CN117253066A - 钢轨表面状态的识别方法、装置、设备及可读存储介质 - Google Patents
钢轨表面状态的识别方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN117253066A CN117253066A CN202311546285.4A CN202311546285A CN117253066A CN 117253066 A CN117253066 A CN 117253066A CN 202311546285 A CN202311546285 A CN 202311546285A CN 117253066 A CN117253066 A CN 117253066A
- Authority
- CN
- China
- Prior art keywords
- information
- light band
- feature
- processing
- steel rail
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 84
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 78
- 239000010959 steel Substances 0.000 claims abstract description 78
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 238000013178 mathematical model Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000010606 normalization Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 36
- 238000007499 fusion processing Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000011084 recovery Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003014 reinforcing effect Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000011218 segmentation Effects 0.000 abstract description 13
- 238000004891 communication Methods 0.000 description 9
- 230000000295 complement effect Effects 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality 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
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- 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
-
- 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
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种钢轨表面状态的识别方法、装置、设备及可读存储介质，涉及图像数据处理技术领域，包括获取第一信息和第二信息；根据第一信息聚类处理，通过标记钢轨光带区域得到第三信息，第三信息为铁路真值图像数据；根据第三信息进行二值化处理，并将处理得到的二值图像数据进行归一化处理得到第四信息；根据第一信息和第四信息进行匹配，并将匹配结果进行样本数据划分处理得到第五信息；基于预设的深度学习数学模型对第五信息进行训练，构建得到钢轨光带识别模型；根据钢轨光带识别模型对第二信息进行识别处理得到识别结果。本发明实现钢轨光带的高精度像素级分割，提高了钢轨光带轮廓图像的识别与提取效率。
Description
技术领域
本发明涉及图像数据处理技术领域，具体而言，涉及一种钢轨表面状态的识别方法、装置、设备及可读存储介质。
背景技术
钢轨是铁路轨道的主要组成部件，它承受车轮的巨大压力，引导车轮沿着运动方向作蛇形运动。车轮踏面在钢轨面的滚动、滑动，车轮轮缘与钢轨间的相互作用，会在钢轨表面上留下亮痕，这种亮痕被称为钢轨光带。通过对包含了钢轨光带的铁路图像进行精确识别，能够为后续分析动车组高速行驶时的轮轨关系提供便利。现有的钢轨光带图像识别方法主要依赖人工巡检，巡检人员使用肉眼对钢轨表面的光带轮廓进行识别并使用刻度尺等工具进行手工测量。这种方式投入人力成本高，效率低下，且容易导致数据不准确。
基于上述现有技术的缺点，现亟需一种钢轨表面状态的识别方法、装置、设备及可读存储介质。
发明内容
本发明的目的在于提供一种钢轨表面状态的识别方法、装置、设备及介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种钢轨表面状态的识别方法，包括：
获取第一信息和第二信息，所述第一信息为至少一张包含了钢轨光带轮廓的历史铁路图像数据，所述第二信息为待识别图像；
根据所述第一信息聚类处理，通过标记钢轨光带区域得到第三信息，所述第三信息为铁路真值图像数据；
根据所述第三信息进行二值化处理，并将处理得到的二值图像数据进行归一化处理得到第四信息；
根据所述第一信息和所述第四信息进行匹配，并将匹配结果进行样本数据划分处理得到第五信息；
基于预设的深度学习数学模型对所述第五信息进行训练，构建得到钢轨光带识别模型；
根据所述钢轨光带识别模型对所述第二信息进行识别处理得到识别结果，所述识别结果包括分割后的钢轨光带轮廓图像。
第二方面，本申请还提供了钢轨表面状态的识别装置，包括：
获取模块，用于获取第一信息和第二信息，所述第一信息为至少一张包含了钢轨光带轮廓的历史铁路图像数据，所述第二信息为待识别图像；
