CN117314921A - 一种基于rfid的轨道巡检设备的起点检测及处置方法 - Google Patents
一种基于rfid的轨道巡检设备的起点检测及处置方法 Download PDFInfo
- Publication number
- CN117314921A CN117314921A CN202311615858.4A CN202311615858A CN117314921A CN 117314921 A CN117314921 A CN 117314921A CN 202311615858 A CN202311615858 A CN 202311615858A CN 117314921 A CN117314921 A CN 117314921A
- Authority
- CN
- China
- Prior art keywords
- track
- data
- rfid
- starting point
- height
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 76
- 238000007689 inspection Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 25
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000002547 anomalous effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 229910052742 iron Inorganic materials 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Machines For Laying And Maintaining Railways (AREA)
Abstract
本发明公开了一种基于RFID的轨道巡检设备的起点检测及处置方法，涉及图形数据读取技术领域。该基于RFID的轨道巡检设备的起点检测及处置方法，包括在轨道起点以及关键位置安装RFID标签，并在轨道巡检设备上搭载RFID读取器，通过基于RFID标签信息的起点定位，确保巡检人员可以准确找到轨道的起点，消除了不确定性，使巡检过程更高效，无需花费时间寻找起点，从而节省了时间和资源，在巡检过程中，通过分析捕捉到的图形数据，系统能够实时进行异常检测，检测到异常后，系统可以立即通过通信报警系统通知运维人员进行故障排除，使得维护变得更具有预防性，有助于在问题蔓延前迅速采取行动，降低了设备损坏的风险。
Description
技术领域
本发明涉及图形数据读取技术领域，具体为一种基于RFID的轨道巡检设备的起点检测及处置方法。
背景技术
视觉成像技术被广泛应用于轨道巡检技术领域，将线阵摄像机和/或3D摄像机安装于轨道巡检平台底部，对轨道表面进行2D和/或3D成像，获取轨道表面2D和/或3D成像数据，可为轨道病害检测提供数据。在获取轨道可视化数据后，再通过模式识别技术对获取的数据进行处理，以实现轨道病害可视化自动检测，根据不同的用途，轨道可分为城市轨道(地铁)、大铁(有砟低速铁路)、高铁(无砟高速铁路)。这些轨道具有以下特点：其中，大铁、高铁，里程长，转弯半径大，线路平直性好，某一区段线路中扣件类型较少，拍摄的轨道表面可视化图像内容较为简单；城市轨道(地铁)，里程短、转弯半径大，线路状态复杂(施工标段多，导致存在多种扣件、轨枕、道床类型)，使获取的轨道表面可视化图像内容非常复杂，给基于模式识别的轨道病害检测方法带来巨大挑战，因此，现有面向大铁、高铁研制的轨道表面可视化巡检系统，在城市轨道中推广使用时，因线路情况的复杂，导致轨道病害检测率低、误报率高。
现有技术中通过RFID实现检测起点粗定位，通过视觉标识实现像素级对齐，兼顾了效率和精度，具有鲁棒、高效的特点，在线路上设置的具有唯一ID的RFID电子标签，可在不依赖任何第三方装置的情况下，实现起点检测，可在大铁、高铁、地铁、隧道等场景应用，对拓展轨道可视化巡检应用领域具有重要意义；RFID与视觉标识组合，通过视觉标识可以实现像素级背景对齐，对提升数据比对结果精度，减小因图像未对齐产生的误报具有重要价值，但是存在不便在确定轨道起点的过程中进行异常检测的问题。
发明内容
