一种基于卷积神经网络的转辙机缺口自动检测方法技术

本发明专利技术提供了一种基于卷积神经网络的转辙机缺口自动检测方法，包括：同步采集转辙机缺口的定位图像和反位图像；采用预训练的深度卷积神经网络模型对定位图像和反位图像进行识别，分别计算定位图像和反位图像含有缺口的置信度，若定位图像的含缺口置信度大于反位图像，则选择定位图像选定为缺口图像，反之，选择反位图像为缺口图像；把缺口图像灰度化，并通过滤波，滤除噪声干扰，通过图像增强提高图像的辨识度；提取缺口图像的边缘信息，通过边缘信息定位缺口位置，测量缺口宽度，再通过摄像机预标定信息获取缺口实际宽度，计算缺口偏移量；上报正反位含缺口置信度信息和缺口偏移量信息，若出现异常，发出告警信息。

An Automatic Detection Method of Switching Machine Gap Based on Convolutional Neural Network

The invention provides an automatic detection method of switch machine gap based on convolution neural network, which includes synchronous acquisition of location image and reverse image of switch machine gap, recognition of location image and reverse image by using pre-trained depth convolution neural network model, calculation of confidence of location image and reverse image containing gap respectively, and confidence of location image containing gap if location image contains gap. If the degree is greater than the inverse image, the positioning image is chosen as the gap image, whereas the inverse image is chosen as the gap image; the gap image is grayed and filtered to eliminate noise interference, and the image recognition is improved by image enhancement; the edge information of the gap image is extracted, the gap position is located by edge information, the gap width is measured, and then the camera is pre-calibrated. Information acquires the actual width of the gap, calculates the gap offset, and reports the positive and negative position containing the gap confidence information and the gap offset information. If there is an anomaly, alarm information will be sent.

