果,其中,预设校验图像已知待检测对象的实际状态;
比较子单元,用于将目标分析结果与预设校验图像对应的实际状态进行比较,并当目标分析结果与实际状态一致时,则判定构建的图像分析模型合格,否则,判定构建的图像分析模型不合格;
模型优化子单元,用于当判定图像分析模型不合格时,确定目标分析结果与实际状态存在的目标误差,并确定图像分析模型中与目标误差对应的模型配置参数,且基于目标误差对模型配置参数进行调整,完成对图像分析模型的优化。
优选的,一种基于图像分析的轨道状态检测系统,图像处理模块,包括:
图像获取单元,用于获取采集到的轨道图像,并对轨道图像进行归一化处理,得到各轨道图像的全局归一化参数,同时,基于全局归一化参数确定各轨道图像的全局特征向量,并基于全局特征向量得到各轨道图像的全局图像特征;
图像处理单元,用于基于全局图像特征将轨道图像拆分为N个子图像区域,并对各子图像区域进行自适应归一化操作得到局部归一化参数,同时,基于局部归一化参数确定各子图像区域的局部特征向量,并基于局部特征向量确定各子图像区域的局部图像特征;
图像分类单元,还用于确定各局部图像特征在轨道图像中的分布信息,并基于分布信息确定局部图像特征与全局图像特征的关联特征,同时,基于全局图像特征、局部图像特征以及关联特征确定各轨道图像的目标图像特征,并将目标图像特征与各待检测项目对应的检测对象的标准图像特征进行匹配,且基于匹配结果将轨道图像进行分类。
优选的,一种基于图像分析的轨道状态检测系统,图像处理模块,包括:
分类结果获取单元,用于获取对轨道图像的分类结果,并基于分类结果分别对每一类别中轨道图像的像素点进行扫描,且基于扫描结果得到各像素点的像素点特征;
图像裁剪单元,用于基于像素点特征确定第一敏感区域图像和无关区域图像的目标分界线,并基于目标分界线将无关区域图像在轨道图像中进行第一裁剪,得到待裁剪敏感区域图像;
敏感区域提取单元,用于基于检测对象对应的框架提取条件确定待裁剪敏感区域图像中检测对象对应的多条框架直线,且对多条框架直线对应的交点进行锁定,得到框架关键点;
所述敏感区域提取单元,还用于基于检测对象与高清摄像头的物理距离确定检测对象在轨道图像中的成像尺寸,并基于成像尺寸确定待裁剪敏感区域图像中与框架关键点之间的距离小于预设阈值的框架点,且基于框架关键点以及框架点对待裁剪敏感区域图像进行第二裁剪,得到最终的敏感区域图像。
优选的,一种基于图像分析的轨道状态检测系统,轨道状态检测模块,包括:
图像输入单元,用于获取得到的敏感区域图像,并将敏感区域图像输入至图像分析模型,且基于图像分析模型提取敏感区域图像中待检测项目的项目类型;
状态检测单元,用于基于项目类型从图像分析模型中调取目标状态检测策略,并基于目标状态检测策略对敏感区域图像中待检测项目进行状态检测,得到待检测项目当前时刻的目标状态;
预警单元,用于将目标状态与待检测项目对应的标准状态进行比较,并当目标状态与标准状态不同时,判定待检测项目的标状态异常,同时,基于待检测项目的项目类型从预设预警方式库中匹配目标预警操作,并基于目标状态与标准状态的差异程度确定预警等级,且基于目标预警操作根据预警等级进行预警操作。
优选的,一种基于图像分析的轨道状态检测系统,预警单元,包括:
当待检测项目为接触网几何参数时:
状态获取子单元,用于获取分析得到的接触网的目标状态,并基于接触网的目标状态确定接触网的拉出值以及导高值;
补偿参数获取子单元,用于基于预设车底补偿装置实时获取列车当前的车体姿态参数,并基于车体姿态参数对接触网的拉出值以及导高值进行修正,得到修正拉出值以及修正导高值,其中,车体姿态参数包括:列车相对于左右轨道的偏移量、列车在轨道上的上下振动量以及列车运行过程中侧翻程度;
预警子单元,用于将修正拉出值以及修正导高值和基准拉出值以及基准导高值进行比较,并当修正拉出值以及修正导高值和基准拉出值以及基准导高值的误差值超出预设阈值时,则进行预警操作。
本发明提供了一种基于图像分析的轨道状态检测方法,包括:
模型构建模块,用于获取轨道中各待检测项目对应的基准指标以及历史轨道运行图像,并基于基准指标对历史轨道运行图像进行训练,构建图像分析模型;
图像处理模块,用于获取采集到的轨道图像,并基于图像特征对轨道图像进行分类,且基于分类结果提取每一类别中轨道图像对应的敏感区域图像;
轨道状态检测模块,用于将敏感区域图像输入至图像分析模型进行分析,确定轨道中各待检测项目当前时刻的目标状态,并当目标状态异常时,基于待检测项目的项目类型进行目标预警操作。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于图像分析的轨道状态检测系统的结构图;
图2为本发明实施例中一种基于图像分析的轨道状态检测系统中模型构建模块的结构图;
图3为本发明实施例中一种基于图像分析的轨道状态检测方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本实施例提供了一种基于图像分析的轨道状态检测系统,如图1所示,包括:
模型构建模块,用于获取轨道中各待检测项目对应的基准指标以及历史轨道运行图像,并基于基准指标对历史轨道运行图像进行训练,构建图像分析模型;
图像处理模块,用于获取采集到的轨道图像,并基于图像特征对轨道图像进行分类,且基于分类结果提取每一类别中轨道图像对应的敏感区域图像;
轨道状态检测模块,用于将敏感区域图像输入至图像分析模型进行分析,确定轨道中各待检测项目当前时刻的目标状态,并当目标状态异常时,基于待检测项目的项目类型进行目标预警操作。
该实施例中,各待检测项目指的是对轨道中包含的受电弓、接触线的拉出值以及导高值以及列车相对轨道发生的起伏或是偏移(接触网几何参数)等项目,且至少为一种。