针对现有技术的不足，本发明提供了一种基于RFID的轨道巡检设备的起点检测及处置方法，解决了不便在确定轨道起点的过程中的过程中进行异常检测的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于RFID的轨道巡检设备的起点检测及处置方法，包括以下步骤：在轨道起点以及关键位置安装RFID标签，并在轨道巡检设备上搭载RFID读取器；在轨道巡检设备监测上的RFID读取器读取到RFID标签信息时，图形数据读取装置捕捉轨道的图形数据；识别捕捉的图形数据，并通过读取该处的RFID标签确认起点位置；基于捕捉到的图形数据判断轨道是否异常，若是则通过通信报警系统通知运维人员进行故障排除。
进一步地，所述数据读取装置包括多个不同角度的摄像头或传感器，用于获得不同视角下轨道的图形数据。
进一步地，所述识别捕捉的图形数据包括以下步骤：对图形数据进行预处理，包括灰度化和高斯滤波：使用霍夫变换检测图像中的直线，获取轨道特征；根据RFID标签信息和图像中检测到的轨道特征进行匹配和验证，即比较RFID标签位置与检测到的直线之间的距离，并验证该距离是否与设定的阈值匹配，若是则确定找到起点，若否则继续寻找。
进一步地，所述根据RFID标签信息和图像中检测到得到轨道特征进行匹配和验证通过检测模型实现，所述检测模型构建步骤如下：收集轨道数据，所述轨道数据包括轨道图像数据，RFID标签位置数据以及轨道高度数据；从轨道图像数据中提取轨道训练特征，所述轨道训练特征包括边缘、颜色、纹理，同时将RFID标签位置和轨道高度数据与图像进行对应标注，以建立训练数据集；使用卷积神经网络利用训练数据集进行模型训练，目标为使检测模型能够根据轨道图像数据和附近RFID标签位置预测轨道的起点，并在轨道高度数据上实现异常检测；使用测试数据集对训练得到的模型进行评估，验证其在轨道起点检测额异常检测上的性能和准确率；定期收集新的轨道数据，用于更新和改进检测模型。
进一步地，所述基于捕捉到的图形数据判断轨道是否异常通过检测模型实现，其步骤如下：所述检测模型接收到图形数据读取装置获取的轨道检测高度数据后，调取数据库中最新的轨道历史高度数据；基于轨道历史高度数据计算轨道高度数据的设定阈值；判断轨道检测高度数据是否大于设定阈值，若是则认定轨道存在异常。
进一步地，所述基于轨道历史高度数据计算轨道高度数据的设定阈值的步骤如下：基于轨道历史高度数据计算轨道高度均值，计算公式如下：，其中，/>为自然常数，/>为轨道历史高度数据调制因子，/>为采样的天数，/>为每天的采样次数，/>为第/>天的/>个轨道历史高度数据；基于轨道历史高度数据和轨道高度均值计算轨道高度标准差/>，计算公式如下：，其中，/>为自然常数，/>为轨道历史高度数据调制因子，/>为采样的天数，/>为每天的采样次数，/>为第/>个轨道历史高度数据；基于轨道高度均值和轨道高度标准差设定阈值/>，所述设定阈值/>，其中/>为调节参数。
进一步地，所述检测模型的构建还包括收集轨道图像数据中的轨道边缘形状参数，用于在轨道形状上实现异常检测，所述基于捕捉到的图形数据判断轨道是否异常还通过检测模型计算轨道的形状偏差来实现，步骤如下：从霍夫变换中获得一组轨道边缘的参数，获得轨道边缘坐标；使用多项式拟合的方式将轨道边缘的坐标拟合成曲线；计算每个轨道边缘点与拟合曲线之间的距离，作为形状偏差的值/>，并与设定阈值对比，若形状偏差的值超过设定阈值，则认定轨道存在异常。
进一步地，所述形状偏差的值的计算公式如下：，其中，/>为轨道边缘坐标/>的个数，/>和/>分别为拟合曲线在轨道边缘点/>出的/>坐标和拟合曲线在轨道边缘点/>出的/>坐标。
进一步地，所述基于捕捉到的图形数据判断轨道是否异常包括分析历史数据和当前的轨道状态，预测轨道在未来一段时间内是否出现异常，步骤如下：调取数据库中的历史轨道数据，并基于历史数据提取特征；利用收集的历史数据和提取的特征，训练预测模型，目标为学习历史数据中正常和异常状态之间的关系；在实时巡检过程中，实时地获取当前轨道状态，使用训练好的预测模型进行异常预测，预测未来一段时间内是否会出现轨道异常。
进一步地，所述历史轨道数据包括轨道图像数据、RFID标签位置数据，所述特征包括轨道高度均值、标准差、形状偏差、轨道边缘。
本发明具有以下有益效果：
（1）该基于RFID的轨道巡检设备的起点检测及处置方法，通过基于RFID标签信息的起点定位，确保巡检人员可以准确找到轨道的起点，消除了不确定性，使巡检过程更高效，无需花费时间寻找起点，从而节省了时间和资源， 在巡检过程中，通过分析捕捉到的图形数据，系统能够实时进行异常检测，检测到异常后，系统可以立即通过通信报警系统通知运维人员进行故障排除，使得维护变得更具有预防性，有助于在问题蔓延前迅速采取行动，降低了设备损坏的风险。