聚类模块，用于根据所述第一信息聚类处理，通过标记钢轨光带区域得到第三信息，所述第三信息为铁路真值图像数据；
转换模块，用于根据所述第三信息进行二值化处理，并将处理得到的二值图像数据进行归一化处理得到第四信息；
匹配模块，用于根据所述第一信息和所述第四信息进行匹配，并将匹配结果进行样本数据划分处理得到第五信息；
构建模块，基于预设的深度学习数学模型对所述第五信息进行训练，构建得到钢轨光带识别模型；
识别模块，用于根据所述钢轨光带识别模型对所述第二信息进行识别处理得到识别结果，所述识别结果包括分割后的钢轨光带轮廓图像。
第三方面，本申请还提供了一种钢轨表面状态的识别设备，包括：
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时实现所述钢轨表面状态的识别方法的步骤。
第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述钢轨表面状态的识别方法的步骤。
本发明的有益效果为：
本发明通过在提取图像特征信息时进行条状残差分析，用于钢轨光带融合语义特征提取，并在网络恢复图像的特征融合阶段添加了注意力机制，使得在保持多尺度提取特征的同时兼顾全局信息的构建，并且提高了深度学习模型构建边缘信息的能力，实现钢轨光带的高精度像素级分割，提高了钢轨光带轮廓图像的识别与提取效率。
本发明的其他特征和优点将在随后的说明书阐述，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实施例了解。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。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的钢轨表面状态的识别方法流程示意图;
图2为本发明实施例中所述的钢轨表面状态的识别装置结构示意图；
图3为本发明实施例中所述的钢轨表面状态的识别设备结构示意图。
图中标记：1、获取模块；2、聚类模块；21、第一提取单元；22、第一融合单元；23、第一聚类单元；24、第一标记单元；3、转化模块；31、第一增强单元；32、第一补全单元；33、第一转换单元；34、第二转换单元；4、匹配模块；41、第一匹配单元；42、第一计算单元；43、第一分级单元；44、第一划分单元；5、构建模块；51、第二融合单元；511、第一池化单元；512、第二提取单元；513、第一分析单元；514、第一处理单元；52、第一卷积单元；53、第一映射单元；54、第二计算单元；55、第一构建单元；6、识别模块；800、钢轨表面状态的识别设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种钢轨表面状态的识别方法。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400、步骤S500和步骤S600。
步骤S100、获取第一信息和第二信息，第一信息为至少一张包含了钢轨光带轮廓的历史铁路图像数据，第二信息为待识别图像。
可以理解的是，历史铁路图像包含各种环境条件下的光带示例，如不同时间、季节、天气等情况，记录了钢轨光带的演化和多样性，从而确保系统具备足够的训练数据来应对多样性识别需求。待识别图像是需要进行钢轨光带识别的具体图像，来自于实时监控摄像头或其他采集设备，用于实时检测钢轨光带的状态，并实现像素级的光带分割。
步骤S200、根据第一信息聚类处理，通过标记钢轨光带区域得到第三信息，第三信息为铁路真值图像数据。
可以理解的是，在本步骤中首先从历史铁路图像数据中选择一个样本，这个样本包含明显的钢轨光带。然后采用聚类算法，优选地如K均值聚类或分水岭分割等，对图像进行处理将像素分为不同的类别，包括属于光带轮廓的像素和不属于的像素。基于聚类的结果，标记钢轨光带区域，将光带轮廓的像素与其它像素区分开。这些标记的结果构成了铁路真值图像数据，其中每个像素被标注为"属于光带"或"不属于光带"。本步骤通过聚类算法，实现了对样本数据的自动标注，提供了光带轮廓的准确位置信息，提高了数据标记的效率。
步骤S300、根据第三信息进行二值化处理，并将处理得到的二值图像数据进行归一化处理得到第四信息。
可以理解的是，本步骤的目标是为深度学习模型准备输入数据。通过将铁路真值图像数据转化为二值化且归一化的形式，模型能够更好地理解和学习图像中的光带轮廓。
步骤S400、根据第一信息和第四信息进行匹配，并将匹配结果进行样本数据划分处理得到第五信息。
可以理解的是，本步骤通过将这些历史图像与已经处理的铁路真值图像进行匹配，模型可以学习如何区分图像中的光带轮廓并定位光带轮廓在原始图像中的位置信息。匹配得到的结果需要进一步处理以构建训练、测试和验证的样本数据集，通过将数据划分为不同的子集，以确保模型在各种情况下都能进行有效训练和评估。
步骤S500、基于预设的深度学习数学模型对第五信息进行训练，构建得到钢轨光带识别模型。
可以理解的是，本步骤使用一个预先定义的深度学习模型，例如卷积神经网络或其他深度学习架构。这个模型是专门设计用于图像分割任务，具有学习特征和语义信息的能力。在训练期间，模型将学习如何识别和分割钢轨光带区域。当深度学习模型经过足够的训练后，它会变得能够准确地识别图像中的钢轨光带。这个训练好的模型即钢轨光带识别模型，它可以应用于待识别图像以实现像素级的分割任务。本步骤通过构建和训练生成钢轨光带识别模型，实现对铁路图像数据进行像素级地识别并分割出钢轨光带图像信息，为后续的自动化检测列车运行情况提供了有力帮助。
步骤S600、根据钢轨光带识别模型对第二信息进行识别处理得到识别结果，识别结果包括分割后的钢轨光带轮廓图像。
可以理解的是，钢轨光带识别模型将对待识别图像进行分析和处理，通过模型的前向传播，图像中的每个像素将被分类为属于光带的像素或非光带的像素。同时，这个结果图像是一个二值图像，其中钢轨光带的区域被标记为1，其他区域为0。实现了对待识别图像中钢轨光带的精确分割，得到了高精度的像素级别的钢轨光带轮廓图像。像素级别的钢轨光带轮廓图像能够帮助维护人员检测钢轨光带的状态，包括宽度、位置和形状的变化。通过实时监测，铁路运营机构可以及时发现损坏或异常，采取维护措施，确保铁路的安全和可靠性。
需要说明的是，步骤S200包括步骤S210、步骤S220、步骤S230和步骤S240。
