一种铁路轨道缺陷机器视觉检测系统技术方案

本发明专利技术公开了一种铁路轨道缺陷机器视觉检测系统，包括高速工业相机、图像采集卡、图像处理系统、含螺母图片的样本库和缺失检测算法模块；高速工业相机可运动地对铁路轨道检测目标进行拍照，获得铁路轨道的目标图像；图像采集卡从高速工业相机获取目标图像并转换成数字图像；图像处理系统从图像采集卡发送的数字图像中提取图像参数特征构成待检测图像信息；缺失检测算法模块提取待检测图像候选区域，将提取的待检测图像候选区域分类，与样本库进行对比，检测出铁路轨道上的螺母是否存在缺陷或缺失。该系统无需工作人员通过徒步、肉眼观察的方式对轨道进行检测，结构简单，操作方便，自动化程度高，提高了检测效率和准确度。

A machine vision inspection system for railway track defects

The invention discloses a machine vision detection system for railway track defects, which includes a high-speed industrial camera, an image acquisition card, an image processing system, a sample library with nut pictures and a missing detection algorithm module; the high-speed industrial camera can take pictures of the railway track detection targets in motion to obtain the target image of the railway track; the image acquisition card obtains the target from the high-speed industrial camera Image is converted into digital image; image processing system extracts image parameter features from digital image sent by image acquisition card to form image information to be detected; missing detection algorithm module extracts image candidate area to be detected, classifies the extracted image candidate area, and compares it with sample database to detect whether there is defect or missing of nut on railway track. The system is simple in structure, convenient in operation, high in automation, and improves the efficiency and accuracy of detection.