（2）该基于RFID的轨道巡检设备的起点检测及处置方法，起点检测利用RFID标签信息和图形数据，能够自动精准地确定轨道的起点位置，消除了人工寻找起点的需要，节省了时间和人力成本，通过RFID技术和图形数据的结合，起点检测能够在较短的时间内完成定位任务，采用自动化的起点定位和异常检测方法，降低了人为主观因素对巡检结果的影响，结合历史数据和实时异常检测，可以更好地预测轨道的状态，并作出相应决策。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
图1为本发明基于RFID的轨道巡检设备的起点检测及处置方法流程图。
图2为本发明基于RFID的轨道巡检设备的起点检测及处置方法识别捕捉的图形数据步骤流程图。
图3为本发明基于RFID的轨道巡检设备的起点检测及处置方法检测模型构建步骤流程图。
图4为本发明基于RFID的轨道巡检设备的起点检测及处置方法基于捕捉到的图形数据判断轨道是否异常流程图。
具体实施方式
本申请实施例通过基于RFID的轨道巡检设备的起点检测及处置方法，实现了确定轨道起点，并在巡检的过程中进行异常检测。
本申请实施例中的问题，总体思路如下：
通过在轨道起点和关键位置安装RFID标签，并在巡检设备上装载RFID读取器，实现轨道起点的确定，当巡检设备读取到RFID标签信息时，通过图像数据读取装置捕捉轨道的图像数据，并使用图像处理技术提取轨道特征，如直线，以确认起点位置，同时，基于捕捉到的图像数据和轨道特征，利用检测模型进行异常判断，如果检测到异常，巡检设备通过通信报警系统通知运维人员，实现了对轨道异常的及时监测和处理。
请参阅图1，本发明实施例提供一种技术方案：一种基于RFID的轨道巡检设备的起点检测及处置方法，包括以下步骤：在轨道起点以及关键位置安装RFID标签，并在轨道巡检设备上搭载RFID读取器；在轨道巡检设备监测上的RFID读取器读取到RFID标签信息时，图形数据读取装置捕捉轨道的图形数据；识别捕捉的图形数据，并通过读取该处的RFID标签确认起点位置；基于捕捉到的图形数据判断轨道是否异常，若是则通过通信报警系统通知运维人员进行故障排除。
数据读取装置包括多个不同角度的摄像头或传感器，用于获得不同视角下轨道的图形数据。
本实施方案中，首先，在轨道起点和关键位置安装RFID标签，并在巡检设备上装载RFID读取器，通过RFID标签的布置实现了轨道起点的精确定位，从而解决了轨道起点的确定问题，当巡检设备通过RFID标签位置时，RFID读取器读取到RFID标签信息，然后通过图形数据读取装置捕捉轨道的图形数据，利用多个不同角度的摄像头或传感器获取不同视角下的图像数据，从而提供了全面的视觉信息。
具体地，如图2所示，识别捕捉的图形数据包括以下步骤：对图形数据进行预处理，包括灰度化和高斯滤波：使用霍夫变换检测图像中的直线，获取轨道特征；根据RFID标签信息和图像中检测到的轨道特征进行匹配和验证，即比较RFID标签位置与检测到的直线之间的距离，并验证该距离是否与设定的阈值匹配，若是则确定找到起点，若否则继续寻找。
本实施方案中，通过预处理、灰度化和高斯滤波，能够有效减少图像噪声，提升图像质量，使用霍夫变换检测图像中的直线，特别是轨道的直线特征，可以精确定位轨道的方向和位置。
将RFID标签信息和图像中检测到的轨道特征进行匹配和验证，通过比较RFID标签位置与检测到的直线之间的距离，并验证该距离是否与设定的阈值匹配，能够进一步提高起点的准确性，综合数据验证的方法，结合了RFID标签信息和视觉特征，使得判断轨道起点更加可靠和准确。
另外通过自动化的图像处理和匹配验证流程，无需人工干预即可确定轨道起点，不仅节省了人力资源，还减少了人为判断的主观性，从而提高了判断的客观性和一致性。
具体地，如图3所示，根据RFID标签信息和图像中检测到的轨道特征进行匹配和验证通过检测模型实现，检测模型构建步骤如下：收集轨道数据，轨道数据包括轨道图像数据，RFID标签位置数据以及轨道高度数据；从轨道图像数据中提取轨道训练特征，轨道训练特征包括边缘、颜色、纹理，同时将RFID标签位置和轨道高度数据与图像进行对应标注，以建立训练数据集；使用卷积神经网络利用训练数据集进行模型训练，目标为使检测模型能够根据轨道图像数据和附近RFID标签位置预测轨道的起点，并在轨道高度数据上实现异常检测；使用测试数据集对训练得到的模型进行评估，验证其在轨道起点检测额异常检测上的性能和准确率；定期收集新的轨道数据，用于更新和改进检测模型。
本实施方案中，收集了多种轨道数据，包括轨道图像数据、RFID标签位置数据以及轨道高度数据，通过将这些数据整合到一个综合的检测模型中，实现了对轨道状态的全面分析，在轨道图像数据中提取轨道训练特征，如边缘、颜色、纹理等，结合RFID标签位置和轨道高度数据进行对应标注，能够捕捉轨道多方面的信息。