步骤S210、根据第一信息进行特征提取得到特征信息，特征信息包括轮缘边缘信息、轨道颜色信息和光带亮度信息。
可以理解的是，轮缘边缘信息帮助我们识别钢轨的边缘轮廓，轨道颜色信息有助于区分不同部分，而光带亮度信息则提供了光带的亮度变化情况。
步骤S220、根据特征信息进行特征融合处理，通过对光带亮度信息进行强度归一化处理，并将归一化处理结果与轮缘边缘信息和轨道颜色信息进行加权融合得到融合特征向量。
可以理解的是，光带的亮度在图像中通常表现为明显的线状或带状区域。通过分析光带的亮度分布，我们可以确定它的形状和位置。这有助于确定光带在图像中的具体位置以及它是否与铁路轨道轮廓有关。同时，在钢轨光带的像素级别分割中，亮度信息通常用于识别光带的边界。光带通常在图像中呈现出相对较高的亮度，这使得它们在像素级别分割中更容易识别。因此，光带的亮度信息经常用于分割算法的基础，以实现像素级别的精确识别。钢轨光带的亮度可以因不同的照明条件、图像质量或其他因素而变化。这种亮度差异可能会对后续的分割和识别造成问题。因此，在这一步骤中，进行了强度归一化处理将光带的亮度值进行归一化，使其在一个特定的范围内，有助于消除亮度变化对后续处理的干扰，确保数据一致性，使不同图像之间的光带亮度可比性更高。轮缘边缘信息提供了关于铁路轨道的形状和位置的线索。融合轮缘边缘信息能够将这些信息与光带的亮度信息结合在一起，这样可以更好地理解光带与铁路轨道之间的关系。例如，光带可能会出现在轮缘附近，通过融合这些信息，可以帮助确定光带的位置。轨道颜色信息是另一个重要的特征，特别是当光带与轨道之间存在颜色差异时。将轨道颜色信息与亮度信息融合，有助于进一步提高钢轨表面状态的识别精度。融合特征向量综合了不同方面的信息，提供了更全面的描述，以支持光带的识别和分割。
步骤S230、基于融合特征向量对第一信息进行聚类处理得到聚类结果。
可以理解的是，聚类是一种将相似数据点分组在一起的技术，其目标是找到数据中的内在结构。在这一步骤中使用聚类算法来对特征向量进行分组，从而确定钢轨光带区域。
步骤S240、根据聚类结果进行标记处理得到第三信息。
可以理解的是，通过聚类结果进行标记能够自动发现图像中的光带区域，有助于减少了人为错误的可能性，提高了标记的准确性和效率。
需要说明的是，步骤S300包括步骤S310、步骤S320、步骤S330和步骤S340。
步骤S310、根据第三信息进行画面增强处理，通过增加亮痕区域的对比度并进行滚动-滑动效果模拟处理，得到增强图像数据。
可以理解的是，首先通过增加亮痕区域的对比度，使得钢轨光带区域更加清晰，有助于后续处理准确地识别光带。同时由于钢轨是铁路上的基础设施，车轮与轨道之间的相互作用是非常重要的。当火车运行时，车轮踏面与轨道表面之间的接触会产生摩擦和滚动。这个过程不仅仅是单纯的滚动，还涉及到一定程度的侧向移动或滑动。在正常情况下，轮轨作用会在钢轨表面留下均匀的亮痕，形成钢轨光带。然而，当轮轨之间的相互作用力或位置异常时，亮痕的宽度和位置可能会发生变化。为了更准确地识别钢轨光带，模拟了滚动-滑动效应，在图像处理中引入了物理运动的变化，能够反映轮轨之间的复杂关系，增强了亮痕区域的自然感，提高了识别的精度。
步骤S320、根据增强图像数据进行轮廓补全处理，通过使用预设的连通组件标记数学模型将相邻的亮痕区域进行连接得到轮廓补全图像。
可以理解的是，轮廓补全处理通过连接相邻的亮痕区域，确保了光带的连通性，避免了断裂或不连续的情况。轮廓补全使得光带的形状更加完整，保留了光带的真实特征，提供了准确的形状信息。
步骤S330、根据轮廓补全图像进行二值化处理，通过将背景像素值设置为0，将钢轨光带像素值设置为1，得到二值图像数据。
可以理解的是，使用轮廓补全图像，将背景像素值设置为0，将钢轨光带像素值设置为1，得到二值图像数据。这个处理将图像转换为只包含黑白两种像素值的二值图像，为后续处理提供了基础。
步骤S340、根据二值图像数据进行归一化处理，通过将像素值从原始范围映射到（0,1）的范围，得到第四信息。
可以理解的是，本步骤的处理确保了图像数据的统一范围，方便了后续深度学习模型的训练和处理。具体地，归一化处理公式如下：；
其中，i，j分别代表铁路图像的行号和列号；C(i,j)代表原始铁路图像数据对应的像素值；I(i,j)代表归一化处理后的铁路图像的像素值；I(i,j)属于（0,1）。
需要说明的是，步骤S400包括步骤S410、步骤S420、步骤S430和步骤S440。
步骤S410、将第四信息和第一信息进行匹配处理，通过将钢轨光带轮廓信息映射至对应的原始图像中得到匹配结果。
可以理解的是，匹配过程可以看作是将提取的光带信息与原始图像进行对应，从而将提取的轮廓信息与实际图像中的轨道进行匹配。这有助于确定光带的准确位置，使后续的分割更加精确。
步骤S420、根据匹配结果和预设的光带图像质量评价公式，通过使用亮度均匀性指标作为评价标准计算得到光带图像质量评分。
可以理解的是，亮度均匀性指标可以用来衡量图像中光带的亮度分布是否均匀。这是因为均匀的亮度分布通常表示光带的质量更高，而不均匀的亮度分布可能暗示着光带的问题，如不均匀的磨损或异物。
步骤S430、根据光带图像质量评分和预设的分级规则将匹配结果中的所有图像进行分级处理得到分级结果，分级结果包括高质量图像、中等质量图像和低质量图像。
可以理解的是，分级过程将光带图像划分为不同的质量级别，如高质量、中等质量和低质量。这一过程有助于对图像进行有效的筛选和分类，使得每个图像都被赋予了一个质量标签，反映了其在钢轨表面状态的识别中的可信度。
步骤S440、基于分级结果将匹配结果中的图像进行样本划分处理得到第五信息。
可以理解的是，高质量的图像被视为可靠的样本，被用于构建钢轨光带识别模型的训练集。这些图像将有助于模型学习高质量图像的特征和钢轨光带的精确定位。中等质量的图像在训练中也可以有一定的作用，因此它们可能会被分配到训练集中，但可能与高质量图像混合在一起。这有助于模型更好地适应各种质量的图像。低质量图像被分配到验证集或测试集，以评估模型对低质量数据的鲁棒性。
需要说明的是，步骤S500包括步骤S510、步骤S520、步骤S530、步骤S540和步骤S550。
步骤S510、基于预设的深度学习数学模型对第五信息进行特征融合处理，并将融合后的特征层进行逐级恢复得到恢复特征层。
