【技术实现步骤摘要】
列车轨道扣件缺陷的检测方法
本专利技术涉及列车轨道缺陷检测的
,尤其涉及一种列车轨道扣件缺陷的检测方法。
技术介绍
轨道交通作为一种最重要的交通运输方式,已经在世界获得了极大的发展,在中国的发展更为显著,铁路的快速发展对运输的安全性提出了更高的要求。轨道和扣件的健康状态是保证轨道安全、稳定运输的关键。由于轮轨之间的接触摩擦和振动冲击的影响以及自然环境的影响,轨道上很容易产生各种病害及缺陷,如扣件的损坏和丢失。扣件的作用是将轨道固定在道床上,然而损坏或缺失的扣件无法安全有效的起到固定作用。而扣件的丢失会导致钢轨出现松动,长期发展下去钢轨往往会出现变形,钢轨渐渐地出现错位崩塌等问题,严重时会直接导致机车脱轨发生事故。因此,有必要及时的对扣件进行检测,对有缺陷的扣件进行及时的维修和更换。现在,轨道部件的主要检查方式是经过培训的工作人员沿着铁路线定期检查扣件的状态。人工检查是一种很辛苦的费时、低效以及高成本的检测方法,因此实现扣件的故障检测的全自动化在确保轨道安全、减低维护成本方面有重大意义。通过使用先进的技术,如图像处理、计算机视觉、机器学习以及高速度和高分辨率的相机发展轨道扣件检测系统去提高铁路运输的安全性、自动化检查轨道、缩短检查时间、降低维护成本、缓解工人的劳动强度具有重大的意义。轨道扣件的常见异常状态主要包括扣件损坏和扣件缺失等。传统的基于图像检测的算法需要对扣件位置进行定位,再将定位到的扣件通过特定的特征提取算法或者输入到特征提取网络中提取特征,最后输入到分类器对分类器进行训练。利用训练好的模型对采集到的新的扣件图像进行检测,以此实现扣件缺陷自动 ...
【技术保护点】
1.一种列车轨道扣件缺陷的检测方法,其特征在于,包括:通过拍照设备采集扣件图像,利用已知包含病害的扣件图像预训练特征提取网络VGG16,利用VGG16网络对所述已知包含病害的扣件图像进行分类预训练;利用预训练好的VGG16网络初始化Faster R‑CNN网络模型,该Faster R‑CNN网络模型包括区域生成网络RPN和快速区域卷积神经网络Fast R‑CNN,利用训练集数据对所述Faster R‑CNN网络模型进行训练;将所述拍照设备采集的扣件图像输入到训练好的Faster R‑CNN网络模型中,RPN网络模型通过产生多个候选框对提取所述扣件图像中的扣件区域,RCNN网络模型利用卷积操作以及全连接层对所述扣件区域进行缺陷类别检测。
【技术特征摘要】
1.一种列车轨道扣件缺陷的检测方法,其特征在于,包括:通过拍照设备采集扣件图像,利用已知包含病害的扣件图像预训练特征提取网络VGG16,利用VGG16网络对所述已知包含病害的扣件图像进行分类预训练;利用预训练好的VGG16网络初始化FasterR-CNN网络模型,该FasterR-CNN网络模型包括区域生成网络RPN和快速区域卷积神经网络FastR-CNN,利用训练集数据对所述FasterR-CNN网络模型进行训练;将所述拍照设备采集的扣件图像输入到训练好的FasterR-CNN网络模型中,RPN网络模型通过产生多个候选框对提取所述扣件图像中的扣件区域,RCNN网络模型利用卷积操作以及全连接层对所述扣件区域进行缺陷类别检测。2.根据权利要求1所述的方法,其特征在于,所述的通过拍照设备采集扣件图像,利用已知包含病害的扣件图像预训练特征提取网络VGG16,利用VGG16网络对所述已知包含病害的扣件图像进行分类预训练,包括:通过拍照设备采集包含病害的扣件图像,对采集到的包含病害的扣件图像进行人工标注,将人工标注后的扣件图像输入到VGG16网络中进行预训练,其中训练参数通过多次重复试验采取最优结果获得,用于预训练的扣件图像包含单个扣件的小尺寸扣件图像,所述VGG16网络采用多个小卷核串联的结构,采用多次卷积操作和池化操作提取扣件图像中的特征信息,最终得到图像特征图,对提取到的图像特征图进行分类预训练,根据分类预训练的结果调整VGG16网络的参数,使分类预训练的结果达到最佳。3.根据权利要求1所述的方法,其特征在于,所述利用预训练好的VGG16网络初始化FasterR-CNN网络模型,包括:利用预训练好的VGG16网络的结构和参数初始化RPN网络和FastR-CNN网络的特征提取层,调整RPN网络和FastR-CNN网络的参数。4.根据权利要求2或3所述的方法,其特征在于,所述的利用训练集数据对所述FasterR-CNN网络模型进行训练,包括:从地铁线路上采集分别具有各种状态类型的原始扣件图像,从地铁线路上采集的原始扣件图像的相机拍摄角度垂直于扣件,相机与扣件的距离保持在1米,采集的图像为三通道的RGB图像,拍摄轨道位于图像中间,每张图像至少包含2个扣件,所述各种状态类型包括正常、损坏和缺失;对所有原始扣件图像进行图像翻转、旋转、镜像、添加图像噪声和光照增强处理,噪声采用的是均值为0,方差为0.1的高斯噪声,所有旋转、镜像、...
【专利技术属性】
技术研发人员:魏秀琨,杨子明,贾利民,张文强,李永光,李宇杰,高方庆,尹贤贤,魏德华,管青鸾,赵利瑞,江思阳,李赛,孟鸿飞,滕延芹,王熙楠,所达,翟小婕,潘潼,陈亚兰,
申请(专利权)人:北京交通大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。