使用卷积神经网络（CNN）进行模型训练，可以有效地学习图像数据中的特征，这种模型不仅能够根据轨道图像数据和附近RFID标签位置预测轨道的起点，还能够在轨道高度数据上实现异常检测，从而实现了对轨道状态的全面分析。
另外，使用测试数据集对训练得到的模型进行评估，验证其在轨道起点检测和异常检测上的性能和准确率，这种定量的评估可以确保模型的可靠性，定期收集新的轨道数据用于更新和改进检测模型，使模型能够不断适应轨道状态的变化。
通过建立综合的数据模型，融合多种数据信息，使用深度学习模型进行训练和预测，以及定期更新模型，实现了对轨道状态的全面监测和分析，从而解决了技术问题中的轨道起点检测和异常检测需求，提高了系统的可靠性和效率。
具体地，如图4所示，基于捕捉到的图形数据判断轨道是否异常通过检测模型实现，其步骤如下：检测模型接收到图形数据读取装置获取的轨道检测高度数据后，调取数据库中最新的轨道历史高度数据；基于轨道历史高度数据计算轨道高度数据的设定阈值；判断轨道检测高度数据是否大于设定阈值，若是则认定轨道存在异常。
本实施方案中，通过实时获取的轨道检测高度数据以及历史轨道高度数据，建立了一种动态的异常判断机制，使得系统能够根据实际数据变化进行判断，而不是仅依赖于静态设定的阈值，可以更精准地检测轨道是否异常，尤其是在不同环境和情况下，能够更好地适应不同的轨道状态。
基于历史轨道高度数据计算轨道高度数据的设定阈值，可以根据历史数据的变化情况自动调整阈值，可以针对不同时间段和不同条件下的轨道状态进行个性化的异常判断，增强了判断的准确性和灵活性。
如果检测到轨道检测高度数据超过设定的阈值，系统会认定轨道存在异常，从而能够及时触发警报系统，通知运维人员进行相应的处理，可以大大缩短异常的响应时间，降低可能的风险和损失。
具体地，基于轨道历史高度数据计算轨道高度数据的设定阈值的步骤如下：基于轨道历史高度数据计算轨道高度均值，计算公式如下：/>，其中，/>为自然常数，/>为轨道历史高度数据调制因子，/>为采样的天数，/>为每天的采样次数，/>为第/>天的/>个轨道历史高度数据；基于轨道历史高度数据和轨道高度均值计算轨道高度标准差/>，计算公式如下：/>，其中，/>为自然常数，/>为轨道历史高度数据调制因子，/>为采样的天数，/>为每天的采样次数，/>为第/>个轨道历史高度数据；基于轨道高度均值和轨道高度标准差设定阈值/>，设定阈值，其中/>为调节参数。
本实施方案中，通过基于历史轨道高度数据计算轨道高度均值和标准差，采用动态计算阈值的方法，可以根据实际数据的变化动态地调整判定标准, 通过基于历史轨道高度数据计算轨道高度均值和标准差，采用动态计算阈值的方法，可以根据实际数据的变化动态地调整判定标准。
通过计算轨道高度均值和标准差，将历史数据的趋势和波动性纳入阈值计算中，通过计算轨道高度均值和标准差，将历史数据的趋势和波动性纳入阈值计算中，这种个性化的阈值设定方法能够根据不同情况和需求，自动调整判定标准，使判断更加准确、灵活。
具体地，检测模型的构建还包括收集轨道图像数据中的轨道边缘形状参数，用于在轨道形状上实现异常检测，基于捕捉到的图形数据判断轨道是否异常还通过检测模型计算轨道的形状偏差来实现，步骤如下：从霍夫变换中获得一组轨道边缘的参数，获得轨道边缘坐标；使用多项式拟合的方式将轨道边缘的坐标拟合成曲线；计算每个轨道边缘点与拟合曲线之间的距离，作为形状偏差的值/>，并于设定阈值对比，若形状偏差的值超过设定阈值，则认定轨道存在异常。
形状偏差的值的计算公式如下：，其中，/>为轨道边缘坐标/>的个数，/>和/>分别为拟合曲线在轨道边缘点/>出的/>坐标和拟合曲线在轨道边缘点/>出的/>坐标。
本实施方案中，通过收集轨道图像数据中的轨道边缘形状参数，可以获取轨道的几何形状信息，有助于了解轨道的实际形状，并能在后续步骤中用于异常检测，使用多项式拟合的方式将轨道边缘的坐标拟合成曲线，能够更好地描述轨道的实际形状，这种拟合可以减少噪声的影响，使得形状分析更精确。
通过计算每个轨道边缘点与拟合曲线之间的距离，可以得到形状偏差的值，代表了轨道实际形状与拟合曲线之间的差异，能够反映出轨道是否偏离了预期的形状，将计算得到的形状偏差与设定的阈值进行对比，若形状偏差的值超过设定阈值，就可以认定轨道存在异常，这种自动化的异常检测方法能够在轨道形状发生变化时及时发现问题，减少了人工干预的需求。
形状偏差的值的计算公式中考虑了每个轨道边缘点与拟合曲线之间的综合差异，通过对整体形状的综合分析，能够更早地发现潜在的轨道异常情况，从而及时采取措施进行修复和维护。