可以理解的是，特征融合处理通常涉及将来自不同特征源的信息组合在一起，以产生一个更全面的特征向量。随后，融合后的特征层将被逐级恢复。这涉及到对特征数据进行逆处理，以逐步将其恢复到原始的尺寸和结构。逐级恢复有助于保持和增强有关钢轨光带的细节信息，确保在模型的不同层次上都能提取出有效的特征。
步骤S520、根据恢复特征层进行卷积处理，通过减少向量维度得到目标向量。
优选地，对恢复的特征层采用1x1的卷积操作，减少其目标向量的个数，得到最后的目标向量。
步骤S530、基于预设的激活函数将目标向量中的元素映射至（0，1）范围内得到向量权重值。
可以理解的是，对目标向量使用Sigmoid激活函数，使目标向量中的每个元素都是一个（0，1）之间的一个权重值。
步骤S540、将向量权重值进行逐像素相乘计算处理，通过为恢复特征层中的特征图像的每个像素分配的权重值得到权重图像。
可以理解的是，本步骤将目标向量中的权重值与特征图像相乘使特征图中每一像素都对应一个权重值。
步骤S550、根据权重图像进行反向传播训练，构建得到最优权重矩阵，并基于最优权重矩阵构建得到钢轨光带识别模型。
可以理解的是，反向传播训练是深度学习中的一种关键技术，用于调整神经网络的权重矩阵，使得网络能够更好地拟合训练数据并提高在测试数据上的性能。在本步骤中，使用权重图像的信息来引导训练过程，确保网络更关注那些在钢轨光带识别中至关重要的区域。这有助于提高识别模型的性能和精度。
需要说明的是，步骤S510包括步骤S511、步骤S512、步骤S513和步骤S514。
步骤S511、基于预设的深度学习数学模型对第五信息进行平均池化处理得到初步特征层序列。
具体地，对铁路图像数据采用大小为2、4、8、16、32的池化因子为进行平均池化操作，得到的初步特征层分别为N、N/2、N/4、N/8、N/16和N/32，N表示路面图像数据的尺寸。这样得到了多个尺寸的特征图，分别对应于原始图像的不同分辨率。这种操作有助于在不同尺度下提取图像的特征信息。
步骤S512、基于预设的深度学习数学模型对第五信息进行逐级下采样处理提取得到语义特征，并将语义特征与初步特征层序列进行融合处理得到初步融合特征层。
具体地，将特征层尺寸为N进行卷积操作实现高语义特征提取，进行第一轮提取完成后下采样2倍，使得特征层尺寸减小为N/2，再与池化得到的N/2的特征层进行特征层融合。这个过程从原始图像中提取高级语义信息，然后逐步减小分辨率，以更好地理解图像的结构。
步骤S513、根据初步融合特征层进行条状残差分析，通过捕捉钢轨光带形态语义信息得到深度融合特征层。
具体地，将完成融合的特征层输入到所设计的条状残差结构之中，以增强捕捉钢轨光带的语义信息。条状残差结构有助于网络更好地理解图像中的特定模式和结构，从而提高了识别的准确性。通过这种方法，能够更好地理解光带的形状和结构。
步骤S514、根据深度融合特征层进行逐级上采样处理，通过使用预设的自注意力机制加强钢轨光带区域的关注度得到恢复特征层。
具体地，在融合后加入ECA注意力机制，以增强关键区域的关注度及优化潜在表示。通过注意力机制，能够更好地处理图像中不同区域的信息，使识别更加准确和可靠。
实施例2：
如图2所示，本实施例提供了一种钢轨表面状态的识别装置，装置包括：
获取模块1，用于获取第一信息和第二信息，第一信息为至少一张包含了钢轨光带轮廓的历史铁路图像数据，第二信息为待识别图像。
聚类模块2，用于根据第一信息聚类处理，通过标记钢轨光带区域得到第三信息，第三信息为铁路真值图像数据。
转换模块，用于根据第三信息进行二值化处理，并将处理得到的二值图像数据进行归一化处理得到第四信息。
匹配模块4，用于根据第一信息和第四信息进行匹配，并将匹配结果进行样本数据划分处理得到第五信息。
构建模块5，基于预设的深度学习数学模型对第五信息进行训练，构建得到钢轨光带识别模型。
识别模块6，用于根据钢轨光带识别模型对第二信息进行识别处理得到识别结果，识别结果包括分割后的钢轨光带轮廓图像。
在本公开的一种具体实施方式中，聚类模块2包括：
第一提取单元21，用于根据第一信息进行特征提取得到特征信息，特征信息包括轮缘边缘信息、轨道颜色信息和光带亮度信息。
第一融合单元22，用于根据特征信息进行特征融合处理，通过对光带亮度信息进行强度归一化处理，并将归一化处理结果与轮缘边缘信息和轨道颜色信息进行加权融合得到融合特征向量。
第一聚类单元23，基于融合特征向量对第一信息进行聚类处理得到聚类结果。
第一标记单元24，用于根据聚类结果进行标记处理得到第三信息。
在本公开的一种具体实施方式中，转换模块包括：
第一增强单元31，用于根据第三信息进行画面增强处理，通过增加亮痕区域的对比度并进行滚动-滑动效果模拟处理，得到增强图像数据。
第一补全单元32，用于根据增强图像数据进行轮廓补全处理，通过使用预设的连通组件标记数学模型将相邻的亮痕区域进行连接得到轮廓补全图像。
第一转换单元33，用于根据轮廓补全图像进行二值化处理，通过将背景像素值设置为0，将钢轨光带像素值设置为1，得到二值图像数据。
第二转换单元34，用于根据二值图像数据进行归一化处理，通过将像素值从原始范围映射到（0,1）的范围，得到第四信息。
在本公开的一种具体实施方式中，匹配模块4包括：
第一匹配单元41，用于将第四信息和第一信息进行匹配处理，通过将钢轨光带轮廓信息映射至对应的原始图像中得到匹配结果。
第一计算单元42，用于根据匹配结果和预设的光带图像质量评价公式，通过使用亮度均匀性指标作为评价标准计算得到光带图像质量评分。
第一分级单元43，用于根据光带图像质量评分和预设的分级规则将匹配结果中的所有图像进行分级处理得到分级结果，分级结果包括高质量图像、中等质量图像和低质量图像。
第一划分单元44，用于基于分级结果将匹配结果中的图像进行样本划分处理得到第五信息。
在本公开的一种具体实施方式中，构建模块5包括：
第二融合单元51，基于预设的深度学习数学模型对第五信息进行特征融合处理，并将融合后的特征层进行逐级恢复得到恢复特征层。
第一卷积单元52，用于根据恢复特征层进行卷积处理，通过减少向量维度得到目标向量。
第一映射单元53，基于预设的激活函数将目标向量中的元素映射至（0，1）范围内得到向量权重值。
第二计算单元54，用于将向量权重值进行逐像素相乘计算处理，通过为恢复特征层中的特征图像的每个像素分配的权重值得到权重图像。