【技术实现步骤摘要】
一种基于卷积神经网络的转辙机缺口自动检测方法
本专利技术涉及一种转辙机缺口检测方法，属于轨道交通中道岔控制领域，具体的说，涉及了一种基于卷积神经网络的转辙机缺口自动检测方法。
技术介绍
道岔控制系统的执行机构转辙机的安全性和稳定性检测对于轨道交通行业中列车的安全运行发挥着重要作用。缺口状态数据是分析转辙机运行状态的重要参考。传统的转辙机缺口检测方法分为直接测量和间接测量两大类。基于计算机视觉的检测方法属于间接测量，现有的计算机视觉检测方法利用传统图像处理技术，能够实时有效地进行缺口的识别和偏移量测量，实现缺口检测的直观性和准确性，但是受算法限制，会出现缺口定反位的误判，引起测量错误，甚至造成严重的不良影响。为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。
技术实现思路
本专利技术为了克服基于计算机视觉的传统图像处理技术在转辙机检测方面的不足，引入人工智能技术来识别缺口的定反位，再利用传统图像处理方式对缺口大小进行测量，从而提供了一种基于卷积神经网络的转辙机缺口自动检测方法。为了实现上述目的，本专利技术所采用的技术方案是：一种基于卷积神经网络的转辙机缺口自动检测方法，包括以下步骤：步骤1、图像采集同步采集转辙机缺口的定位图像和反位图像；步骤2、缺口图像识别采用预训练的深度卷积神经网络模型对定位图像和反位图像进行识别，分别计算定位图像和反位图像含有缺口的置信度，若定位图像的含缺口置信度大于反位图像，则选择定位图像选定为缺口图像，反之，选择反位图像为缺口图像；步骤3、缺口图像处理把缺口图像灰度化，并通过滤波，滤除噪声干扰，通过图像增强提高图像的辨识度；步骤4、缺口信息测量提取缺口图像的边缘信息，通过边缘信息定位缺口位置，测量缺口宽度，再通过摄像机预标定信息获取缺口实际宽度，计算缺口偏移量；步骤5、状态信息上报与告警上报正反位含缺口置信度信息和缺口偏移量信息，若出现异常，发出告警信息。基于上述，步骤3中，首先要把彩色的缺口图像进行灰度化处理，公式为；再采用模板大小为3x3的中值滤波器去除图像的椒盐噪声；再利用拉普拉斯算子与图像之间的卷积，增强图像信息。基于上述，步骤4中，利用Canny算子提取缺口图像的边缘信息，利用开运算消除小的连通区域，再利用霍夫变换提取边缘中的直线信息，根据所提取的边缘和直线信息，定位缺口位置和缺口实际宽度。基于上述，所述告警信息包括缺口偏移量告警和异常缺口置信度告警。基于上述，步骤2中，预训练计算缺口置信度的卷积神经网络模型包括：采集大量的转辙机定反位图像，把采集的图像分为数量基本相当的含缺口和无缺口两类；再把归类后的图像划分为训练集、验证集、测试集；选择或自定义深度卷积神经网络模型，输入采集的转辙机图像，输出为含缺口的置信度和无缺口的置信度；用训练集进行模型的训练，用验证集验证训练结果，用测试集进行测试。基于上述，采用的深度卷积神经网络模型为LeNet、AlexNet、GoogLeNet或自定义的卷积神经网络模型。基于上述，所述自定义卷积神经网络模型包括1个输入层、4个卷积层、4个池化层和1个输出层；输入层为112x112大小的彩色图像；输入层后为4个卷积层，卷积核大小为3x3，参数分别为[3,16]、[16,32]、[32,64]、[64,128]，每个卷积层后紧跟一个2x2大小的最大池化层；全连接层参数分别为4096和1000；输出层经过softmax函数激励，结果分别为含缺口的置信度和不含缺口的置信度。本专利技术相对现有技术具有突出的实质性特点和显著的进步，具体的说，本专利技术充分发挥了卷积神经网络在图像分类方面的优势和传统图像处理方法在图像测量当中的优势，首先利用预训练的卷积神经无网络来判断缺口在定位还是反位，再利用传统图像处理方法测量缺口大小和偏移量，不仅增加了转折机缺口检测的智能性，而且提高了检测的准确性。附图说明图1是本专利技术的流程示意图。具体实施方式下面通过具体实施方式，对本专利技术的技术方案做进一步的详细描述。如图1所示，一种基于卷积神经网络的转辙机缺口自动检测方法，包括以下步骤：步骤1、图像采集同步采集转辙机缺口的定位图像和反位图像，确保每次测量都能够获取到缺口信息。步骤2、缺口图像识别采用预训练的深度卷积神经网络模型对定位图像和反位图像进行识别，分别计算定位图像和反位图像含有缺口的置信度，若定位图像的含缺口置信度大于反位图像，则选择定位图像选定为缺口图像，反之，选择反位图像为缺口图像。卷积神经网络模型需要提前训练，其训练过程如下：（1）训练样本准备采集大量ZYJ7、SH6、S700K等型号的转辙机定反位状态图像，并分为有缺口和无缺口两种类别，再把归类后的图像划分为训练集、验证集、测试集；（2）设计卷积神经网络结构网络结构作为卷积神经网络的核心，可选用LeNet、AlexNet、GoogLeNet等成熟模型。（3）训练神经网络模型通过反向传播算法和梯度下降算法来优化模型参数，在保证模型泛化能力的前提下，使损失函数尽可能的下降。模型损失函数的定义如下：其中，表示第个样本真实的类别，表示第个样本预测的类别。（4）模型优化调参。根据模型在验证集和测试集上的表现，评估该模型是否满足要求。如不满足，需要调整参数进行再训练，直到满足要求。特别的，也可以采用自定义卷积神经网络模型进行模型训练，所述自定义卷积神经网络模型包括1个输入层、4个卷积层、4个池化层和1个输出层；输入层为112x112大小的彩色图像；输入层后为4个卷积层，卷积核大小为3x3，参数分别为[3,16]、[16,32]、[32,64]、[64,128]，每个卷积层后紧跟一个2x2大小的最大池化层；全连接层参数分别为4096和1000；输出层经过softmax函数激励，结果分别为含缺口的置信度和不含缺口的置信度。步骤3、缺口图像处理把缺口图像灰度化，并通过滤波，滤除噪声干扰，通过图像增强提高图像的辨识度。具体的，采集的缺口图像为彩色图像，首先要把彩色的缺口图像进行灰度化处理，公式为；再采用模板大小为3x3的中值滤波器去除图像的椒盐噪声；再利用拉普拉斯算子与图像之间的卷积，增强图像信息。步骤4、缺口信息测量提取缺口图像的边缘信息，通过边缘信息定位缺口位置，测量缺口宽度，再通过摄像机预标定信息获取缺口实际宽度，计算缺口偏移量。具体地，利用Canny算子提取缺口图像的边缘信息，利用开运算消除小的连通区域，再利用霍夫变换提取边缘中的直线信息，根据所提取的边缘和直线信息，定位缺口位置和缺口实际宽度的像素值。其中，需要提前利用标准的尺度信息来矫正采集摄像机的畸变，获取像素坐标与真实坐标间的转换关系，即像素和毫米之间的转换系数，把所求取的缺口像素值转化为毫米值，获取缺口实际宽度，进而计算缺口偏移量。步骤5、状态信息上报与告警上报正反位含缺口置信度信息和缺口偏移量信息，若出现异常，发出缺口偏移量告警或异常缺口置信度告警。其中，缺口偏移量信息用于判断转辙机状态。正反位含缺口置信度信息用于判断识别系统的运行状态，通过对比同步采集的两幅图片的缺口存在的置信度来判断转辙机的定反位，弥补单幅图像只能通过阈值进行判别的不足，进一步提高定反位定位的准确性，提高识别系统运行状态判断的准确性。具体地，当缺口偏移量大于2mm时发出缺口偏移量告警；当出本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的转辙机缺口自动检测方法，其特征在于，包括以下步骤：步骤1、图像采集同步采集转辙机缺口的定位图像和反位图像；步骤2、缺口图像识别采用预训练的深度卷积神经网络模型对定位图像和反位图像进行识别，分别计算定位图像和反位图像含有缺口的置信度，若定位图像的含缺口置信度大于反位图像，则选择定位图像选定为缺口图像，反之，选择反位图像为缺口图像；步骤3、缺口图像处理把缺口图像灰度化，并通过滤波，滤除噪声干扰，通过图像增强提高图像的辨识度；步骤4、缺口信息测量提取缺口图像的边缘信息，通过边缘信息定位缺口位置，测量缺口宽度，再通过摄像机预标定信息获取缺口实际宽度，计算缺口偏移量；步骤5、状态信息上报与告警上报正反位含缺口置信度信息和缺口偏移量信息，若出现异常，发出告警信息。

