轨道部件巡检方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种轨道部件巡检方法、装置、计算机设备和存储介质。其中，轨道部件巡检方法包括：获取铁轨图片；铁轨图片包括经无人机沿铁轨拍摄得到的多视角铁轨图像；采用包含注意力机制的区域生成网络对铁轨图片进行目标区域的提取，确定目标检测结果；目标区域包括铁轨扣件；目标检测结果包括目标区域的特征矩阵；基于预设筛选规则，对目标检测结果进行多目标筛选，得到筛选图片；根据多视角铁轨图像，对筛选图片中同一目标区域的各视角特征矩阵进行特征融合，得到融合图像；采用元学习异常检测模型对融合图像进行异常性检测，输出巡检结果；巡检结果包括铁轨扣件的异常概率值。本申请有效提高了巡检过程的灵活性、准确度与实时性。时性。时性。

【技术实现步骤摘要】
轨道部件巡检方法、装置、计算机设备和存储介质


[0001]本申请涉及巡检
，特别是涉及一种轨道部件巡检方法、装置、计算机设备和存储介质。

技术介绍

[0002]保障铁路行车安全最重要的是确保铁路轨道时刻处于良好状态，铁轨扣件是轨道上用以联结混凝土轨枕和钢轨的部件，又称为中间联结部件。其功能是将钢轨牢牢固定在轨枕上，保持轨枕和轨道的长期可靠的连接，防止钢轨相对于轨枕发生横向和纵向移动而脱离枕轨，从而造成行车威胁。所以，铁轨扣件是否完好，决定了当前路段发生事故的概率大小。
[0003]传统的铁路轨道巡检，受限于科技水平，对于铁轨的磨损、扣件的完整性等故障检测，都是需要铁路工人到铁路线上进行人工巡检，人工巡检受到不同的人的不同评判标准的影响，这会影响最终的检测结果。此外，使用人工巡检的方式，会耗费大量的人力、物力、财力，而且效率极低。目前的故障检测模式包括电涡流法、超声波法以及基于目标检测的方法等。
[0004]在实现过程中，专利技术人发现传统技术中至少存在如下问题：目前的检测方法存在检测效率低、准确度差等问题。
专利技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轨道部件巡检方法，其特征在于，包括：获取铁轨图片；所述铁轨图片包括经无人机沿铁轨拍摄得到的多视角铁轨图像；采用包含注意力机制的区域生成网络对所述铁轨图片进行目标区域的提取，确定目标检测结果；所述目标区域包括铁轨扣件；所述目标检测结果包括所述目标区域的特征矩阵；基于预设筛选规则，对所述目标检测结果进行多目标筛选，得到筛选图片；根据所述多视角铁轨图像，对所述筛选图片中同一所述目标区域的各视角特征矩阵进行特征融合，得到融合图像；采用元学习异常检测模型对所述融合图像进行异常性检测，输出巡检结果；所述巡检结果包括所述铁轨扣件的异常概率值。2.根据权利要求1所述的轨道部件巡检方法，其特征在于，所述元学习异常检测模型包括小样本学习模型；所述采用元学习异常检测模型对所述融合图像进行异常性检测，输出巡检结果的步骤，包括：采用原型网络对正负样本和训练样本进行训练，获取所述小样本学习模型；所述正负样本包括完好铁轨扣件的图片和故障铁轨扣件的图片；所述训练样本包括经无人机拍摄得到的已确定完好或故障的铁轨扣件的图片；基于所述小样本学习模型将所述融合图像和所述正负样本进行双向对比，得到所述巡检结果。3.根据权利要求2所述的轨道部件巡检方法，其特征在于，采用原型网络对正负样本和训练样本进行训练，获取所述小样本学习模型的步骤中：将所述正负样本投射到同一投影空间中，在所述投影空间中基于三元组损失共同训练所述正负样本和所述训练样本，得到所述小样本学习模型。4.根据权利要求2所述的轨道部件巡检方法，其特征在于，在得到所述巡检结果的步骤之后，还包括步骤：将所述巡检结果通过分类器处理，得到单个铁轨扣件的所述异常概率值；所述分类器为用于表征像素之间深度互相关与特征矩阵之间非线性度量的分类器。5.根据权利要求1所述的轨道部件巡检方法，其特征在于，所述特征矩阵为特征图；所述采用包含注意力机制的区域生成网络对所述铁轨图片进行目标区域的提取，确定目标检测结果的步骤，包括：基于所述包含注意力机制的区域生成网络过滤单帧所述铁轨图片中的干扰框，得到目标检测框；所述干扰框包括背景框和与所述目标区域类别...

【专利技术属性】
技术研发人员：张斌，卓卉，黄鑫，孟宪洪，王宁，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：