第一构建单元55，用于根据权重图像进行反向传播训练，构建得到最优权重矩阵，并基于最优权重矩阵构建得到钢轨光带识别模型。
在本公开的一种具体实施方式中，第二融合单元51包括：
第一池化单元511，基于预设的深度学习数学模型对第五信息进行平均池化处理得到初步特征层序列。
第二提取单元512，基于预设的深度学习数学模型对第五信息进行逐级下采样处理提取得到语义特征，并将语义特征与初步特征层序列进行融合处理得到初步融合特征层。
第一分析单元513，用于根据初步融合特征层进行条状残差分析，通过捕捉钢轨光带形态语义信息得到深度融合特征层。
第一处理单元514，用于根据深度融合特征层进行逐级上采样处理，通过使用预设的自注意力机制加强钢轨光带区域的关注度得到恢复特征层。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种钢轨表面状态的识别设备，下文描述的一种钢轨表面状态的识别设备与上文描述的一种钢轨表面状态的识别方法可相互对应参照。
图3是根据示例性实施例示出的一种钢轨表面状态的识别设备800的框图。如图3所示，该钢轨表面状态的识别设备800可以包括：处理器801，存储器802。该钢轨表面状态的识别设备800还可以包括多媒体组件803， I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该钢轨表面状态的识别设备800的整体操作，以完成上述的钢轨表面状态的识别方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该钢轨表面状态的识别设备800的操作，这些数据例如可以包括用于在该钢轨表面状态的识别设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static RandomAccess Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该钢轨表面状态的识别设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，钢轨表面状态的识别设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的钢轨表面状态的识别方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的钢轨表面状态的识别方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由钢轨表面状态的识别设备800的处理器801执行以完成上述的钢轨表面状态的识别方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种钢轨表面状态的识别方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的钢轨表面状态的识别方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种钢轨表面状态的识别方法，其特征在于，包括：
获取第一信息和第二信息，所述第一信息为至少一张包含了钢轨光带轮廓的历史铁路图像数据，所述第二信息为待识别图像；
根据所述第一信息聚类处理，通过标记钢轨光带区域得到第三信息，所述第三信息为铁路真值图像数据；
根据所述第三信息进行二值化处理，并将处理得到的二值图像数据进行归一化处理得到第四信息；
根据所述第一信息和所述第四信息进行匹配，并将匹配结果进行样本数据划分处理得到第五信息；
基于预设的深度学习数学模型对所述第五信息进行训练，构建得到钢轨光带识别模型；
根据所述钢轨光带识别模型对所述第二信息进行识别处理得到识别结果，所述识别结果包括分割后的钢轨光带轮廓图像。
2.根据权利要求1所述的钢轨表面状态的识别方法，其特征在于，根据所述第一信息聚类处理，通过标记钢轨光带区域得到第三信息，包括：
根据所述第一信息进行特征提取得到特征信息，所述特征信息包括轮缘边缘信息、轨道颜色信息和光带亮度信息；
根据所述特征信息进行特征融合处理，通过对所述光带亮度信息进行强度归一化处理，并将归一化处理结果与所述轮缘边缘信息和轨道颜色信息进行加权融合得到融合特征向量；
基于所述融合特征向量对所述第一信息进行聚类处理得到聚类结果；
根据所述聚类结果进行标记处理得到第三信息。
3.根据权利要求1所述的钢轨表面状态的识别方法，其特征在于，基于预设的深度学习数学模型对所述第五信息进行训练，构建得到钢轨光带识别模型，包括：
基于预设的深度学习数学模型对所述第五信息进行特征融合处理，并将融合后的特征层进行逐级恢复得到恢复特征层；
根据所述恢复特征层进行卷积处理，通过减少向量维度得到目标向量；
基于预设的激活函数将所述目标向量中的元素映射至（0，1）范围内得到向量权重值；
将所述向量权重值进行逐像素相乘计算处理，通过为恢复特征层中的特征图像的每个像素分配的权重值得到权重图像；
根据所述权重图像进行反向传播训练，构建得到最优权重矩阵，并基于所述最优权重矩阵构建得到钢轨光带识别模型。
4.根据权利要求3所述的钢轨表面状态的识别方法，其特征在于，基于预设的深度学习数学模型对所述第五信息进行特征融合处理，并将融合后的特征层进行逐级恢复得到恢复特征层，包括：
基于预设的深度学习数学模型对所述第五信息进行平均池化处理得到初步特征层序列；
基于预设的深度学习数学模型对所述第五信息进行逐级下采样处理提取得到语义特征，并将所述语义特征与所述初步特征层序列进行融合处理得到初步融合特征层；
根据所述初步融合特征层进行条状残差分析，通过捕捉钢轨光带形态语义信息得到深度融合特征层；
根据所述深度融合特征层进行逐级上采样处理，通过使用预设的自注意力机制加强钢轨光带区域的关注度得到恢复特征层。
5.一种钢轨表面状态的识别装置，其特征在于，包括：
获取模块，用于获取第一信息和第二信息，所述第一信息为至少一张包含了钢轨光带轮廓的历史铁路图像数据，所述第二信息为待识别图像；
聚类模块，用于根据所述第一信息聚类处理，通过标记钢轨光带区域得到第三信息，所述第三信息为铁路真值图像数据；
转换模块，用于根据所述第三信息进行二值化处理，并将处理得到的二值图像数据进行归一化处理得到第四信息；