具体地，基于捕捉到的图形数据判断轨道是否异常包括分析历史数据和当前的轨道状态，预测轨道在未来一端时间内是否出现异常，步骤如下：调取数据库中的历史轨道数据，并基于历史数据提取特征；利用收集的历史数据和提取的特征，训练预测模型，目标为学习历史数据中正常和异常状态之间的关系；在实时巡检过程中，实时地获取当前轨道状态，使用训练好的预测模型进行异常预测，预测未来一段时间内是否会出现轨道异常。
历史轨道数据包括轨道图像数据、RFID标签位置数据，特征包括轨道高度均值、标准差、形状偏差、轨道边缘。
本实施方案中，通过调取历史轨道数据并提取特征，系统可以对过去的轨道状态进行全面的分析，包括了轨道图像数据、RFID标签位置数据、轨道高度均值、标准差、形状偏差以及轨道边缘等多方面信息，综合这些数据可以构建历史轨道状态的综合性描述，帮助系统理解正常和异常状态之间的关系。
在实时巡检中，系统通过获取当前轨道状态，并应用训练好的预测模型，能够预测未来一段时间内轨道是否会出现异常，可以提前采取措施，避免潜在问题的发生。
综上，本申请至少具有以下效果：
起点检测利用RFID标签信息和图形数据，能够自动精准地确定轨道的起点位置，消除了人工寻找起点的需要，节省了时间和人力成本，通过RFID技术和图形数据的结合，起点检测能够在较短的时间内完成定位任务。
通过基于RFID标签信息的起点定位，确保巡检人员可以准确找到轨道的起点，消除了不确定性，使巡检过程更高效，无需花费时间寻找起点，从而节省了时间和资源， 在巡检过程中，通过分析捕捉到的图形数据，系统能够实时进行异常检测，检测到异常后，系统可以立即通过通信报警系统通知运维人员进行故障排除，使得维护变得更具有预防性，有助于在问题蔓延前迅速采取行动，降低了设备损坏的风险。
采用自动化的起点定位和异常检测方法，降低了人为主观因素对巡检结果的影响，结合历史数据和实时异常检测，可以更好地预测轨道的状态，并作出相应决策。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的系统、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
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 (10)
1.一种基于RFID的轨道巡检设备的起点检测及处置方法，其特征在于，包括以下步骤：
在轨道起点以及关键位置安装RFID标签，并在轨道巡检设备上搭载RFID读取器；
在轨道巡检设备监测上的RFID读取器读取到RFID标签信息时，图形数据读取装置捕捉轨道的图形数据；
识别捕捉的图形数据，并通过读取该处的RFID标签确认起点位置；
基于捕捉到的图形数据判断轨道是否异常，若是则通过通信报警系统通知运维人员进行故障排除。
2.根据权利要求1所述的一种基于RFID的轨道巡检设备的起点检测及处置方法，其特征在于：所述数据读取装置包括多个不同角度的摄像头或传感器，用于获得不同视角下轨道的图形数据。
3.根据权利要求1所述的一种基于RFID的轨道巡检设备的起点检测及处置方法，其特征在于，所述识别捕捉的图形数据包括以下步骤：
对图形数据进行预处理，包括灰度化和高斯滤波：
使用霍夫变换检测图像中的直线，获取轨道特征；
根据RFID标签信息和图像中检测到的轨道特征进行匹配和验证，即比较RFID标签位置与检测到的直线之间的距离，并验证该距离是否与设定的阈值匹配，若是则确定找到起点，若否则继续寻找。
4.根据权利要求3所述的一种基于RFID的轨道巡检设备的起点检测及处置方法，其特征在于，所述根据RFID标签信息和图像中检测到的轨道特征进行匹配和验证通过检测模型实现，所述检测模型构建步骤如下：
收集轨道数据，所述轨道数据包括轨道图像数据，RFID标签位置数据以及轨道高度数据；
从轨道图像数据中提取轨道训练特征，所述轨道训练特征包括边缘、颜色、纹理，同时将RFID标签位置和轨道高度数据与图像进行对应标注，以建立训练数据集；
使用卷积神经网络利用训练数据集进行模型训练，目标为使检测模型能够根据轨道图像数据和附近RFID标签位置预测轨道的起点，并在轨道高度数据上实现异常检测；
使用测试数据集对训练得到的模型进行评估，验证其在轨道起点检测异常检测上的性能和准确率；
定期收集新的轨道数据，用于更新和改进检测模型。
5.根据权利要求4所述的一种基于RFID的轨道巡检设备的起点检测及处置方法，其特征在于，所述基于捕捉到的图形数据判断轨道是否异常通过检测模型实现，其步骤如下：
所述检测模型接收到图形数据读取装置获取的轨道检测高度数据后，调取数据库中最新的轨道历史高度数据；
基于轨道历史高度数据计算轨道高度数据的设定阈值；