该实施例中,基准指标指的是各待检测项目在正常运行时对应的标准,具体可以是接触线的拉出值以及导高值为某一取值,且该取值可保证列车在轨道上的正常行驶。
该实施例中,历史轨道运行图像是提前获取到的,是通过图像记录不同待检测项目对应的装置在某一时刻的位置或形态等,且不唯一。
该实施例中,基于基准指标对历史轨道运行图像进行训练指的是从过历史轨道运行图像确定异常状态的类型以及对各待检测项目的检测规则和评判标准等,最终实现对图像分析模型的构建。
该实施例中,轨道图像指的是通过工业高清相机采集到的受电弓以及接触线等装置对应的图像。
该实施例中,图像特征指的是每一轨道图像中记录的主体的类别等。
该实施例中,敏感区域图像指的是每一轨道图像中需要进行分析的图像区域,是轨道图像中的一部分,即主要记录待检测项目的图像区域,目的是为了减少图像分析模型的无效分析工作量。
该实施例中,目标状态指的是各待检测项目在当前时刻呈现的形态、姿势或是各器件之间的相对位置关系等。
该实施例中,目标状态异常指的是当待检测项目与基准指标不相符时,即为状态异常。
该实施例中,目标预警操作指的是根据待检测项目的项目类型进行的预警操作,每一待检测项目对应的预警方式不同,且待检测项目与预警方式一一对应。
上述技术方案的有益效果是:通过构建的图像分析模型对轨道中各待检测项目进行分析,实现对轨道中各待检测项目的实时状态进行有效把握,从而便于在发现轨道异常时及时进行相应的预警操作,在节省大量人力物力的同时保障了对轨道状态检测的准确率,也确保了轨道正常且安全的运行。
实施例2:
在实施例1的基础上,本实施例提供了一种基于图像分析的轨道状态检测系统,如图2所示,模型构建模块,包括:
数据获取单元,用于获取轨道运行时的运行流程,并基于运行流程确定轨道中包含的待检测项目,且提取各待检测项目的属性信息;
属性分析单元,用于基于属性信息确定各待检测项目的运行要求以及项目类型,并基于项目类型生成指标访问请求,且基于指标访问请求访问预设指标数据库,从预设指标数据库中提取项目类型对应的基准指标;
指标确定单元,用于基于运行要求确定对各待检测项目的检测要求,并基于检测要求确定对各待检测项目的检测等级,且基于检测等级为基准指标设置目标参考值,同时,将目标参考值与基准指标进行关联绑定,得到各待检测项目最终对应的基准指标。
该实施例中,运行流程指的是轨道运行时包含的运行步骤以及各步骤之间的先后顺序以及关联顺序等。
该实施例中,属性信息指的是待检测项目的项目类型以及各待检测项目在运行过程中需要达到的运行条件或与运行标准等。
该实施例中,运行要求指的是待检测项目在运行过程中需要达到的状态,例如接触线的拉出值和导高值为某一具体值。
该实施例中,指标访问请求是用于访问预设指标数据库,从预设指标数据库中提取相应的指标。
该实施例中,预设指标数据库是提前设定好的,用于存储不同待检测项目对应的基准指标。
该实施例中,检测要求是用于表征在对各待检测项目进行检测时的检测力度以及检测严格性等。
该实施例中,目标参考值指的是每一基准指标对应的具体取值,从而便于根据基准指标衡量各待检测项目是否出现异常。
上述技术方案的有益效果是:通过对轨道运行的运行流程进行分析,实现对待测项目进行准确有效的锁定,其次,待测项目的项目类型实现从预设指标数据库中访问相应的基准指标,并根据检测等级为各基准指标设置相应的目标参考值,从而确保最终得到的基准指标的可靠性以及严谨性,同时,也为确定各待检测项目的目标状态提供了便利与保障。
实施例3:
在实施例2的基础上,本实施例提供了一种基于图像分析的轨道状态检测系统,属性分析单元,包括:
类型获取子单元,用于获取得到的各待检测项目的项目类型,并基于项目类型确定各待检测项目的项目标识,同时,基于对历史轨道运行图像的调取要求确定待调取历史轨道运行图像的时效性;
匹配子单元,用于将项目标识与预设历史图像库中各历史轨道运行图像集合进行第一匹配,并基于第一匹配结果确定目标历史轨道运行图像集合,同时,提取目标历史轨道运行图像集合中各历史轨道运行图像的时间戳,并将时效性与各历史轨道运行图像的时间戳进行第二匹配;
历史轨道运行图像获取子单元,用于基于第二匹配结果确定各待检测项目对应的待调取历史轨道运行图像,并基于预设筛选规则剔除待调取历史轨道运行图像中的无效图像,得到各待检测项目最终对应的历史轨道运行图像。
该实施例中,项目标识是用于标记各待检测项目的项目类型所用的一种标记标签,通过项目标识可快速对待检测项目的项目类型进行确定。
该实施例中,时效性是用于表征需要调取的历史轨道运行图像距离当前时刻的时间长度,具体可以是一个月内或两个月内的历史轨道运行图像等。
该实施例中,预设历史图像库是提前设定好的,用于存储不同时期的历史轨道运行图像。
该实施例中,第一匹配指的是将项目标识与预设历史图像库中各历史轨道运行图像集合进行匹配,从而确定目标历史轨道运行图像集合,其中,目标历史轨道运行图像集合是预设历史图像库中与项目标识相匹配的图像集合,是预设历史图像库中的一种。
该实施例中,第二匹配指的是将目标历史轨道运行图像集合中各历史轨道运行图像的时间戳与要求的时效性进行匹配。
该实施例中,预设筛选规则是提前设定好的,用于剔除调取到的历史轨道运行数据中的无效图像,其中,无效图像可以是未拍摄到待检测项目的图像或是待检测项目不清楚的图像。
上述技术方案的有益效果是:通过根据待检测项目的项目类型以及需要的时效性,实现从预设历史图像库中调取相应的历史轨道运行图像,为构建图像分析模型提供了便利与保障,确保最终构建的图像分析模型的准确可靠性,也便于对各待检测项目的实时状态进行有效把握,确保轨道正常且安全的运行。