匹配模块，用于根据所述第一信息和所述第四信息进行匹配，并将匹配结果进行样本数据划分处理得到第五信息；
构建模块，基于预设的深度学习数学模型对所述第五信息进行训练，构建得到钢轨光带识别模型；
识别模块，用于根据所述钢轨光带识别模型对所述第二信息进行识别处理得到识别结果，所述识别结果包括分割后的钢轨光带轮廓图像。
6.根据权利要求5所述的钢轨表面状态的识别装置，其特征在于，所述聚类模块包括：
第一提取单元，用于根据所述第一信息进行特征提取得到特征信息，所述特征信息包括轮缘边缘信息、轨道颜色信息和光带亮度信息；
第一融合单元，用于根据所述特征信息进行特征融合处理，通过对所述光带亮度信息进行强度归一化处理，并将归一化处理结果与所述轮缘边缘信息和轨道颜色信息进行加权融合得到融合特征向量；
第一聚类单元，基于所述融合特征向量对所述第一信息进行聚类处理得到聚类结果；
第一标记单元，用于根据所述聚类结果进行标记处理得到第三信息。
7.根据权利要求5所述的钢轨表面状态的识别装置，其特征在于，所述构建模块包括：
第二融合单元，基于预设的深度学习数学模型对所述第五信息进行特征融合处理，并将融合后的特征层进行逐级恢复得到恢复特征层；
第一卷积单元，用于根据所述恢复特征层进行卷积处理，通过减少向量维度得到目标向量；
第一映射单元，基于预设的激活函数将所述目标向量中的元素映射至（0，1）范围内得到向量权重值；
第二计算单元，用于将所述向量权重值进行逐像素相乘计算处理，通过为恢复特征层中的特征图像的每个像素分配的权重值得到权重图像；
第一构建单元，用于根据所述权重图像进行反向传播训练，构建得到最优权重矩阵，并基于所述最优权重矩阵构建得到钢轨光带识别模型。
8.根据权利要求7所述的钢轨表面状态的识别装置，其特征在于，所述第二融合单元包括：
第一池化单元，基于预设的深度学习数学模型对所述第五信息进行平均池化处理得到初步特征层序列；
第二提取单元，基于预设的深度学习数学模型对所述第五信息进行逐级下采样处理提取得到语义特征，并将所述语义特征与所述初步特征层序列进行融合处理得到初步融合特征层；
第一分析单元，用于根据所述初步融合特征层进行条状残差分析，通过捕捉钢轨光带形态语义信息得到深度融合特征层；
第一处理单元，用于根据所述深度融合特征层进行逐级上采样处理，通过使用预设的自注意力机制加强钢轨光带区域的关注度得到恢复特征层。
9.一种钢轨表面状态的识别设备，其特征在于，包括：
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时实现如权利要求1至4任一项所述钢轨表面状态的识别方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述钢轨表面状态的识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311546285.4A CN117253066B (zh) | 2023-11-20 | 2023-11-20 | 钢轨表面状态的识别方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311546285.4A CN117253066B (zh) | 2023-11-20 | 2023-11-20 | 钢轨表面状态的识别方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117253066A true CN117253066A (zh) | 2023-12-19 |
| CN117253066B CN117253066B (zh) | 2024-02-27 |
Family
ID=89131801
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311546285.4A Active CN117253066B (zh) | 2023-11-20 | 2023-11-20 | 钢轨表面状态的识别方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117253066B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090073428A1 (en) * | 2007-08-22 | 2009-03-19 | Steven Magnus | Rail measurement system |
| CN102628814A (zh) * | 2012-02-28 | 2012-08-08 | 西南交通大学 | 一种基于数字图像处理的钢轨光带异常自动检测方法 |
| CN107194921A (zh) * | 2017-05-19 | 2017-09-22 | 华夏高铁技术有限公司 | 钢轨轨面光带的自动识别方法和装置 |
| CN107264570A (zh) * | 2017-07-25 | 2017-10-20 | 西南交通大学 | 钢轨光带分布检测装置与方法 |
| CN108090912A (zh) * | 2017-12-13 | 2018-05-29 | 李正伟 | 一种基于图像识别的轨道检测方法及系统 |
| CN109064461A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习网络的钢轨表面缺陷检测方法 |
| US20200156676A1 (en) * | 2018-11-15 | 2020-05-21 | Avante International Technology, Inc. | Image-based monitoring and detection of track/rail faults |
| CN111369484A (zh) * | 2020-03-05 | 2020-07-03 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 钢轨廓形检测方法及装置 |
| CN112215264A (zh) * | 2020-09-23 | 2021-01-12 | 西南交通大学 | 一种基于钢轨光带图像的钢轨磨耗检测方法 |
