一种城市地铁轨道扣件缺陷智能检测方法技术

本发明专利技术公开了一种城市地铁轨道扣件缺陷智能检测方法，包括构建TensorFlow Slim微调模型，进行图像中扣件的识别，并分别提取图像中扣件的空间特征、纹理特征和轮廓特征；并基于SVM模型进行扣件缺陷诊断，同时输出诊断结果，根据输出诊断结构，在原始图像中标注缺陷扣件的位置；计算相邻两个扣件之间的平均间距，并结合列车拍摄图像时的定位点信息，定位缺陷扣件的位置信息。本发明专利技术采用智能算法，有效地解决了轨道扣件检查工作效率低，劳动强度大的问题。大的问题。大的问题。

【技术实现步骤摘要】
一种城市地铁轨道扣件缺陷智能检测方法


[0001]本专利技术属于轨道扣件的
，具体涉及一种城市地铁轨道扣件缺陷智能检测方法。

技术介绍

[0002]随着我国城市地铁轨道交通的快速发速发展，轨道交通的安全问题逐渐凸显。扣件是连接钢轨和轨枕的中间连接器件，可以起到固定钢轨的作用，避免钢轨的纵横移动。扣件失效将会改变轨道间距，增加列车脱轨风险。目前，铁路部门对扣件的检查主要采用人工检查的方法，检查人员在夜间以灯光照明，用塞尺逐个检查扣件的状态，测量精度较低。同时通过轨检车对于钢轨扣件的压力状况检测有很大困难。我国的地铁轨道检查在夜间进行，时间段，工作效率低，劳动强度大，这种方式人力物力消耗很大。