实施例4:
在实施例1的基础上,本实施例提供了一种基于图像分析的轨道状态检测系统,模型构建模块,包括:
数据调用单元,用于调取得到的各待检测项目对应的基准指标以及历史轨道运行图像,并对历史轨道运行图像进行第一识别,确定各历史轨道运行图像中目标对象所处的关键图像区域以及背景图像区域;
训练单元,用于对关键图像区域中的目标对象进行第二识别,并基于第二识别结果根据目标对象的对象类型对关键图像区域进行标注,同时,将标注后的关键图像区域作为正样本以及将背景图像区域作为负样本,并基于正样本和负样本构建训练集;
模型构建单元,用于确定训练集中包含的目标对象满足基准指标的基准目标姿态,并将基准目标姿态与基准指标进行关联,同时,基于关联结果确定异常提醒条件,并根据预设迭代训练次数对关联结果以及异常提醒条件进行迭代训练,并基于迭代训练结果完成对图像分析模型的构建。
该实施例中,第一识别指的是识别调取到的历史轨道运行图像中的关键图像区域以及背景图像区域,其中,关键图像区域可以是主要记录待检测项目的图像区域。
该实施例中,第二识别指的是识别关键图像区域中记录的检测对象的类型。
该实施例中,目标对象指的是需要进行检测的项目,具体可以是受电弓、接触网等
该实施例中,正样本指的是在构建图像分析模型时需要重点训练的图像,即对最终分析需求有用的图像。
该实施例中,负样本指的是干扰图像分析模型分析效果的图像,通过对负样本进行训练,目的是为了提高图像分析模型的分析准确率。
该实施例中,基准目标姿态指的是目标对象满足基准指标要求时对应的姿态,具体可以是受电弓与接触网之间的接触位置、接触网的拉出值以及导高值等。
该实施例中,异常提醒条件是根据基准目标姿态与基准指标进行确定的,当目标对象与基准目标姿态不一致时,则为异常提醒条件。
该实施例中,预设迭代训练次数是提前设定好的,用于限定对训练集的训练次数,从而确保最终得到的图像分析模型的可靠性。
上述技术方案的有益效果是:通过对调取到的历史轨道运行数据进行识别,从而实现对历史轨道运行图像中记录的各目标对象进行有效提取,最后,将目标对象与基准条件进行关联,并对关联结果进行迭代训练,实现对图像分析模型进行准确可靠的构建,为准确分析待检测项目的实时状态提供了便利与保障,确保对轨道状态检测的准确率。
实施例5:
在实施例4的基础上,本实施例提供了一种基于图像分析的轨道状态检测系统,模型构建单元,包括:
模型获取子单元,用于获取构建得到的图像分析模型以及预设校验图像,并将预设校验图像输入至图像分析模型进行分析,得到目标分析结果,其中,预设校验图像已知待检测对象的实际状态;
比较子单元,用于将目标分析结果与预设校验图像对应的实际状态进行比较,并当目标分析结果与实际状态一致时,则判定构建的图像分析模型合格,否则,判定构建的图像分析模型不合格;
模型优化子单元,用于当判定图像分析模型不合格时,确定目标分析结果与实际状态存在的目标误差,并确定图像分析模型中与目标误差对应的模型配置参数,且基于目标误差对模型配置参数进行调整,完成对图像分析模型的优化。
该实施例中,预设校验图像是提前获取到的,用于对构建的图像分析模型的分析效果进行校验。
该实施例中,目标分析结果是图像分析模型对预设校验图像进行分析后的得到的分析结果。
该实施例中,待检测对象指的是预设校验图像中包含的检测项目。
该实施例中,目标误差是用于表征目标分析结果与实际状态之间存在的区别。
该实施例中,模型配置参数指的是图像分析模型中造成目标分析结果与实际状态存在误差的模型参数,从而便于对该部分的模型参数进行调整。
该实施例中,将目标分析结果与预设校验图像对应的实际状态进行比较,包括;
获取预设校验图像的总数量以及图像分析模型对预设校验图像分析后得到的目标分析结果与实际状态不一致的目标数量,并基于预设校验图像的总数量以及目标分析结果与实际状态不一致的目标数量计算图像分析模型对预设校验图像的分析准确率,具体步骤包括:
根据如下公式计算图像分析模型对预设校验图像的分析准确率:
其中,η表示图像分析模型对预设校验图像的分析准确率,且取值范围为(0,1);K表示误差系数,且取值范围为(0.02,0.04);M表示预设校验图像的总数量;m表示图像分析模型对预设校验图像分析后得到的目标分析结果与实际状态不一致的目标数量,且取值小于M;p表示目标分析结果与实际状态不一致的目标数量中存在的误判数量,且取值小于m;表示可允许的误差率,且取值范围为(-0.02,0.02);
将计算得到的准确率与预设准确率进行比较;
若计算得到的准确率小于预设准确率,则判定构建的图像分析模型不合格,并基于计算得到的准确率与预设准确率的目标差值确定对当前图像分析模型的优化程度,且基于优化程度从预设优化策略库中匹配目标优化策略;
基于目标优化策略根据目标分析结果与实际状态存在的目标误差对图像分析模型的模型配置参数进行调整;
否则,判定构建的图像分析模型合格。
上述预设准确率是提前设定好的,用于限定图像分析模型需要达到的最低要求,是可以进行调整的。
上述预设优化策略库是提前设定好的,内部存储有不同优化程度对应的优化策略。
上述目标优化策略可以是适用于对当前图像分析模型进行优化的策略,是预设优化策略库中的一种。
上述技术方案的有益效果是:通过采用预设校验图像对构建的图像分析模型进行校验,从而便于及时有效的确定出图像分析模型中存在的缺陷,并根据目标分析结果与实际状态的目标误差对图像分析模型对应的配置参数进行调整,从而保障最终得到的图像分析模型的可靠性,确保对轨道状态检测的准确率。
实施例6:
在实施例1的基础上,本实施例提供了一种基于图像分析的轨道状态检测系统,图像处理模块,包括:
图像获取单元,用于获取采集到的轨道图像,并对轨道图像进行归一化处理,得到各轨道图像的全局归一化参数,同时,基于全局归一化参数确定各轨道图像的全局特征向量,并基于全局特征向量得到各轨道图像的全局图像特征;
图像处理单元,用于基于全局图像特征将轨道图像拆分为N个子图像区域,并对各子图像区域进行自适应归一化操作得到局部归一化参数,同时,基于局部归一化参数确定各子图像区域的局部特征向量,并基于局部特征向量确定各子图像区域的局部图像特征;
图像分类单元,还用于确定各局部图像特征在轨道图像中的分布信息,并基于分布信息确定局部图像特征与全局图像特征的关联特征,同时,基于全局图像特征、局部图像特征以及关联特征确定各轨道图像的目标图像特征,并将目标图像特征与各待检测项目对应的检测对象的标准图像特征进行匹配,且基于匹配结果将轨道图像进行分类。
该实施例中,归一化处理是将轨道图像中具有相同特征的像素点进行统一,从而便于确定轨道图像中的图像特征。
该实施例中,全局归一化参数指的是对轨道图像进行归一化处理后得到的轨道图像对应的图像参数,具体可以是轨道图像的像素值以及图像内容对应的具体参数等。
该实施例中,全局特征向量是根据全局归一化参数确定的,是用向量的形式将轨道图像中的图像内容等特征进行表示,从而便于对轨道图像进行分析,确定轨道图像的全局图像特征。
该实施例中,全局图像特征指的是轨道图像中各个图像区域对应的主体类型以及主体在轨道图像中呈现的姿态等。
该实施例中,子图像区域指的是将轨道图像进行拆分后,得到的图像块,是轨道图像中的一部分。
该实施例中,自适应归一化操作指的是对各个子图像区域进行图像参数归一化操作,目的是为了将子图像区域中具有相同图像特征的区域进行统一,从容便于确定各个子图像区域中存在的图像特征。
该实施例中,局部归一化参数指的是对各子图像区域进行归一化操作后,得到的该子图像区域对应的图像参数,包括图像中各像素点的取值以及色彩值等。
该实施例中,局部特征向量是根据各子图像区域的局部归一化参数确定的,目的是用向量的形式展示出各子图像区域具备的图像内容,从而便于确定各子图像区域的局部图像特征。
该实施例中,局部图像特征指的是各子图像区域记录的主体类型以及主体在子图像区域中的分布信息和呈现的目标姿态等。
该实施例中,分布信息是用于表征各子图像区域对应的局部图像特征在整个轨道图像中所在的位置。
该实施例中,关联特征是用于表征各局部图像特征之间以及各局部特征与整个轨道图像之间的关联关系,从而便于确定轨道图像最终的图像特征。
该实施例中,目标图像特征指的是轨道图像整体对应的图像特点,用于和标准图像特征进行匹配,实现对轨道图像的分类。
该实施例中,标准图像特征是用于表征各检测项目对应的图像特点,为实现对轨道图像进行分类提供参考依据。
上述技术方案的有益效果是:通过对采集到的轨道图像进行两次归一化处理,实现对轨道图像的全局图像特征和局部图像特征进行锁定,其次根据全局图像特征和局部图像特征对局部图像特征与全局图像特征的关联特征进行锁定,最后,根据全局图像特征、局部图像特征和关联特征实现对轨道图像最终的目标图像特征进行可靠分析,并将目标图像特征与检测对象对应的标准图像特征进行匹配,实现对轨道图像进行准确有效的分类,也便于图像分析模型根据规矩轨道图像的类型进行快速高效的分析响应,保障了对各待检测项目分析的准确率,从而便于在检测项目发生异常时,及时进行相应的预警操作,确保行车安全。
实施例7:
在实施例1的基础上,本实施例提供了一种基于图像分析的轨道状态检测系统,图像处理模块,包括:
分类结果获取单元,用于获取对轨道图像的分类结果,并基于分类结果分别对每一类别中轨道图像的像素点进行扫描,且基于扫描结果得到各像素点的像素点特征;
图像裁剪单元,用于基于像素点特征确定第一敏感区域图像和无关区域图像的目标分界线,并基于目标分界线将无关区域图像在轨道图像中进行第一裁剪,得到待裁剪敏感区域图像;
敏感区域提取单元,用于基于检测对象对应的框架提取条件确定待裁剪敏感区域图像中检测对象对应的多条框架直线,且对多条框架直线对应的交点进行锁定,得到框架关键点;
所述敏感区域提取单元,还用于基于检测对象与高清摄像头的物理距离确定检测对象在轨道图像中的成像尺寸,并基于成像尺寸确定待裁剪敏感区域图像中与框架关键点之间的距离小于预设阈值的框架点,且基于框架关键点以及框架点对待裁剪敏感区域图像进行第二裁剪,得到最终的敏感区域图像。
该实施例中,像素点特征指的是轨道图像中每一像素点对应的图像内容以及对应的色彩值等。
该实施例中,第一敏感区域图像指的是检测对象大致所在的图像范围。
该实施例中,无关区域图像指的是轨道图像中与检测对象无关,且不影响对检测对象的分析结果饿图像区域。
该实施例中,目标分界线是用于表征区分第一敏感区域图像和无关区域图像的边界,从而便于将无关区域图像从轨道图像中进行剔除。
该实施例中,第一裁剪指的是剔除轨道图像中的无关区域图像,即得到第一敏感区域图像。
该实施例中,待裁剪敏感区域图像指的是对轨道图像中的无关区域图像进行提出后,得到的还有少量干扰图像区域的图像,且该图像中记录有需要进行检测的检测对象。
该实施例中,框架提取条件是提前已知的,例如可以是根据受电弓的形状特征确定最终需要得到的敏感区域图像的形状。
该实施例中,框架直线是用于表征检测对象中不同位置对应的长度以及宽度等参数。
该实施例中,框架关键点指的是检测对象横向和纵向的交点,从而便于对检测对象在待裁剪敏感区域图像中的具体图像区域进行锁定。
该实施例中,成像尺寸是用于表征检测对象在轨道图像中能够展现的规格大小。
该实施例中,框架点可以是位于框架直线上的点,即除交点以外的其他点。
该实施例中,第二裁剪指的是对待裁剪敏感区域图像中的干扰图像区域进行采集,得到最终需要的敏感区域图像。