判断轨道检测高度数据是否大于设定阈值，若是则认定轨道存在异常。
6.根据权利要求5所述的一种基于RFID的轨道巡检设备的起点检测及处置方法，其特征在于，所述基于轨道历史高度数据计算轨道高度数据的设定阈值的步骤如下：
基于轨道历史高度数据计算轨道高度均值，计算公式如下：
，其中，/>为自然常数，/>为轨道历史高度数据调制因子，为采样的天数，/>为每天的采样次数，/>为第/>天的/>个轨道历史高度数据；
基于轨道历史高度数据和轨道高度均值计算轨道高度标准差，计算公式如下：
，其中，/>为自然常数，/>为轨道历史高度数据调制因子，为采样的天数，/>为每天的采样次数，/>为第/>个轨道历史高度数据；
基于轨道高度均值和轨道高度标准差设定阈值，所述设定阈值/>，其中/>为调节参数。
7.根据权利要求5所述的一种基于RFID的轨道巡检设备的起点检测及处置方法，其特征在于，所述检测模型的构建还包括收集轨道图像数据中的轨道边缘形状参数，用于在轨道形状上实现异常检测，所述基于捕捉到的图形数据判断轨道是否异常还通过检测模型计算轨道的形状偏差来实现，步骤如下：
从霍夫变换中获得一组轨道边缘的参数，获得轨道边缘坐标；
使用多项式拟合的方式将轨道边缘的坐标拟合成曲线；
计算每个轨道边缘点与拟合曲线之间的距离，作为形状偏差的值，并与设定阈值对比，若形状偏差的值超过设定阈值，则认定轨道存在异常。
8.根据权利要求7所述的一种基于RFID的轨道巡检设备的起点检测及处置方法，其特征在于，所述形状偏差的值的计算公式如下：
，其中，/>为轨道边缘坐标的个数，/>和/>分别为拟合曲线在轨道边缘点/>出的/>坐标和拟合曲线在轨道边缘点/>出的/>坐标。
9.根据权利要求1所述的一种基于RFID的轨道巡检设备的起点检测及处置方法，其特征在于：所述基于捕捉到的图形数据判断轨道是否异常包括分析历史数据和当前的轨道状态，预测轨道在未来一段时间内是否出现异常，步骤如下：
调取数据库中的历史轨道数据，并基于历史数据提取特征；
利用收集的历史数据和提取的特征，训练预测模型，目标为学习历史数据中正常和异常状态之间的关系；
在实时巡检过程中，实时地获取当前轨道状态，使用训练好的预测模型进行异常预测，预测未来一段时间内是否会出现轨道异常。
10.根据权利要求9所述的一种基于RFID的轨道巡检设备的起点检测及处置方法，其特征在于：所述历史轨道数据包括轨道图像数据、RFID标签位置数据，所述特征包括轨道高度均值、标准差、形状偏差、轨道边缘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311615858.4A CN117314921B (zh) | 2023-11-30 | 2023-11-30 | 一种基于rfid的轨道巡检设备的起点检测及处置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311615858.4A CN117314921B (zh) | 2023-11-30 | 2023-11-30 | 一种基于rfid的轨道巡检设备的起点检测及处置方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117314921A true CN117314921A (zh) | 2023-12-29 |
| CN117314921B CN117314921B (zh) | 2024-02-09 |
Family
ID=89274153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311615858.4A Active CN117314921B (zh) | 2023-11-30 | 2023-11-30 | 一种基于rfid的轨道巡检设备的起点检测及处置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117314921B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117973699A (zh) * | 2024-03-28 | 2024-05-03 | 深圳市感恩网络科技有限公司 | 一种基于云计算的运维数据智能化管理系统及方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190036425A (ko) * | 2017-09-27 | 2019-04-04 | 주식회사 포스코아이씨티 | 패트롤 트레이를 이용한 수하물 처리 시스템 및 방법 |
