基于计算机视觉的轨道列车维护检测方法技术

一种基于计算机视觉的轨道列车维护检测方法。该方法通过驱使列车沿轨道由清洁部向数据采集部移动，根据激光监测仪的触发信号，控制清洁部中的冲洗装置先向列车喷射高压水柱和高压气流；然后控制数据采集部分别以仰视的角度以及平视的角度拍摄列车走行部件的下底面图像以及列车走行部件左右两侧面的图像；最后由机器视觉单元检测各帧图像上列车的裂纹和零件状况。本发明专利技术能够自动、快速、高效地实现对列车走行部的检查。本发明专利技术所提供的对列车走行部的检查维护方式不仅成本低而且效率高，还不容易因为人眼观察的盲区而出现漏检状况，能够有效提高检修的准确度。

【技术实现步骤摘要】
基于计算机视觉的轨道列车维护检测方法
本专利技术涉及城市轨道列车
，具体而言涉及一种基于计算机视觉的轨道列车维护检测方法。
技术介绍
城市轨道列车，如，地铁、城轨列车，是城市客运专线运输的主体，其技术性能直接关系到列车的运行速度和安全。因此，必须对其进行全面统一、综合准确的控制和检测，才能保障其正常工作。而走行部是地铁最重要的组成部分之一，其状态的好坏直接影响城市轨道的运行品质、动力学性能和行车安全。因此，对城市轨道列车走行部的检测，是保证地铁运输网络安全可靠运行的重要保障。但是，目前，对城市轨道列车的检修、维护，还主要依靠人工对列车走行部进行检查。这种检查维护方式不仅成本高而且效率低，还很容易因为人眼观察的盲区而出现漏检状况。
技术实现思路
本专利技术针对现有技术的不足，提供一种基于计算机视觉的轨道列车维护检测方法，本专利技术利用计算机视觉技术对城市轨道列车的底部进行清洗维护和自动检测。本专利技术具体采用如下技术方案。首先，为实现上述目的，提出一种基于计算机视觉的轨道列车维护检测方法，该方法包括如下步本文档来自技高网...

【技术保护点】
1.一种基于计算机视觉的轨道列车维护检测方法，其特征在于，该方法包括如下步骤：/n驱使列车沿轨道由清洁部向数据采集部移动；/n在列车上述移动过程中，首先根据激光监测仪的触发信号，控制清洁部中的冲洗装置先分别以水平和竖直的角度向列车的左右两侧面以及向列车走行部件的下底面喷射高压水柱，并分别以水平和竖直的角度向列车的左右两侧面以及向列车走行部件的下底面喷射高压气流；/n然后控制数据采集部中的摄像装置分别以仰视的角度以及平视的角度拍摄列车走行部件的下底面图像以及列车走行部件左右两侧面的图像；/n（4）最后分别将所述列车走行部件的图像输入至机器视觉单元，由所述机器视觉单元按照以下步骤调用SSD网络逐一...

【技术特征摘要】
1.一种基于计算机视觉的轨道列车维护检测方法，其特征在于，该方法包括如下步骤：
驱使列车沿轨道由清洁部向数据采集部移动；
在列车上述移动过程中，首先根据激光监测仪的触发信号，控制清洁部中的冲洗装置先分别以水平和竖直的角度向列车的左右两侧面以及向列车走行部件的下底面喷射高压水柱，并分别以水平和竖直的角度向列车的左右两侧面以及向列车走行部件的下底面喷射高压气流；
然后控制数据采集部中的摄像装置分别以仰视的角度以及平视的角度拍摄列车走行部件的下底面图像以及列车走行部件左右两侧面的图像；
（4）最后分别将所述列车走行部件的图像输入至机器视觉单元，由所述机器视觉单元按照以下步骤调用SSD网络逐一检测各帧图像上列车走行部件上的裂纹和零件状况：
4.1）对所述图像进行尺寸调整，调用卷积神经网络，对调整后的图像进行特征提取，获得若干层特征featuremap；
4.2）抽取其中六层的特征featuremap，再由特征featuremap的每个点分别生成相应的特征检测框；
4.3）将生成的所有特征检测框集合起来，分别进行非极大值抑制处理，输出由非极大值筛选后的特征检测框，提示列车走行部件上的裂纹和零件缺失状况。


2.如权利要求1所述的基于计算机视觉的轨道列车维护检测方法，其特征在于，所述卷积神经网络包括用于提取裂纹的第一卷积神经网络，其由以下步骤训练获得：
步骤t1，分别采集并标记列车走行部件上包含有裂纹的图片和列车走行部件完好的正常图片；
步骤t2，从上述各正常图片以及各包含有裂纹的图片中随机按照预设比例选取图片分别作为裂纹特征的训练集、测试集、验证集；
步骤t3，将裂纹特征的训练集中各图片依次输入至第一卷积神经网络中，对所述第一卷积神经网络按照损失函数进行反向传播训练，直至所述第一卷积神经网络达到纳什均衡时完成对所述第一卷积神经网络的训练。


3.如权利要求2所述的基于计算机视觉的轨道列车维护检测方法，其特征在于，所述卷积神经网络包括用于提取零件缺失状况的第二卷积神经网络，其由以下步骤训练获得：
步骤s1，分别采集并标记列车走行部件上零件缺失的故障图片和列车走行部件上零件完好的正常图片；
步骤s2，将高斯随机分布生成的噪声数据输入至成式对抗网络中的生成网络G中，获得噪声分布G(Z)；
步骤s3，将所述故障图片以及所述噪声分布G(Z)共同输入至成式对抗网络中的鉴别网络D中，生成额外的真实负样本，将额外的真实负样本同样标记为故障图片；
步骤s4，从上述步骤s1以及步骤s3中所获得的各正常图片以及各故障图片中随机按照预设比例选取图片分别作为训练集、测试集、验证集；
步骤s5，将训练集中各图片依次输入至第二卷积神经网络中，对所述第二卷积神经网络按照损失函数进行反向传播训练，直至所述第二卷积神经网络达到纳什均衡时完成对所述第二卷积神经...

【专利技术属性】
技术研发人员：李熙，姚德臣，崔霆锐，孙强，杨建伟，张唯，霍苗苗，
申请(专利权)人：北京市地铁运营有限公司，北京建筑大学，
类型：发明
国别省市：北京;11