CN116539723A - 一种铁路轨道伤损检测方法及系统 - Google Patents

一种铁路轨道伤损检测方法及系统 Download PDF

Info

Publication number
CN116539723A
CN116539723A CN202310530637.0A CN202310530637A CN116539723A CN 116539723 A CN116539723 A CN 116539723A CN 202310530637 A CN202310530637 A CN 202310530637A CN 116539723 A CN116539723 A CN 116539723A
Authority
CN
China
Prior art keywords
railway
damage
railway track
detection result
track
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
CN202310530637.0A
Other languages
English (en)
Inventor
侯恩广
岳肖宇
施天成
王震
朱静淑
唐佳瑞
朱茜芸
王知学
乔昕
刘广敏
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.)
Shandong Jiaotong University
Original Assignee
Shandong Jiaotong University
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 Shandong Jiaotong University filed Critical Shandong Jiaotong University
Priority to CN202310530637.0A priority Critical patent/CN116539723A/zh
Publication of CN116539723A publication Critical patent/CN116539723A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • B61K9/10—Measuring installations for surveying permanent way for detecting cracks in rails or welds thereof
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids
    • G01N2291/0234—Metals, e.g. steel
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/26—Scanned objects
    • G01N2291/262—Linear objects
    • G01N2291/2623—Rails; Railroads
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明属于铁路轨道伤损检测技术领域，提供了一种铁路轨道伤损检测方法及系统，首先依据所述超声波信息，利用预设的神经网络模型得到铁路轨头伤损检测结果，利用神经网络将误差缩小，避免了传统超声波检测方法过程中存在的幅值大小还原效果差的问题；依据所述轨面图像信息，利用预设的机器视觉算法得到铁路轨面损检测结果；然后基于模糊模型，对铁路轨头伤损检测结果和铁路轨面损检测结果进行伤损评价，得到铁路轨道伤的最终损检测结果，解决了铁轨表面金属层对检测结果的干扰，提高了铁路轨道伤损评价的准确性。