上述技术方案的有益效果是:通过对每一类中的轨道图像进行像素点扫描,实现对轨道图像中的像素点特征进行准确有效的获取,从而便于根据像素点特征对轨道图像进行二次采集,确保了最终得到的敏感区域的准确可靠行,提高了图像分析模型对轨道图像分析的效率,也便于排除干扰因素,确保对轨道中各检测项目当前状态分析的准确率。
实施例8:
在实施例1的基础上,本实施例提供了一种基于图像分析的轨道状态检测系统,轨道状态检测模块,包括:
图像输入单元,用于获取得到的敏感区域图像,并将敏感区域图像输入至图像分析模型,且基于图像分析模型提取敏感区域图像中待检测项目的项目类型;
状态检测单元,用于基于项目类型从图像分析模型中调取目标状态检测策略,并基于目标状态检测策略对敏感区域图像中待检测项目进行状态检测,得到待检测项目当前时刻的目标状态;
预警单元,用于将目标状态与待检测项目对应的标准状态进行比较,并当目标状态与标准状态不同时,判定待检测项目的标状态异常,同时,基于待检测项目的项目类型从预设预警方式库中匹配目标预警操作,并基于目标状态与标准状态的差异程度确定预警等级,且基于目标预警操作根据预警等级进行预警操作。
该实施例中,目标状态检测策略指的是适用于对当前项目类型进行状态检测的检测策略,是图像分析模型中的一种。
该实施例中,标准状态指的是待检测项目正常运行时呈现的状态,即安全状态。
该实施例中,预设预警方式库是提前设定好的,用于存储不同类型的预警方式,目的是便于管理终端根据预警类型及时确定相应的异常项目。
该实施例中,目标预警操作指的是适用于对当前待检测项目进行预警的方式,是预设预警方式库中的一种。
上述技术方案的有益效果是:通过确定待检测项目的项目类型,实现调取图像分析模型中相应的目标状态检测策略对待检测项目进行检测,最后,将得到的分析结果与标准状态进行比较,从而便于对存在异常的检测项目进行快速准确的确定,并进项相应的预警操作,节省了大量的人力物力,也确保了对轨道中各检测项目的实时状态进行把握的准确率,提高了列车的运行安全。
实施例9:
在实施例8的基础上,本实施例提供了一种基于图像分析的轨道状态检测系统,预警单元,包括:
当待检测项目为接触网几何参数时:
状态获取子单元,用于获取分析得到的接触网的目标状态,并基于接触网的目标状态确定接触网的拉出值以及导高值;
补偿参数获取子单元,用于基于预设车底补偿装置实时获取列车当前的车体姿态参数,并基于车体姿态参数对接触网的拉出值以及导高值进行修正,得到修正拉出值以及修正导高值,其中,车体姿态参数包括:列车相对于左右轨道的偏移量、列车在轨道上的上下振动量以及列车运行过程中侧翻程度;
预警子单元,用于将修正拉出值以及修正导高值和基准拉出值以及基准导高值进行比较,并当修正拉出值以及修正导高值和基准拉出值以及基准导高值的误差值超出预设阈值时,则进行预警操作。
该实施例中,接触网几何参数指的是接触网的拉出值以及导高值,其中,接触网指的是在电气化铁道中,沿钢轨上空“之”字形架设的,供受电弓取流的高压输电线。
该实施例中,拉出值指的是接触线直接与电力机车受电弓接触且发生摩擦,为了保证受电弓和接触线可靠接触、不脱线和保证受电弓磨耗均匀,要求接触线在线路上按技术要求固定位置,即在定位点处保证接触线与电力机车受电弓滑板中心有一定偏移量,称为拉出值。
该实施例中,导高值指的是接触网距离铁轨平面的高度。
该实施例中,预设车底补偿装置是提前设定好的,包括由安装支架和左右补偿模块组成,用来检测列车在运行中由于振动、偏移、翻转以及蛇形偏转等因素导致列车位移而产生的误差。
该实施例中,车体姿态参数指的是列车相对于左右轨道的偏移量、列车在轨道上的上下振动量以及列车运行过程中侧翻程度等。
该实施例中,修正拉出值以及修正导高值指的是通过列车当前的车体姿态参数对得到的接触网的拉出值以及导高值进行补偿后得到的数值,其中,基于车体姿态参数对接触网的拉出值以及导高值进行修正具体包括:
当车体发生上下振动时,导高值随车体振动发生变化,拉出值不变。测量的导高值H,随着车体向上运动时增加,向下运动时导高值H减小,即可得出导高的偏移量△H,将△H补偿到车顶测量值中,即可得出实际的导高值,当车体发生左右偏移时,导高值不变,拉出值随车体摆动发生变化,通过计算测量出列车相对左轨道的偏移量L1和列车相对有轨道的偏移量L2,即可得出拉出值的偏移量△L,△L补偿到车顶测量值中,即可得出实际的拉出值。
当车体发生翻转时,拉出值和导高值随车体翻转发生变化,拉出值和导高同时变化,通过计算测量出的得出拉出值的偏移量△L和导高值偏移量△H,将△L和△H补偿到车顶测量值中,即可得出实际的拉出值和导高值。
该实施例中,基准拉出值以及基准导高值指的是列车在轨道上允许的拉出值以及导高值,是提前已知的。
该实施例中,预设阈值是提前设定好的,用于表征运行修正拉出值以及修正导高值和基准拉出值以及基准导高值的最大误差,是可以进行调整的。
上述技术方案的有益效果是:当待检测项目为接触网几何参数时,通过分析得到的目标状态对接触网的拉出值以及导高值进行准确有效的确定,其次,通过预设车底补偿装置采集到的列车当前的车体姿态参数对当前的拉出值以及导高值进行修正,最后将修正拉出值以及修正导高值和基准拉出值以及基准导高值进行比较,实现当误差超出预设阈值时,进行相应的预警操作,保障了预警的准确率,也便于管理终端根据预警及时进行相应的应急操作,确保列车安全可靠的运行。
实施例10:
本实施例提供了一种基于图像分析的轨道状态检测方法,如图3所示,包括:
模型构建模块,用于获取轨道中各待检测项目对应的基准指标以及历史轨道运行图像,并基于基准指标对历史轨道运行图像进行训练,构建图像分析模型;