| CN114527752A (zh) * | 2022-01-25 | 2022-05-24 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 低卫星信号环境下轨道巡检机器人检测数据精确定位方法 |
| CN114662513A (zh) * | 2022-04-09 | 2022-06-24 | 成都精视华耀科技有限公司 | 一种鲁棒高效的轨道可视化巡检起点检测与对齐方法 |
| WO2022134495A1 (zh) * | 2020-12-22 | 2022-06-30 | 杭州未名信科科技有限公司 | 基于深度学习的设备异常检测方法、系统及计算机介质 |
| CN217279596U (zh) * | 2022-04-09 | 2022-08-23 | 成都精工华耀科技有限公司 | 一种鲁棒高效的轨道可视化巡检装置 |
| CN115457466A (zh) * | 2022-09-08 | 2022-12-09 | 上海置信电气有限公司 | 一种基于巡检视频的隐患检测方法、系统及电子设备 |
| WO2023071217A1 (zh) * | 2021-10-27 | 2023-05-04 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
| CN116934665A (zh) * | 2022-04-09 | 2023-10-24 | 成都精视华耀科技有限公司 | 一种rfid引导的轨道可视化巡检系统 |
-
2023
- 2023-11-30 CN CN202311615858.4A patent/CN117314921B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190036425A (ko) * | 2017-09-27 | 2019-04-04 | 주식회사 포스코아이씨티 | 패트롤 트레이를 이용한 수하물 처리 시스템 및 방법 |
| WO2022134495A1 (zh) * | 2020-12-22 | 2022-06-30 | 杭州未名信科科技有限公司 | 基于深度学习的设备异常检测方法、系统及计算机介质 |
| WO2023071217A1 (zh) * | 2021-10-27 | 2023-05-04 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
| CN114527752A (zh) * | 2022-01-25 | 2022-05-24 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 低卫星信号环境下轨道巡检机器人检测数据精确定位方法 |
| CN114662513A (zh) * | 2022-04-09 | 2022-06-24 | 成都精视华耀科技有限公司 | 一种鲁棒高效的轨道可视化巡检起点检测与对齐方法 |
| CN217279596U (zh) * | 2022-04-09 | 2022-08-23 | 成都精工华耀科技有限公司 | 一种鲁棒高效的轨道可视化巡检装置 |
| CN116934665A (zh) * | 2022-04-09 | 2023-10-24 | 成都精视华耀科技有限公司 | 一种rfid引导的轨道可视化巡检系统 |
| CN115457466A (zh) * | 2022-09-08 | 2022-12-09 | 上海置信电气有限公司 | 一种基于巡检视频的隐患检测方法、系统及电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| 何玉娟;宋鑫;李斌;: "基于RFID定位的铁路隧道漏缆视频巡检方案", 中国铁路, no. 11 * |
| 王东海;周平;赵轩;储强;: "电力隧道机器人巡检目标坐标定位的共轭搜索", 吉林大学学报(信息科学版), no. 01 * |
| 郭国法;卢运栓;张开生;: "适用于车间巡检定位的改进RFID定位算法", 实验室研究与探索, no. 12 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117973699A (zh) * | 2024-03-28 | 2024-05-03 | 深圳市感恩网络科技有限公司 | 一种基于云计算的运维数据智能化管理系统及方法 |