Description

一种铁路轨道伤损检测方法及系统
技术领域
本发明属于铁路轨道伤损检测技术领域，尤其涉及一种铁路轨道伤损检测方法及系统。
背景技术
随着铁路交通运输的发展，对铁路线路质量的要求也越来越高，因此，在铁路线路上使用的各种检测设备也越来越多，而铁轨探伤技术作为检测铁轨质量的重要手段得到了广泛的应用。目前，铁路线路上使用的各种探伤设备主要包括超声波探伤仪、涡流探伤仪、磁粉探伤仪、微波探伤仪以及激光探伤仪等；它们的检测结果与被测对象是否存在缺陷有着很大关系。
发明人发现，超声波探伤法是比较传统的方法，这种方法在铁路上被广泛使用，并且取得了不错的效果，但是超声波探伤法有一个缺点，就是受外界环境的影响比较大；由于铁轨表面具有较厚的金属层，因此会对超声波探伤法产生很大程度的干扰，导致超声波探伤法在铁路上应用时存在一些局限性；利用超声波进行铁轨探伤的原理是利用探伤仪向铁轨发出超声波，在没有缺陷或者阻碍的时候超声波不会返回，只有碰到一些缺陷时就会形成缺陷回波，此方法就是对回波进行研究分析，将回波转换为电信号，对电信号进行幅值检测，通过幅值大小变化来判断缺陷的具体位置，但是，传统的超声波探伤方法对幅值大小的还原效果较差，会影响检测结果准确性。
发明内容
本发明为了解决上述问题，提出了一种铁路轨道伤损检测方法及系统，本发明基于神经网络，采用超声波检测轨头伤损，避免了传统超声波检测方法过程中存在的幅值大小还原效果差的问题；采用机器视觉，通过轨面图像，检测轨面伤损，然后利用模糊模型进行伤损评价，解决了铁轨表面金属层对检测结果的干扰，提高了铁路轨道伤损评价的准确性。
为了实现上述目的，本发明是通过如下的技术方案来实现：
第一方面，本发明提供了一种铁路轨道伤损检测方法，包括：
获取铁路轨道的超声波信息和轨面图像信息；
依据所述超声波信息，利用预设的神经网络模型得到铁路轨头伤损检测结果；依据所述轨面图像信息，利用预设的机器视觉算法得到铁路轨面损检测结果；
基于模糊模型，对所述铁路轨头伤损检测结果和所述铁路轨面损检测结果进行伤损评价，得到铁路轨道伤的最终损检测结果。
进一步的，所述神经网络模型为Elman神经网络模型，包括输入层、隐含层、输出层和承接层；所述输入层的单元用于传输信号，所述输出层的单元具有线性加权功能，所述隐含层的传递函数采用线性函数，所述承接层用于记忆所述隐含层的前一个时间步长输出。
进一步的，获取轨面图像信息后，进行预处理、伤痕检测和伤痕定位。
进一步的，预处理包括铁轨区域定位、图像去噪和表面区域提取；伤痕检测包括灰度补偿、低帽运算、灰度增强和阈值分割；伤痕定位包括首先对轨面图像信息进行开操作，然后使用基于数学形态学的区域填充算法进行孔洞填充，接着，基于伤痕像素的连接性和伤痕检测的精度，滤除区域面积小于设定阈值的细小区域，得到仅包含主要真实伤痕信息的图像；最后，对处理后的图像进行标记，得到标记矩阵，并利用该标记矩阵，将各个缺陷区域提取出来，进行缺陷特征的提取。
进一步的，基于BP神经网络对铁路轨面上的伤痕进行分类，以矩形度和圆形度作为分类器的输入量。
进一步的，依据所述超声波信息，利用预设的神经网络模型得到铁路轨头伤损超声波检测值，并计算铁路轨头伤损超声波检测值的隶属度；依据所述轨面图像信息，利用预设的机器视觉算法得到铁路轨面图像检测值，经计算铁路轨面图像检测值的隶属度；
依据铁路轨头伤损超声波检测值的隶属度和铁路轨面图像检测值的隶属度，利用模糊模型对铁路轨道伤损进行评价。
进一步的，铁路轨道伤损的评价为：
式中，n是模糊规则的数量；yi由第i条规则的结论方程；μi代表对应此广义输入向量的第i条规则的隶属度；为铁路轨道伤损的评价。
第二方面，本发明还提供了一种铁路轨道伤损检测系统，包括：
数据采集模块，被配置为：获取铁路轨道的超声波信息和轨面图像信息；
计算模块，被配置为：依据所述超声波信息，利用预设的神经网络模型得到铁路轨头伤损检测结果；依据所述轨面图像信息，利用预设的机器视觉算法得到铁路轨面损检测结果；
检测模块，被配置为：基于模糊模型，对所述铁路轨头伤损检测结果和所述铁路轨面损检测结果进行伤损评价，得到铁路轨道伤的最终损检测结果。
第三方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了第一方面所述的铁路轨道伤损检测方法的步骤。
第四方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了第一方面所述的铁路轨道伤损检测方法的步骤。
与现有技术相比，本发明的有益效果为：