图像处理模块,用于获取采集到的轨道图像,并基于图像特征对轨道图像进行分类,且基于分类结果提取每一类别中轨道图像对应的敏感区域图像;
轨道状态检测模块,用于将敏感区域图像输入至图像分析模型进行分析,确定轨道中各待检测项目当前时刻的目标状态,并当目标状态异常时,基于待检测项目的项目类型进行目标预警操作。
上述技术方案的有益效果是:通过构建的图像分析模型对轨道中各待检测项目进行分析,实现对轨道中各待检测项目的实时状态进行有效把握,从而便于在发现轨道异常时及时进行相应的预警操作,在节省大量人力物理的同时保障了对轨道状态检测的准确率,也确保了轨道正常且安全的运行。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于图像分析的轨道状态检测系统,其特征在于,包括:
模型构建模块,用于获取轨道中各待检测项目对应的基准指标以及历史轨道运行图像,并基于基准指标对历史轨道运行图像进行训练,构建图像分析模型;
图像处理模块,用于获取采集到的轨道图像,并基于图像特征对轨道图像进行分类,且基于分类结果提取每一类别中轨道图像对应的敏感区域图像;
轨道状态检测模块,用于将敏感区域图像输入至图像分析模型进行分析,确定轨道中各待检测项目当前时刻的目标状态,并当目标状态异常时,基于待检测项目的项目类型进行目标预警操作;
图像处理模块,包括:
图像获取单元,用于获取采集到的轨道图像,并对轨道图像进行归一化处理,得到各轨道图像的全局归一化参数,同时,基于全局归一化参数确定各轨道图像的全局特征向量,并基于全局特征向量得到各轨道图像的全局图像特征;
图像处理单元,用于基于全局图像特征将轨道图像拆分为N个子图像区域,并对各子图像区域进行自适应归一化操作得到局部归一化参数,同时,基于局部归一化参数确定各子图像区域的局部特征向量,并基于局部特征向量确定各子图像区域的局部图像特征;
图像分类单元,还用于确定各局部图像特征在轨道图像中的分布信息,并基于分布信息确定局部图像特征与全局图像特征的关联特征,同时,基于全局图像特征、局部图像特征以及关联特征确定各轨道图像的目标图像特征,并将目标图像特征与各待检测项目对应的检测对象的标准图像特征进行匹配,且基于匹配结果将轨道图像进行分类;
分类结果获取单元,用于获取对轨道图像的分类结果,并基于分类结果分别对每一类别中轨道图像的像素点进行扫描,且基于扫描结果得到各像素点的像素点特征;
图像裁剪单元,用于基于像素点特征确定第一敏感区域图像和无关区域图像的目标分界线,并基于目标分界线将无关区域图像在轨道图像中进行第一裁剪,得到待裁剪敏感区域图像;
敏感区域提取单元,用于基于检测对象对应的框架提取条件确定待裁剪敏感区域图像中检测对象对应的多条框架直线,且对多条框架直线对应的交点进行锁定,得到框架关键点;
所述敏感区域提取单元,还用于基于检测对象与高清摄像头的物理距离确定检测对象在轨道图像中的成像尺寸,并基于成像尺寸确定待裁剪敏感区域图像中与框架关键点之间的距离小于预设阈值的框架点,且基于框架关键点以及框架点对待裁剪敏感区域图像进行第二裁剪,得到最终的敏感区域图像。
2.根据权利要求1所述的一种基于图像分析的轨道状态检测系统,其特征在于,模型构建模块,包括:
数据获取单元,用于获取轨道运行时的运行流程,并基于运行流程确定轨道中包含的待检测项目,且提取各待检测项目的属性信息;
属性分析单元,用于基于属性信息确定各待检测项目的运行要求以及项目类型,并基于项目类型生成指标访问请求,且基于指标访问请求访问预设指标数据库,从预设指标数据库中提取项目类型对应的基准指标;
指标确定单元,用于基于运行要求确定对各待检测项目的检测要求,并基于检测要求确定对各待检测项目的检测等级,且基于检测等级为基准指标设置目标参考值,同时,将目标参考值与基准指标进行关联绑定,得到各待检测项目最终对应的基准指标。
3.根据权利要求2所述的一种基于图像分析的轨道状态检测系统,其特征在于,属性分析单元,包括:
类型获取子单元,用于获取得到的各待检测项目的项目类型,并基于项目类型确定各待检测项目的项目标识,同时,基于对历史轨道运行图像的调取要求确定待调取历史轨道运行图像的时效性;
匹配子单元,用于将项目标识与预设历史图像库中各历史轨道运行图像集合进行第一匹配,并基于第一匹配结果确定目标历史轨道运行图像集合,同时,提取目标历史轨道运行图像集合中各历史轨道运行图像的时间戳,并将时效性与各历史轨道运行图像的时间戳进行第二匹配;
历史轨道运行图像获取子单元,用于基于第二匹配结果确定各待检测项目对应的待调取历史轨道运行图像,并基于预设筛选规则剔除待调取历史轨道运行图像中的无效图像,得到各待检测项目最终对应的历史轨道运行图像。
4.根据权利要求1所述的一种基于图像分析的轨道状态检测系统,其特征在于,模型构建模块,包括:
数据调用单元,用于调取得到的各待检测项目对应的基准指标以及历史轨道运行图像,并对历史轨道运行图像进行第一识别,确定各历史轨道运行图像中目标对象所处的关键图像区域以及背景图像区域;
训练单元,用于对关键图像区域中的目标对象进行第二识别,并基于第二识别结果根据目标对象的对象类型对关键图像区域进行标注,同时,将标注后的关键图像区域作为正样本以及将背景图像区域作为负样本,并基于正样本和负样本构建训练集;
模型构建单元,用于确定训练集中包含的目标对象满足基准指标的基准目标姿态,并将基准目标姿态与基准指标进行关联,同时,基于关联结果确定异常提醒条件,并根据预设迭代训练次数对关联结果以及异常提醒条件进行迭代训练,并基于迭代训练结果完成对图像分析模型的构建。
5.根据权利要求4所述的一种基于图像分析的轨道状态检测系统,其特征在于,模型构建单元,包括:
模型获取子单元,用于获取构建得到的图像分析模型以及预设校验图像,并将预设校验图像输入至图像分析模型进行分析,得到目标分析结果,其中,预设校验图像已知待检测对象的实际状态;
比较子单元,用于将目标分析结果与预设校验图像对应的实际状态进行比较,并当目标分析结果与实际状态一致时,则判定构建的图像分析模型合格,否则,判定构建的图像分析模型不合格;
模型优化子单元,用于当判定图像分析模型不合格时,确定目标分析结果与实际状态存在的目标误差,并确定图像分析模型中与目标误差对应的模型配置参数,且基于目标误差对模型配置参数进行调整,完成对图像分析模型的优化。
6.根据权利要求1所述的一种基于图像分析的轨道状态检测系统,其特征在于,轨道状态检测模块,包括:
图像输入单元,用于获取得到的敏感区域图像,并将敏感区域图像输入至图像分析模型,且基于图像分析模型提取敏感区域图像中待检测项目的项目类型;
状态检测单元,用于基于项目类型从图像分析模型中调取目标状态检测策略,并基于目标状态检测策略对敏感区域图像中待检测项目进行状态检测,得到待检测项目当前时刻的目标状态;
预警单元,用于将目标状态与待检测项目对应的标准状态进行比较,并当目标状态与标准状态不同时,判定待检测项目的目标状态异常,同时,基于待检测项目的项目类型从预设预警方式库中匹配目标预警操作,并基于目标状态与标准状态的差异程度确定预警等级,且基于目标预警操作根据预警等级进行预警操作。
7.根据权利要求6所述的一种基于图像分析的轨道状态检测系统,其特征在于,预警单元,包括:
当待检测项目为接触网几何参数时:
状态获取子单元,用于获取分析得到的接触网的目标状态,并基于接触网的目标状态确定接触网的拉出值以及导高值;
补偿参数获取子单元,用于基于预设车底补偿装置实时获取列车当前的车体姿态参数,并基于车体姿态参数对接触网的拉出值以及导高值进行修正,得到修正拉出值以及修正导高值,其中,车体姿态参数包括:列车相对于左右轨道的偏移量、列车在轨道上的上下振动量以及列车运行过程中侧翻程度;
预警子单元,用于将修正拉出值以及修正导高值和基准拉出值以及基准导高值进行比较,并当修正拉出值以及修正导高值和基准拉出值以及基准导高值的误差值超出预设阈值时,则进行预警操作。
8.一种基于图像分析的轨道状态检测方法,其特征在于,包括:
模型构建模块,用于获取轨道中各待检测项目对应的基准指标以及历史轨道运行图像,并基于基准指标对历史轨道运行图像进行训练,构建图像分析模型;
图像处理模块,用于获取采集到的轨道图像,并基于图像特征对轨道图像进行分类,且基于分类结果提取每一类别中轨道图像对应的敏感区域图像;
轨道状态检测模块,用于将敏感区域图像输入至图像分析模型进行分析,确定轨道中各待检测项目当前时刻的目标状态,并当目标状态异常时,基于待检测项目的项目类型进行目标预警操作;
图像处理模块,包括:
图像获取单元,用于获取采集到的轨道图像,并对轨道图像进行归一化处理,得到各轨道图像的全局归一化参数,同时,基于全局归一化参数确定各轨道图像的全局特征向量,并基于全局特征向量得到各轨道图像的全局图像特征;
图像处理单元,用于基于全局图像特征将轨道图像拆分为N个子图像区域,并对各子图像区域进行自适应归一化操作得到局部归一化参数,同时,基于局部归一化参数确定各子图像区域的局部特征向量,并基于局部特征向量确定各子图像区域的局部图像特征;
图像分类单元,还用于确定各局部图像特征在轨道图像中的分布信息,并基于分布信息确定局部图像特征与全局图像特征的关联特征,同时,基于全局图像特征、局部图像特征以及关联特征确定各轨道图像的目标图像特征,并将目标图像特征与各待检测项目对应的检测对象的标准图像特征进行匹配,且基于匹配结果将轨道图像进行分类;
分类结果获取单元,用于获取对轨道图像的分类结果,并基于分类结果分别对每一类别中轨道图像的像素点进行扫描,且基于扫描结果得到各像素点的像素点特征;
图像裁剪单元,用于基于像素点特征确定第一敏感区域图像和无关区域图像的目标分界线,并基于目标分界线将无关区域图像在轨道图像中进行第一裁剪,得到待裁剪敏感区域图像;
敏感区域提取单元,用于基于检测对象对应的框架提取条件确定待裁剪敏感区域图像中检测对象对应的多条框架直线,且对多条框架直线对应的交点进行锁定,得到框架关键点;
所述敏感区域提取单元,还用于基于检测对象与高清摄像头的物理距离确定检测对象在轨道图像中的成像尺寸,并基于成像尺寸确定待裁剪敏感区域图像中与框架关键点之间的距离小于预设阈值的框架点,且基于框架关键点以及框架点对待裁剪敏感区域图像进行第二裁剪,得到最终的敏感区域图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310271901.3A CN116331289B (zh) | 2023-03-16 | 2023-03-16 | 一种基于图像分析的轨道状态检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310271901.3A CN116331289B (zh) | 2023-03-16 | 2023-03-16 | 一种基于图像分析的轨道状态检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116331289A CN116331289A (zh) | 2023-06-27 |
CN116331289B true CN116331289B (zh) | 2023-10-17 |
Family