| CN117973699B (zh) * | 2024-03-28 | 2024-05-28 | 深圳市感恩网络科技有限公司 | 一种基于云计算的运维数据智能化管理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117314921B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111322985B (zh) | 基于激光点云的隧道限界分析方法、装置和系统 | |
| EP2697738B1 (en) | Method and system of rail component detection using vision technology | |
| CN117314921B (zh) | 一种基于rfid的轨道巡检设备的起点检测及处置方法 | |
| CN111507147A (zh) | 智能巡检方法、装置、计算机设备和存储介质 | |
| KR102017870B1 (ko) | 실시간 선로 결함 검측 시스템 | |
| CN117557570B (zh) | 一种轨道车辆异常检测方法及系统 | |
| EP4025452A1 (en) | Device and method for detecting wear and/or damage on a pantograph | |
| CN113269042B (zh) | 基于行驶车辆违章识别的智能交通管理方法及系统 | |
| CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
| CN111080668A (zh) | 一种闸片磨损故障检测的方法及系统 | |
| CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
| CN112966638A (zh) | 基于多种特征的变电站作业人员鉴别及定位方法 | |
| CN110889338A (zh) | 无监督式的铁路道床异物检测、样本构造方法及装置 | |
| CN114740086A (zh) | 一种单轨吊轨道缺陷检测方法 | |
| CN115410114A (zh) | 一种基于多特征的城轨防汛预警方法及系统 | |
| Yaman et al. | PSO based diagnosis approach for surface and components faults in railways | |
| CN110672632A (zh) | 一种隧道病害识别方法 | |
| Wang et al. | Automated shape-based pavement crack detection approach | |
| CN111127409A (zh) | 基于sift图像配准与余弦相似度的列车部件检测方法 | |
| CN117252840B (zh) | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 | |
| Akhila et al. | Convolutional neural network based online rail surface crack detection | |
| CN111626104B (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
| CN113269233A (zh) | 建筑工程转包与分包的智能监控与预警系统及方法 | |
| CN111862023A (zh) | 一种基于计算机视觉的受电弓结构异常检测方法 | |
| Goda et al. | Rail joint gap measurement method using train frontal images captured by a handy video camcorder |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A starting point detection and disposal method for RFID based rail inspection equipment Granted publication date: 20240209 Pledgee: Yantai Rural Commercial Bank Co.,Ltd. Pledgor: SHANDONG DAOWAN ELECTRIC Co.,Ltd. Registration number: Y2024980017439 |