本发明中首先依据所述超声波信息，利用预设的神经网络模型得到铁路轨头伤损检测结果，利用神经网络将误差缩小，避免了传统超声波检测方法过程中存在的幅值大小还原效果差的问题；依据所述轨面图像信息，利用预设的机器视觉算法得到铁路轨面损检测结果；然后基于模糊模型，对铁路轨头伤损检测结果和铁路轨面损检测结果进行伤损评价，得到铁路轨道伤的最终损检测结果，解决了铁轨表面金属层对检测结果的干扰，提高了铁路轨道伤损评价的准确性。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
图1为本发明实施例1的铁路轨道切面示意图；
图2为本发明实施例1的超声波铁轨探伤部分原理示意图；
图3为本发明实施例1的Elman神经网络结构；
图4为本发明实施例1的Elman神经网络算法流程图；
图5为本发明实施例1的基于机器视觉的铁路轨面检测具体流程；
图6为本发明实施例1的机器视觉算法流程图；
图7为本发明实施例1的BP神经网络结构图；
图8为本发明实施例1的BP神经网络算法流程图；
图9为本发明实施例1的基于T-S模糊模型的伤损评价。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1：
如图1所示，铁路轨道的伤损主要有以下形式：轨头剥离，主要发生在轨头内侧圆角处；轨头损伤，对行车威胁最大的一种伤损，在列车载荷反复作用下，内部细小裂纹迅速扩展成损伤，导致铁轨发生猝断；轨腰的缺陷或破损；轨底的缺陷或破损。
针对传统超声波探伤等方法进行检测时存在的检测结果准确性较差的问题，本实施提供了一种铁路轨道伤损检测方法，包括：
获取铁路轨道的超声波信息和轨面图像信息；
依据所述超声波信息，利用预设的神经网络模型得到铁路轨头伤损检测结果；依据所述轨面图像信息，利用预设的机器视觉算法得到铁路轨面损检测结果；
基于模糊模型，对所述铁路轨头伤损检测结果和所述铁路轨面损检测结果进行伤损评价，得到铁路轨道伤的最终损检测结果。
可选的，首先，基于Elman神经网络检测铁路轨头的伤损，其次，基于机器视觉检测铁路轨面的伤损，为了提高铁路轨道伤损评价的准确性，提出了基于T-S模糊模型的伤损评价。本实施例采用超声波和机器视觉相结合的方式，基于Elman神经网络，采用超声波检测轨头伤损；采用基于机器视觉，通过轨面图像技术，检测轨面伤损。具体的，首先依据所述超声波信息，利用预设的神经网络模型得到铁路轨头伤损检测结果，利用神经网络将误差缩小，避免了传统超声波检测方法过程中存在的幅值大小还原效果差的问题；依据所述轨面图像信息，利用预设的机器视觉算法得到铁路轨面损检测结果；然后基于模糊模型，对铁路轨头伤损检测结果和铁路轨面损检测结果进行伤损评价，得到铁路轨道伤的最终损检测结果，解决了铁轨表面金属层对检测结果的干扰，提高了铁路轨道伤损评价的准确性。本实施例中智能优化的铁路轨道伤损检测方法包括：
S1、基于Elman神经网络的铁路伤损检测：
利用超声波进行铁轨探伤的原理是利用探伤仪向铁轨发出超声波，在没有缺陷或者阻碍的时候超声波不会返回，只有碰到一些缺陷时就会形成缺陷回波；此方法就是对该回波进行研究分析，将回波转换为电信号，对该电信号进行幅值检测；通过幅值大小变化来判断缺陷的具体位置；但是，传统的方法对幅值大小的还原效果较差，利用基于Elman神经网络的多次训练将误差缩小，最大程度上对回波信号的幅值进行还原，能够大大减小误差，从而增加铁路安全的安全系数。
如图2所示，为利用超声波进行铁轨探伤的部分原理示意图：超声波探测仪发出超声波遇到伤损时返回的回波，通过一系列转化为数字化信号后经过Elman神经网络算法的计算，得到可靠的损伤数据，通过判断铁路轨道损伤的程度。
如图3所示，本实施中的Elman神经网络包括输入层、隐含层和输出层，比BP神经网络的隐含层多一个承接层，承接层作为隐含层各神经元之间的反馈连接。
Elman神经网络的输入层、隐含层和输出层的连接类似于前馈网络。输入层的单元只传输信号，输出层的单元具有线性加权的功能。隐含层的传递函数本发明采用线性函数。承接层又称为上下文层或状态层，用于记忆隐含层的前一个时间步长输出，因此可以看作是一步时间延迟算子。Elman神经网络算法流程图如图4所示。
本实施例中，基于Elman神经网络的铁路伤损检测的主要特征为，以铁路轨道轨头低头检测为主要特征，检测铁轨的伤损。可选的，轨头低头特征为：小于1mm为无损伤；1mm至3.5mm为轻度损伤；大于3.5mm为严重损伤。
S2、基于机器视觉的轨面伤损检测：