【技术实现步骤摘要】
一种铁路轨道缺陷机器视觉检测系统
本专利技术涉及一种铁路轨道缺陷检测系统，特别是一种铁路轨道缺陷机器视觉检测系统。
技术介绍
在铁路轨道的长期使用过程中，轨道表面不可避免的产生裂纹、磨损、平整度等缺陷，轨道螺母会锈蚀、缺失等状况发生。这些缺陷如果不及时进行排查，对缺陷螺母进行替换，则会造成严重的交通事故。因此，长期以来，我国的铁路职工的日常工作就是对铁路轨道的缺陷进行检测。但是，由于铁路轨道具有极长长度，周围环境复杂，螺母数目极多等特点，因此，传统铁路职工靠肉眼、行走的检测方式，增加了极大的人工成本和管理成本，此外，传统人工检测主要依赖人工的经验和存在主观判断误差以及疲劳的问题，极易造成检测质量不稳定，导致漏检、误检等情况的发生。因而，人工检测方法缺乏安全性、准确性、规范性。因此，本专利技术提供一种铁路轨道缺陷机器视觉检测系统，可满足供应业级对铁路轨道质量缺陷检测效率及检测精度、降低成本等要求。
技术实现思路
本专利技术主要针对现有人工检测的不足，提供一种铁路轨道缺陷机器视觉检测系统，该系统通过硬件和算法的结合，硬件采集图像数据，算法对图像数据进行处理，得到检测结果，该系统无需工作人员通过徒步、肉眼的方式进行检测，解决了人工效率低下、检测效果差、工作环境危险等问题，该系统极大的降低了企业成本，解放了劳动力，提高了检测效率和准确度。本专利技术的构思是：国家工业4.0的启发，利用软件和硬件的结合，代替人工的原始检测方式，硬件采用工业高速相机和测距定位装置，对目标图像进行自主获取、传输、存储；充分结合软件计算机图像处理技术对图像进行处理和储存，运用机器视觉技术，采用高级神经网络检测算法对预处理的图像进行处理，算法运行结果会有效的区分缺陷轨道和完好轨道；采用工业计算机控制图像处理模块，采集模块，检测完成后将检测结果和数据上传至系统服务器中，技术人员可通过HMI操作界面实时监控检测系统监控过程，并对检测图像数据进行分析管理。根据以上专利技术构思，本专利技术采用下属技术方案：一种铁路轨道缺陷机器视觉检测系统，其特征在于，包括高速工业相机、图像采集卡、图像处理系统、含螺母图片的样本库和缺失检测算法模块；高速工业相机可运动地对铁路轨道检测目标进行拍照，获得铁路轨道的目标图像；图像采集卡从高速工业相机获取目标图像并转换成数字图像；图像处理系统从图像采集卡发送的数字图像中提取图像参数特征构成待检测图像信息；缺失检测算法模块提取待检测图像候选区域，将提取的待检测图像候选区域分类，与样本库进行对比，检测出铁路轨道上的螺母是否存在缺陷或缺失。进一步地，样本库中包括采集的螺母图片正样本和除螺母类的生活物品构成的负样本。进一步地，正样本采用图片搜索出来的包含各种角度、颜色的螺母图片。进一步地，负样本采用物体识别数据集COIL-20和COIL-100，包含除螺母类的生活物品150类，每一类各种拍摄角度20种，总共3000张图片，利用Opencv计算机视觉库的Resize函数功能对负样本图片进行归一化处理。进一步地，采用数据增强处理方法，利用Opencv计算机视觉库对图片进行批量处理，增加正样本的图片数量。进一步的，构建FasterRCNN网络结构，在深度学习系统TensorFlow中构建FasterRCNN的网络结构，FasterRCNN网络结构包括:输入层、池化层、卷积层和输出层。进一步的，设定训练参数，对FasterRCNN中的各层参数进行初始化，为了加快迭代收敛速度，采用FasterRCNN论文的初始化参数。进一步的，利用前面构建的样本库，选取训练集、测试集、验证集：通过随机函数从样本集中选取训练集和测试集，设定每N个样本数据为一次循环，其中前N-1个样本为训练集，最后一个为测试集，并通过随机函数继续选取验证集，验证集数量为100；进一步的，对FasterRCNN神经网络进行训练，利用构建的训练集，对网络各层参数进行迭代训练，直到达到规定迭代次数或者误差小于预期值。进一步的，对训练好的FasterRCNN神经网络模型进行测试和验证。进一步地，缺失检测算法模块采用训练好的faster-RCNN神经网络算法对待检测图像进行对比判断。进一步地，图像采集卡、图像处理系统、含螺母图片的样本库和缺失检测算法模块均设置在工业计算机中并接受工业计算机的控制操作。进一步地，工业计算机通过HMI交互界面进行人机交互。进一步地，还包括一用于记录高速工业相机行进距离的轨道测距装置。进一步地，还包括一LED照明灯，由LED照明灯为高速工业相机提供光源，对检测目标进行照明。进一步地，缺失检测算法模块采用的检测步骤包括：步骤1，FasterRCNN神经网路训练输入为构建的样本库样本，对样本进行分批处理，每50个样本作为一个batch，每次向网络输入一个batch；步骤2，构建FasterRCNN网络结构:在Tensorflow软件中构建FasterRCNN的网络结构，FasterRCNN网络结构包括输入层，池化层，卷积层和输出层；步骤3，样本的图片经过输入层进入网络，经过卷积、激活、池化，提取出特征图；步骤4，使步骤3中提取的特征图进入候选区域网络RPN层来提取检测区域，候选区域网络RPN层筛选出最有可能包含铁路轨道缺陷部分的图像区域；步骤5，将步骤4中提取出的图像区域结果和特征图一起输入到矩形框池化层ROIPooling,输出的结果经过全连接层一路进入到softmax分类层对候选区域进行分类，另一路进入到窗口回归层在原图中确定候选区域位置，即铁路轨道缺陷位置；步骤6，利用步骤5得到的原图候选区域位置，和缺陷分类结果叠加在一起，得到对象空间关系的类别及准确位置。本专利技术与现有技术相比较，具有如下突出实质性特点和显著优点：本专利技术采用工业高速相机，能在高速运动中对目标图像进行获取，可获取高质量的图像；本专利技术采用机器视觉技术，检测目标缺陷的同时，还将缺陷分类，检测过程更加智能高效。本专利技术采用软硬结合的思路，硬件和软件结合，采集轨道的图像数据，对图像数据进行处理，得到检测结果，该系统无需工作人员通过徒步、肉眼观察的方式对轨道进行检测，结构简单，操作方便，自动化程度高，解决了人工效率低下、检测效果差、工作环境危险等问题，极大降低了劳动成本和企业成本，解放了劳动力，提高了检测效率和准确度。附图说明图1为系统结构示意图；图2为系统模块图；图3为缺陷检测算法流程图。具体实施方式以下结合附图对本专利技术的优选实施例作进一步说明。一种铁路轨道缺陷检测系统，特别是一种铁路轨道缺陷机器视觉检测系统，包括控制执行模块6,采集模块8，检测模块7，动力系统9，如图1和图2所示。控制执行模块6包括工业计算机1和HMI交互界面2。采集模块8包括高速工业相机4、轨道测距装置5、LED照明14和图本文档来自技高网...