ID=86894326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310271901.3A Active CN116331289B (zh) | 2023-03-16 | 2023-03-16 | 一种基于图像分析的轨道状态检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116331289B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045256A (zh) * | 2015-07-08 | 2015-11-11 | 北京泰乐德信息技术有限公司 | 基于数据对比分析的轨道交通实时故障诊断方法和系统 |
CN109186469A (zh) * | 2018-10-18 | 2019-01-11 | 北京华开领航科技有限责任公司 | 弓网动态监测系统 |
CN111561967A (zh) * | 2020-05-25 | 2020-08-21 | 山东万腾智能科技有限公司 | 弓网运行状态实时在线检测方法及系统 |
CN112985263A (zh) * | 2021-02-09 | 2021-06-18 | 中国科学院上海微系统与信息技术研究所 | 一种弓网几何参数检测方法、装置及设备 |
CN114549440A (zh) * | 2022-02-11 | 2022-05-27 | 广州科易光电技术有限公司 | 接触网动态几何参数检测方法、装置及电子设备 |
-
2023
- 2023-03-16 CN CN202310271901.3A patent/CN116331289B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045256A (zh) * | 2015-07-08 | 2015-11-11 | 北京泰乐德信息技术有限公司 | 基于数据对比分析的轨道交通实时故障诊断方法和系统 |
CN109186469A (zh) * | 2018-10-18 | 2019-01-11 | 北京华开领航科技有限责任公司 | 弓网动态监测系统 |
CN111561967A (zh) * | 2020-05-25 | 2020-08-21 | 山东万腾智能科技有限公司 | 弓网运行状态实时在线检测方法及系统 |
CN112985263A (zh) * | 2021-02-09 | 2021-06-18 | 中国科学院上海微系统与信息技术研究所 | 一种弓网几何参数检测方法、装置及设备 |
CN114549440A (zh) * | 2022-02-11 | 2022-05-27 | 广州科易光电技术有限公司 | 接触网动态几何参数检测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116331289A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310645B (zh) | 货物堆积量的溢仓预警方法、装置、设备及存储介质 | |
CN110728650B (zh) | 一种基于智能终端的井盖凹陷检测方法及相关设备 | |
CN107743577B (zh) | 用于检测电动铁道车辆的振动信息的方法和装置 | |
CN111507147A (zh) | 智能巡检方法、装置、计算机设备和存储介质 | |
CN114758322B (zh) | 基于机器识别的道路质量检测系统 | |
CN113781537B (zh) | 一种轨道弹条扣件缺陷识别方法、装置和计算机设备 | |
CN115600124A (zh) | 地铁隧道巡检系统及巡检方法 | |
CN112990293A (zh) | 一种点云标注方法、装置和电子设备 | |
CN113771573A (zh) | 一种基于识别路面信息的车辆悬架控制方法及装置 | |
CN114119741A (zh) | 一种基于机器视觉的岸桥控制方法和装置 | |
CN116109986A (zh) | 一种基于激光雷达和视频技术互补的车辆轨迹提取方法 | |
CN109344829B (zh) | 一种高速铁路列车的车号识别方法及装置 | |
CN117557570B (zh) | 一种轨道车辆异常检测方法及系统 | |
CN116331289B (zh) | 一种基于图像分析的轨道状态检测系统及方法 | |
CN117314921B (zh) | 一种基于rfid的轨道巡检设备的起点检测及处置方法 | |
CN116863711B (zh) | 基于公路监控的车道流量检测方法、装置、设备及介质 | |
CN117006953A (zh) | 一种车辆超载检测预警方法及系统 | |
CN116631187A (zh) | 一种案件现场勘查信息智能采集分析系统 | |
CN115410105A (zh) | 集装箱标记识别方法、装置、计算机设备和存储介质 | |
CN114119742A (zh) | 一种基于机器视觉的集卡定位方法和装置 | |
CN111610205A (zh) | 一种金属零部件x光图像缺陷检测装置 | |
CN112990117A (zh) | 基于智能驾驶系统的安装数据处理方法及装置 | |
CN117985489B (zh) | 基于图像识别的车厢溜车检测装置及方法 | |
CN113643374A (zh) | 基于道路特征的多目相机标定方法、装置、设备和介质 | |
CN117451849B (zh) | 在役车轴智能超声探伤装置 |
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 |