目前机器视觉技术应用非常广泛，包括在医学、机器人学、交通管理、远程监控等领域，但是在铁路轨道检测领域的研究相对较少。现在铁路轨道表面裂纹和鱼鳞伤损，轨枕上的扣件脱落等检测任务，都是通过工作人员的眼睛进行检测。这种检测方式严重降低了探伤速度，甚至会有错检漏检的现象。在当前机器视觉技术已经很完善的基础上应该具备实现这些伤损情况的自动识别功能。
机器视觉检测系统包括拍摄轨道照片、图像存储、图像处理、图像传输、服务器模块。轨面伤痕经过拍摄照片后，通过传输模块到达服务器，服务器将照片保存在存储模块，用于缓冲照片拍摄速度。服务器再将保存未处理的图像在图像处理模块中处理，图像处理后图像保存在存储模块上，并通过服务器发到工作站。如图5所示，为基于机器视觉的铁路轨面检测具体流程。
S2.1、基于机器视觉的过程处理
如图6所示，可以将整个机器视觉过程处理分三个部分。
第一部分为轨面图像预处理部分，主要是对铁轨区域定位、图像去噪和表面区域提取。
第二部分为伤痕快速检测，主要是包含灰度补偿、低帽运算、灰度增强和阈值分割。
第三部分为伤痕的精确定位，首先对铁轨表面图像进行开操作，然后使用基于数学形态学的区域填充算法对其进行孔洞填充。接着，基于伤痕像素的连接性和伤痕检测的精度，滤除区域面积小于设定阈值的细小区域，得到仅包含主要真实伤痕信息的图像。最后，对处理后的图像进行标记，得到标记矩阵，并利用该标记矩阵，将各个缺陷区域提取出来，进行缺陷特征的提取。
S2.2、基于BP网络的伤痕分类：
图像的处理可知擦伤矩形度小，圆形度高，而剥离伤矩形度高，圆形度小。所以，本实施例以矩形度和圆形度作为分类器的输入量。
如图7所示为网络结构，神经网络分为3层，即输入层、隐含层和输出层，应用于本系统的神经网络的输入层为4个神经元，对应于缺陷的圆形度、矩形度、长宽比和灰度均值这个特征参数。根据经验，将隐含层确定为8个神经元。输出层为1个神经元，对应伤损程度。BP神经网络算法流程图如图8所示。
本实施例中，采用机器视觉技术，主要检测铁路轨道轨面的伤损情况；可选的，铁路轨面伤损深度的特征为：小于0.5mm为无损伤；0.5mm至1mm为轻度损伤；1mm至2mm为中度损伤；大于2mm为严重损伤。
S3、基于T-S模糊模型的伤损评价：
无论是基于Elman神经网络的轨头损伤检测，还是基于机器视觉的轨面伤损检测，对于伤损评价都不够全面，因此，如图9所示，本实施例采用基于T-S模糊模型，对轨头和轨面损伤进行优化评价，最终得出铁路轨道的伤损评价。
T—S模糊模型可以描述为：
IF
THEN
假设给定一个广义的输入变量(x1，x2，…，xm)，那么由诸规则的输出yi(i＝1，2，…，n)的加权平均即可求得系统总的输出：
式中，n是模糊规则的数量；yi由第i条规则的结论方程；μi代表对应此广义输入向量的第i条规则的隶属度，由下式确定：
式中，Π是模糊算子，通常采用取小运算或乘积运算。
模糊推理：
选取CA表示铁路轨头伤损超声波检测值，单位mm。
CA论域：[0 3.5]；
Tan的语言变量：CA_NO(小于1mm)、CA_L(1-3.5mm)、CA_H(大于3.5mm)；
CA的隶属度函数表达式：
其中，s为当前的CA数值，即为CA；
选取TU表示铁路轨面的图像检测值，单位mm。
TU论域：[0 2]；
TU的语言变量：TU_NO(小于0.5mm)、TU_L(0.5-1mm)、TU__M(1-2mm)、TU__H(大于2mm)；
TU的隶属度函数表达式：
其中，s为当前的TU数值，即为TU；
表1隶属度
模型输出：
由公式(3)得：
式中，n＝12是模糊规则的数量；yi由第i条规则的结论方程；μi代表对应此广义输入向量的第i条规则的隶属度；为铁路轨道伤损的评价。
实施例2：
本实施例提供了一种铁路轨道伤损检测系统，包括：
数据采集模块，被配置为：获取铁路轨道的超声波信息和轨面图像信息；
计算模块，被配置为：依据所述超声波信息，利用预设的神经网络模型得到铁路轨头伤损检测结果；依据所述轨面图像信息，利用预设的机器视觉算法得到铁路轨面损检测结果；
检测模块，被配置为：基于模糊模型，对所述铁路轨头伤损检测结果和所述铁路轨面损检测结果进行伤损评价，得到铁路轨道伤的最终损检测结果。
所述系统的工作方法与实施例1的铁路轨道伤损检测方法相同，这里不再赘述。
实施例3：
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了实施例1所述的铁路轨道伤损检测方法的步骤。
实施例4：
本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了实施例1所述的铁路轨道伤损检测方法的步骤。
以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。