【技术保护点】
1.一种铁路轨道缺陷机器视觉检测系统，其特征在于，包括高速工业相机、图像采集卡、图像处理系统、含螺母图片的样本库和缺失检测算法模块；/n高速工业相机可运动地对铁路轨道检测目标进行拍照，获得铁路轨道的目标图像；/n图像采集卡从高速工业相机获取目标图像并转换成数字图像；/n图像处理系统从图像采集卡发送的数字图像中提取图像参数特征构成待检测图像信息；/n缺失检测算法模块提取待检测图像候选区域，将提取的待检测图像候选区域分类，与样本库进行对比，检测出铁路轨道上的螺母是否存在缺陷或缺失。/n

【技术特征摘要】
1.一种铁路轨道缺陷机器视觉检测系统，其特征在于，包括高速工业相机、图像采集卡、图像处理系统、含螺母图片的样本库和缺失检测算法模块；
高速工业相机可运动地对铁路轨道检测目标进行拍照，获得铁路轨道的目标图像；
图像采集卡从高速工业相机获取目标图像并转换成数字图像；
图像处理系统从图像采集卡发送的数字图像中提取图像参数特征构成待检测图像信息；
缺失检测算法模块提取待检测图像候选区域，将提取的待检测图像候选区域分类，与样本库进行对比，检测出铁路轨道上的螺母是否存在缺陷或缺失。


2.根据权利要求1所述的铁路轨道缺陷机器视觉检测系统，其特征在于，样本库中包括采集的螺母图片正样本和除螺母类的生活物品构成的负样本。


3.根据权利要求1所述的铁路轨道缺陷机器视觉检测系统，其特征在于，正样本采用图片搜索出来的包含各种角度、颜色的螺母图片。


4.根据权利要求1所述的铁路轨道缺陷机器视觉检测系统，其特征在于，负样本采用物体识别数据集COIL-20和COIL-100，包含除螺母类的生活物品150类，每一类各种拍摄角度20种，总共3000张图片，利用Opencv计算机视觉库的Resize函数功能对负样本图片进行归一化处理。


5.根据权利要求1所述的铁路轨道缺陷机器视觉检测系统，其特征在于，采用数据增强处理方法，利用Opencv计算机视觉库对图片进行批量处理，增加正样本的图片数量。


6.根据权利要求1所述的铁路轨道缺陷机器视觉检测系统，其特征在于，缺失检测算法模块采用训练的faster-RCNN神经网络算法对待检测图像进行对比判断。


...

【专利技术属性】
技术研发人员：张屹，王健，
申请(专利权)人：常州大学，
类型：发明
国别省市：江苏;32