| CN113362285A (zh) * | 2021-05-21 | 2021-09-07 | 同济大学 | 一种钢轨表面伤损细粒度图像分类与检测方法 |
| CN114067296A (zh) * | 2021-11-11 | 2022-02-18 | 中国铁道科学研究院集团有限公司 | 钢轨表面缺陷识别方法及装置 |
| CN114119957A (zh) * | 2021-09-27 | 2022-03-01 | 中国铁道科学研究院集团有限公司 | 高速铁路钢轨廓形检测方法及装置 |
| US20220189001A1 (en) * | 2020-10-23 | 2022-06-16 | Harsco Technologies LLC | Rail feature identification system |
| CN114926415A (zh) * | 2022-05-06 | 2022-08-19 | 东莞灵虎智能科技有限公司 | 一种基于pcnn与深度学习的钢轨表面检测方法 |
| CN115049654A (zh) * | 2022-08-15 | 2022-09-13 | 成都唐源电气股份有限公司 | 一种钢轨反光光条的提取方法 |
| CN116626177A (zh) * | 2023-05-05 | 2023-08-22 | 中国国家铁路集团有限公司 | 钢轨伤损识别方法及装置 |
| CN116703847A (zh) * | 2023-05-31 | 2023-09-05 | 西南交通大学 | 一种道岔钢轨光带的识别方法、系统、设备及存储介质 |
| CN116934682A (zh) * | 2023-05-19 | 2023-10-24 | 浙江银轮智能装备有限公司 | 钢轨轨面光带检测方法及设备 |
| US20230347948A1 (en) * | 2022-04-29 | 2023-11-02 | Southwest Jiaotong University | Rail corrugation recognition method and apparatus based on support vector machine, device, and medium |
-
2023
- 2023-11-20 CN CN202311546285.4A patent/CN117253066B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090073428A1 (en) * | 2007-08-22 | 2009-03-19 | Steven Magnus | Rail measurement system |
| CN102628814A (zh) * | 2012-02-28 | 2012-08-08 | 西南交通大学 | 一种基于数字图像处理的钢轨光带异常自动检测方法 |
| CN107194921A (zh) * | 2017-05-19 | 2017-09-22 | 华夏高铁技术有限公司 | 钢轨轨面光带的自动识别方法和装置 |
| CN107264570A (zh) * | 2017-07-25 | 2017-10-20 | 西南交通大学 | 钢轨光带分布检测装置与方法 |
| CN108090912A (zh) * | 2017-12-13 | 2018-05-29 | 李正伟 | 一种基于图像识别的轨道检测方法及系统 |
| CN109064461A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习网络的钢轨表面缺陷检测方法 |
| US20200156676A1 (en) * | 2018-11-15 | 2020-05-21 | Avante International Technology, Inc. | Image-based monitoring and detection of track/rail faults |
| CN111369484A (zh) * | 2020-03-05 | 2020-07-03 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 钢轨廓形检测方法及装置 |
| CN112215264A (zh) * | 2020-09-23 | 2021-01-12 | 西南交通大学 | 一种基于钢轨光带图像的钢轨磨耗检测方法 |
| US20220189001A1 (en) * | 2020-10-23 | 2022-06-16 | Harsco Technologies LLC | Rail feature identification system |
| CN113362285A (zh) * | 2021-05-21 | 2021-09-07 | 同济大学 | 一种钢轨表面伤损细粒度图像分类与检测方法 |
| CN114119957A (zh) * | 2021-09-27 | 2022-03-01 | 中国铁道科学研究院集团有限公司 | 高速铁路钢轨廓形检测方法及装置 |
| CN114067296A (zh) * | 2021-11-11 | 2022-02-18 | 中国铁道科学研究院集团有限公司 | 钢轨表面缺陷识别方法及装置 |
| US20230347948A1 (en) * | 2022-04-29 | 2023-11-02 | Southwest Jiaotong University | Rail corrugation recognition method and apparatus based on support vector machine, device, and medium |
| CN114926415A (zh) * | 2022-05-06 | 2022-08-19 | 东莞灵虎智能科技有限公司 | 一种基于pcnn与深度学习的钢轨表面检测方法 |
| CN115049654A (zh) * | 2022-08-15 | 2022-09-13 | 成都唐源电气股份有限公司 | 一种钢轨反光光条的提取方法 |