技术实现思路

[0003]本专利技术的目的在于针对现有技术中的上述不足，提供一种城市地铁轨道扣件缺陷智能检测方法，以解决现有铁轨扣件监测，工作效率低，劳动强度大的问题。
[0004]为达到上述目的，本专利技术采取的技术方案是：
[0005]一种城市地铁轨道扣件缺陷智能检测方法，其包括：
[0006]S1、基于行进中的列车实时采集若干张铁轨扣件部位的图像；
[0007]S2、对图像进行灰度处理，并采用局部自适应二值化计算灰度图像中像素点的阈值，若灰度图像中像素点灰度值大于阈值，则二值化结果为1，代表目标扣件；若像素点灰度值小于阈值，则二值化结果为0，代表扣件背景；
[0008]S3、将处理后的若干图像随机划分为训练集和验证集；
[0009]S4、构建TensorFlow Slim微调模型，并采用训练集训练模型，验证集验证模型的准确率，导出训练完成的TensorFlow Slim微调模型；
[0010]S5、基于TensorFlow Slim微调模型，输入采集的铁轨扣件图像，识别并标注图像中的扣件；
[0011]S6、对标注后的扣件图像进行自动分割，划分出图像中的目标扣件区域，并根据目标扣件区域提取图像中扣件的空间特征；
[0012]S7、基于训练完成的自回归纹理模型提取图像中扣件的纹理特征；
[0013]S8、采用形状不变矩法，根据目标扣件所占区域的矩作为形状描述参数，提取扣件在图像中的轮廓特征；
[0014]S9、根据若干组扣件的空间特征、纹理特征和轮廓特征，构建SVM模型，并基于SVM模型进行扣件缺陷诊断，输出诊断结果；
[0015]S10、根据输出诊断结构，在原始图像中标注缺陷扣件的位置；
[0016]S11、计算相邻两个扣件之间的平均间距，并结合列车拍摄图像时的定位点信息，定位缺陷扣件的位置信息。
[0017]优选地，S1中采用工业相机拍摄若干张铁轨扣件部位的图像，并将图像上传至列车车载服务器中。
[0018]优选地，S2中对图像进行灰度处理，并采用局部自适应二值化计算灰度图像中像素点的阈值，若灰度图像中像素点灰度值大于阈值，则二值化结果为1，代表目标扣件；若像素点灰度值小于阈值，则二值化结果为0，代表扣件背景，包括：
[0019]设图像在像素点(x,y)处的灰度值为f(x,y)；
[0020]计算图像中各像素点(x,y)的阈值w(x,y)：
[0021]W(x,y)＝0.5*(max f(x+m,y+n)+min f(x+m,y+n))；
[0022]若f(x,y)>w(x,y)，则二值化结果为1，代表字符区域的目标点；否则二值化结果为0，代表背景区域的目标点。
[0023]优选地，S3中将处理后的若干图像按照3:1的比列划分为训练集和验证集。
[0024]优选地，S9中构建SVM模型的最优分类包括：
[0025]SVM模型的目标函数与约束条件为：
[0026][0027]其中，ω为权重向量；x
i
为输入数据；y
i
为对应x
i
的所属分类；b为偏置向量；
[0028]引入松弛变量ξi代表训练样本的错分程度，则：
[0029][0030]其中，C为惩罚因子，控制出现样本错误分类的惩罚度；
[0031]采用拉格朗日函数对目标函数进行求解：
[0032][0033]其中，α
i
为拉格朗日乘子；
[0034]求解得到最优分类函数为：
[0035][0036]其中，sgn()为符号函数；
[0037]SVM通过构造核函数将低维数据映射到高维，再在高维空间中实现线性分类，引入核函数后的最优分类为：
[0038][0039]其中，K()为核函数；
[0040]核函数为径向基核函数K(x
i
,x
j
)，其表达式为：
[0041][0042]其中，g为核函数参数。
[0043]优选地，S9输出诊断结果，包括：
[0044]根据扣件的空间特征，判断并输出当前扣件是否存在缺失缺陷；
[0045]根据扣件的纹理特征，判断并输出当前扣件是否存在松动缺陷；
[0046]根据扣件的轮廓特征，判断并输出当前扣件是否存在脱落缺陷。
[0047]优选地，S11、计算相邻两个扣件之间的平均间距，并结合列车拍摄图像时的定位点信息，定位缺陷扣件的位置信息，包括：
[0048]计算相邻两个扣件之间的平均间距m1：
[0049]m1＝s1/n1
[0050]其中，s1为距离，n1为距离s1内轨道扣件的数量；
[0051]定位缺陷扣件的位置P：
[0052]P0＝S0+n2*m1+S2
[0053]其中，S0为列车拍摄图像时的定位点位置，n2为缺陷扣件位于图像中的排位数量，S2为拍摄图像时的成像距离。
[0054]本专利技术提供的城市地铁轨道扣件缺陷智能检测方法，具有以下有益效果：
[0055]本专利技术构建TensorFlow Slim微调模型，进行图像中扣件的识别，以便于后期扣件特征的提取，同时根据扣件的不同特征的提取，分别对扣件不同缺陷进行诊断，并根据诊断结果，具体定位存在缺陷的扣件，便于施工人员及时发现并维护。
附图说明
[0056]图1为城市地铁轨道扣件缺陷智能检测方法的流程图。
具体实施方式
[0057]下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。
[0058]根据本申请的一个实施例，参考图1，本方案的城市地铁轨道扣件缺陷智能检测方法，包括：
[0059]S1、基于行进中的列车实时采集若干张铁轨扣件部位的图像。
[0060]将工业相机安装于列车上，可根据实际状况选择安装的位置，可以安装于列车头部，用于实时采集铁轨扣件部位的图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种城市地铁轨道扣件缺陷智能检测方法，其特征在于，包括：S1、基于行进中的列车实时采集若干张铁轨扣件部位的图像；S2、对图像进行灰度处理，并采用局部自适应二值化计算灰度图像中像素点的阈值，若灰度图像中像素点灰度值大于阈值，则二值化结果为1，代表目标扣件；若像素点灰度值小于阈值，则二值化结果为0，代表扣件背景；S3、将处理后的若干图像随机划分为训练集和验证集；S4、构建TensorFlow Slim微调模型，并采用训练集训练模型，验证集验证模型的准确率，导出训练完成的TensorFlow Slim微调模型；S5、基于TensorFlow Slim微调模型，输入采集的铁轨扣件图像，识别并标注图像中的扣件；S6、对标注后的扣件图像进行自动分割，划分出图像中的目标扣件区域，并根据目标扣件区域提取图像中扣件的空间特征；S7、基于训练完成的自回归纹理模型提取图像中扣件的纹理特征；S8、采用形状不变矩法，根据目标扣件所占区域的矩作为形状描述参数，提取扣件在图像中的轮廓特征；S9、根据若干组扣件的空间特征、纹理特征和轮廓特征，构建SVM模型，并基于SVM模型进行扣件缺陷诊断，输出诊断结果；S10、根据输出诊断结构，在原始图像中标注缺陷扣件的位置；S11、计算相邻两个扣件之间的平均间距，并结合列车拍摄图像时的定位点信息，定位缺陷扣件的位置信息。2.根据权利要求1所述的城市地铁轨道扣件缺陷智能检测方法，其特征在于：所述S1中采用工业相机拍摄若干张铁轨扣件部位的图像，并将图像上传至列车车载服务器中。3.根据权利要求1所述的城市地铁轨道扣件缺陷智能检测方法，其特征在于：所述S2中对图像进行灰度处理，并采用局部自适应二值化计算灰度图像中像素点的阈值，若灰度图像中像素点灰度值大于阈值，则二值化结果为1，代表目标扣件；若像素点灰度值小于阈值，则二值化结果为0，代表扣件背景，包括：设图像在像素点(x,y)处的灰度值为f(x,y)；计算图像中各像素点(x,y)的阈值w(x,y)：W(x,y)＝0.5*(max f(x+m,y+n)+min f(x+m,y+n))；若f(x,y)...

【专利技术属性】
技术研发人员：王子轩，王小萌，李诚，廖进，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：