Claims (10)

1.一种铁路轨道伤损检测方法，其特征在于，包括：
获取铁路轨道的超声波信息和轨面图像信息；
依据所述超声波信息，利用预设的神经网络模型得到铁路轨头伤损检测结果；依据所述轨面图像信息，利用预设的机器视觉算法得到铁路轨面损检测结果；
基于模糊模型，对所述铁路轨头伤损检测结果和所述铁路轨面损检测结果进行伤损评价，得到铁路轨道伤的最终损检测结果。
2.如权利要求1所述的一种铁路轨道伤损检测方法，其特征在于，所述神经网络模型为Elman神经网络模型，包括输入层、隐含层、输出层和承接层；所述输入层的单元用于传输信号，所述输出层的单元具有线性加权功能，所述隐含层的传递函数采用线性函数，所述承接层用于记忆所述隐含层的前一个时间步长输出。
3.如权利要求1所述的一种铁路轨道伤损检测方法，其特征在于，获取轨面图像信息后，进行预处理、伤痕检测和伤痕定位。
4.如权利要求3所述的一种铁路轨道伤损检测方法，其特征在于，预处理包括铁轨区域定位、图像去噪和表面区域提取；伤痕检测包括灰度补偿、低帽运算、灰度增强和阈值分割；伤痕定位包括首先对轨面图像信息进行开操作，然后使用基于数学形态学的区域填充算法进行孔洞填充，接着，基于伤痕像素的连接性和伤痕检测的精度，滤除区域面积小于设定阈值的细小区域，得到仅包含主要真实伤痕信息的图像；最后，对处理后的图像进行标记，得到标记矩阵，并利用该标记矩阵，将各个缺陷区域提取出来，进行缺陷特征的提取。
5.如权利要求3所述的一种铁路轨道伤损检测方法，其特征在于，基于BP神经网络对铁路轨面上的伤痕进行分类，以矩形度和圆形度作为分类器的输入量。
6.如权利要求1所述的一种铁路轨道伤损检测方法，其特征在于，依据所述超声波信息，利用预设的神经网络模型得到铁路轨头伤损超声波检测值，并计算铁路轨头伤损超声波检测值的隶属度；依据所述轨面图像信息，利用预设的机器视觉算法得到铁路轨面图像检测值，经计算铁路轨面图像检测值的隶属度；
依据铁路轨头伤损超声波检测值的隶属度和铁路轨面图像检测值的隶属度，利用模糊模型对铁路轨道伤损进行评价。
7.如权利要求6所述的一种铁路轨道伤损检测方法，其特征在于，铁路轨道伤损的评价为：
式中，n是模糊规则的数量；yi由第i条规则的结论方程；μi代表对应此广义输入向量的第i条规则的隶属度；为铁路轨道伤损的评价。
8.一种铁路轨道伤损检测系统，其特征在于，包括：
数据采集模块，被配置为：获取铁路轨道的超声波信息和轨面图像信息；
计算模块，被配置为：依据所述超声波信息，利用预设的神经网络模型得到铁路轨头伤损检测结果；依据所述轨面图像信息，利用预设的机器视觉算法得到铁路轨面损检测结果；
检测模块，被配置为：基于模糊模型，对所述铁路轨头伤损检测结果和所述铁路轨面损检测结果进行伤损评价，得到铁路轨道伤的最终损检测结果。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现了如权利要求1-7任一项所述的铁路轨道伤损检测方法的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现了如权利要求1-7任一项所述的铁路轨道伤损检测方法的步骤。
CN202310530637.0A 2023-05-09 2023-05-09 一种铁路轨道伤损检测方法及系统 Pending CN116539723A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310530637.0A CN116539723A (zh) 2023-05-09 2023-05-09 一种铁路轨道伤损检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310530637.0A CN116539723A (zh) 2023-05-09 2023-05-09 一种铁路轨道伤损检测方法及系统