| CN116626177A (zh) * | 2023-05-05 | 2023-08-22 | 中国国家铁路集团有限公司 | 钢轨伤损识别方法及装置 |
| CN116934682A (zh) * | 2023-05-19 | 2023-10-24 | 浙江银轮智能装备有限公司 | 钢轨轨面光带检测方法及设备 |
| CN116703847A (zh) * | 2023-05-31 | 2023-09-05 | 西南交通大学 | 一种道岔钢轨光带的识别方法、系统、设备及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| LIU R 等: "Metro anomaly detection based on light strip inductive key frame extraction and MAGAN network", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》, vol. 71, pages 1 - 14 * |
| ZHOU P 等: "Rail profile measurement based on line-structured light vision", 《IEEE ACCESS》, vol. 6, pages 16423 - 16431, XP011680486, DOI: 10.1109/ACCESS.2018.2813319 * |
| 范宏: "基于视觉的高速铁路轨道状态检测算法研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, no. 2023, pages 033 - 9 * |
| 贺振东 等: "基于背景差分的高铁钢轨表面缺陷图像分割", 《仪器仪表学报》, no. 03, pages 640 - 649 * |
| 郭庆: "基于图像处理的铁轨表面缺陷检测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 2023, pages 033 - 203 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117253066B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tran et al. | A two-step sequential automated crack detection and severity classification process for asphalt pavements | |
| Shaghouri et al. | Real-time pothole detection using deep learning | |
| Gao et al. | Detection and segmentation of cement concrete pavement pothole based on image processing technology | |
| Hadjidemetriou et al. | Vision-and entropy-based detection of distressed areas for integrated pavement condition assessment | |
| CN113160192A (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
| CN113436157B (zh) | 一种用于受电弓故障的车载图像识别方法 | |
| CN108921120B (zh) | 一种适应广泛零售场景下的香烟识别方法 | |
| CN114998852A (zh) | 一种基于深度学习的公路路面病害智能检测方法 | |
| CN109740609B (zh) | 一种轨距检测方法及装置 | |
| CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
| CN111079734B (zh) | 铁路货车三角孔异物检测方法 | |
| CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
| CN111767874B (zh) | 一种基于深度学习的路面病害检测方法 | |
| Abou Chacra et al. | Fully automated road defect detection using street view images | |
| CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及系统 | |
| CN110660049A (zh) | 一种基于深度学习的轮胎缺陷检测方法 | |
| CN113516652A (zh) | 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备 | |
| CN116703847A (zh) | 一种道岔钢轨光带的识别方法、系统、设备及存储介质 | |
| Kulambayev et al. | Real-time road surface damage detection framework based on mask r-cnn model | |
| CN117253066B (zh) | 钢轨表面状态的识别方法、装置、设备及可读存储介质 | |
| CN114067296A (zh) | 钢轨表面缺陷识别方法及装置 | |
| CN116188449B (zh) | 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备 | |
| CN111860500A (zh) | 一种鞋印磨损区域检测与描边方法 | |
| KR102585146B1 (ko) | 딥러닝 기반의 도로손상 탐지 장치 및 방법 | |
| CN114463289A (zh) | 一种钢轨损伤检测方法及装置 |
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 |