【技术特征摘要】
1.一种基于卷积神经网络的转辙机缺口自动检测方法，其特征在于，包括以下步骤：步骤1、图像采集同步采集转辙机缺口的定位图像和反位图像；步骤2、缺口图像识别采用预训练的深度卷积神经网络模型对定位图像和反位图像进行识别，分别计算定位图像和反位图像含有缺口的置信度，若定位图像的含缺口置信度大于反位图像，则选择定位图像选定为缺口图像，反之，选择反位图像为缺口图像；步骤3、缺口图像处理把缺口图像灰度化，并通过滤波，滤除噪声干扰，通过图像增强提高图像的辨识度；步骤4、缺口信息测量提取缺口图像的边缘信息，通过边缘信息定位缺口位置，测量缺口宽度，再通过摄像机预标定信息获取缺口实际宽度，计算缺口偏移量；步骤5、状态信息上报与告警上报正反位含缺口置信度信息和缺口偏移量信息，若出现异常，发出告警信息。2.根据权利要求1所述的基于卷积神经网络的转辙机缺口自动检测方法，其特征在于：步骤3中，首先要把彩色的缺口图像进行灰度化处理，公式为；再采用模板大小为3x3的中值滤波器去除图像的椒盐噪声；再利用拉普拉斯算子与图像之间的卷积，增强图像信息。3.根据权利要求1所述的基于卷积神经网络的转辙机缺口自动检测方法，其特征在于：步骤4中，利用Canny算子提取缺口图像的边缘信息，利用开运算消除小的连通区域，再利用霍夫变换提取边缘中的直线信息，根据所提取的边缘和直线信息，定位缺口位置和缺口实际宽度。4.根据权...

【专利技术属性】
技术研发人员：何秋奇，程传斌，刘大庆，潘新华，朱林，孙光绪，
申请(专利权)人：河南辉煌科技股份有限公司，
类型：发明
国别省市：河南,41