Publications (1)

Publication Number Publication Date
CN116539723A true CN116539723A (zh) 2023-08-04

Family

ID=87450187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310530637.0A Pending CN116539723A (zh) 2023-05-09 2023-05-09 一种铁路轨道伤损检测方法及系统

Country Status (1)

Country Link
CN (1) CN116539723A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117002544A (zh) * 2023-08-17 2023-11-07 中关村科学城城市大脑股份有限公司 折叠式轨道巡检设备和轨道故障信息发送方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117002544A (zh) * 2023-08-17 2023-11-07 中关村科学城城市大脑股份有限公司 折叠式轨道巡检设备和轨道故障信息发送方法
CN117002544B (zh) * 2023-08-17 2024-04-12 中关村科学城城市大脑股份有限公司 折叠式轨道巡检设备和轨道故障信息发送方法

Similar Documents

Publication Publication Date Title
CN114757949B (zh) 基于计算机视觉的电线电缆缺陷检测方法及系统
CN112233133B (zh) 基于otsu和区域生长法的电厂高温管道缺陷检测与分割方法
Liang et al. Defect detection of rail surface with deep convolutional neural networks
Jie et al. Real-time rail head surface defect detection: A geometrical approach
CN106504238A (zh) 基于图像处理和卷积神经网络的铁路接触网缺陷检测方法
CN116539723A (zh) 一种铁路轨道伤损检测方法及系统
CN110223266A (zh) 一种基于深度卷积神经网络的列车轮对踏面损伤故障诊断方法
CN115482195A (zh) 一种基于三维点云的列车部件变形检测方法
CN109993744B (zh) 一种海上逆光环境下的红外目标检测方法
Mohan et al. Evaluation of neutrosophic set approach filtering technique for image denoising
CN110954005A (zh) 一种基于图像处理的中低速磁悬浮列车间隙检测方法
Karaduman et al. Contactless rail profile measurement and rail fault diagnosis approach using featured pixel counting
CN116385953B (zh) 铁路货车敞车车门折页折断故障图像识别方法
Saini et al. Feature-based template matching for joggled fishplate detection in railroad track with drone images
Anouncia et al. Non-destructive testing using radiographic images a survey
CN112785594B (zh) 基于图像二维幅值估计的桥梁自动结构裂缝识别方法
Wang et al. Vision measurement of gear pitting based on DCGAN and U-Net
CN115511958A (zh) 一种车底巡检机器人辅助定位方法
CN114742768A (zh) 钢轨浅层剥离损伤检测方法及检测系统
CN104361344B (zh) 一种基于区间图像的无缝线路钢轨缺陷识别方法
CN113870199A (zh) 一种飞机蒙皮缺陷检测的识别方法
CN112590868A (zh) 一种通过机器视觉技术拍摄轨道检测磨损系统
CN112464906A (zh) 一种基于计算机视觉的轨道异物入侵检测方法及装置
CN112598638A (zh) 一种基于激光点云数据的路面裂缝检测方法
Mao et al. Fast Segmentation Method of Sonar Images for Jacket Installation Environment.

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