一种铁路扣件缺陷检测方法和装置制造方法及图纸

本发明专利技术提供了一种铁路扣件缺陷检测方法和装置，涉及铁路检测技术领域。所述铁路扣件缺陷检测方法包括：根据采集的铁路扣件图像信息，确定具有位置信息的待检测样本以及具有位置信息的第一目标样本；根据目标算法对所述第一目标样本进行扩充，确定扩充后的第二目标样本；根据所述第二目标样本和所述第一目标样本，生成用于检测铁路扣件的检测模型；将所述待检测样本输入所述检测模型，确定检测结果。本发明专利技术的方案根据扩充后的第二目标样本以及具有位置信息的第一目标样本，生成用于检测铁路扣件的检测模型，解决了现有技术中缺陷样本不平衡的问题，提高了检测准确率。提高了检测准确率。提高了检测准确率。

【技术实现步骤摘要】
一种铁路扣件缺陷检测方法和装置


[0001]本专利技术涉及铁路检测
，特别涉及一种铁路扣件缺陷检测方法和装置。

技术介绍

[0002]随着铁路网络布局的推进和高铁技术的快速发展，铁路运营维护检测承担着越来越重要的责任。列车的安全运行需要铁路系统的安全保障，而铁路扣件是连接铁轨和枕木，保证轨道距离的重要组件，在高速铁路检测系统中起着重要的作用。然而，由于铁路基础设施分布跨度大、环境变化大，以及列车振动等的影响，铁路扣件会出现松脱、断裂，甚至缺失等缺陷，这会严重影响铁路运行安全，甚至会引发铁路脱轨事故。因此，铁路扣件需要定期进行检测，以保证铁路的安全运行。
[0003]目前，我国铁路线路的扣件类型各有差异，传统的检测方法需要依靠人工操作，该方法耗费大量时间、劳动强度高、效率低，同时会给检查人员带来未知的安全隐患。随着高速铁路的快速发展，铁路扣件的检测面临着大的挑战，因此，研究快速准确的铁路扣件识别算法具有很大的需求。
[0004]现有技术中基于二维图像的铁路扣件缺陷检测方法发展迅速，结合深度学习算法加快了扣件的检测速度和检测精度，并且已经发展了相应的检测系统。但是由于二维图像受光照方向和光线条件影响大，使得图像质量较低的铁路铁路扣件缺陷检测较为困难，召回率较低。除此之外，由于铁路扣件的样本数量庞大且缺陷样本的数量远少于正常样本的数量，使得检测模型不能有效记录和提取缺陷样本的特征，尤其在利用深度学习算法模型检测时，模型更多的学习到正常样本的特征属性，使得误检误报率增加，影响最后的检测结果。
[0005]现有技术中利用三维信息进行扣件检测的研究较少且不成熟，并且多是利用模板匹配进行扣件分割和定位，速度较慢，针对缺陷样本不均衡的问题没有有效解决方法。
[0006]综上所述，基于机器视觉的二维图像铁路扣件缺陷检测方法中的弊端是：铁路扣件缺陷样本少，样本标注困难以及二维铁路扣件缺陷检测受光照条件影响大；基于三维信息进行扣件检测的方法不成熟，针对缺陷样本不均衡的问题没有有效解决。

技术实现思路

[0007]本专利技术实施例提供一种铁路扣件缺陷检测方法和装置，以解决现有技术的检测方法中针对样本不均衡和样本标注效率低的问题。
[0008]为了解决上述技术问题，本专利技术采用如下技术方案：
[0009]本专利技术实施例提供一种铁路扣件缺陷检测方法，包括：
[0010]根据采集的铁路扣件图像信息，确定具有位置信息的待检测样本以及具有位置信息的第一目标样本；
[0011]根据目标算法对所述第一目标样本进行扩充，确定扩充后的第二目标样本；
[0012]根据所述第二目标样本和所述第一目标样本，生成用于检测铁路扣件的检测模
型；
[0013]将所述待检测样本输入所述检测模型，确定检测结果。
[0014]可选的，根据采集的铁路扣件图像信息，确定具有位置信息的待检测样本以及具有位置信息的第一目标样本，包括：
[0015]获取铁路扣件图像信息，所述铁路扣件图像信息包括深度图像和强度图像；所述深度图像和强度图像的像素一一对应；
[0016]根据所述深度图像的像素，确定所述铁路扣件图像信息中铁路扣件的位置信息；
[0017]根据所述铁路扣件的位置信息和所述强度图像的像素，确定具有位置信息的待检测样本以及具有位置信息的第一目标样本。
[0018]可选的，根据所述深度图像的像素，确定所述铁路扣件图像信息中铁路扣件的位置信息，包括：
[0019]根据所述深度图像的像素，确定铁路扣件区域和铁轨区域；
[0020]根据所述铁路扣件区域和铁轨区域，确定所述铁路扣件图像信息中铁路扣件的位置信息。
[0021]可选的，所述根据所述铁路扣件区域和铁轨区域，确定所述铁路扣件图像信息中铁路扣件的位置信息，包括：
[0022]根据所述铁路扣件区域和所述铁轨区域，确定所述铁路扣件的横向坐标；
[0023]根据所述横向坐标和所述深度图像，确定所述铁路扣件的横向位置；
[0024]其中，所述横向坐标满足以下公式：
[0025]x
k
∈[x
a
‑
d
x
,x
a
]∪[x
a
+h,x
a
+h+d
x
]；其中，x
k
表示所述铁路扣件区域的横向坐标，x
a
为所述铁轨区域的铁轨一侧面的横向坐标，h为所述铁轨区域的铁轨宽度，d
x
为第一预设阈值。
[0026]可选的，所述根据所述铁路扣件区域和铁轨区域，确定所述铁路扣件图像信息中铁路扣件的位置信息，包括：
[0027]根据所述深度图像，将确定的所述铁路扣件的横向位置，沿所述铁路扣件的横向方向滤波，确定所述铁路扣件的目标高度阈值和目标高度曲线；
[0028]根据所述目标高度阈值和目标高度曲线，确定所述铁路扣件的纵向坐标；
[0029]其中，所述纵向坐标满足以下公式：
[0030]y
k
∈[y1‑
Δy,y2+Δy]；其中，y
k
表示所述铁路扣件区域的纵向坐标，y1和y2表示所述铁轨区域的铁轨的高度坐标，
△
y为第二预设阈值。
[0031]可选的，根据所述铁路扣件的位置信息和所述强度图像的像素，确定具有位置信息的待检测样本以及具有位置信息的第一目标样本，包括：
[0032]根据所述强度图像的像素，对所述铁路扣件的区域进行均值滤波；
[0033]根据滤波后的所述铁路扣件和所述铁路扣件的位置信息，确定具有位置信息的待检测样本以及具有位置信息的第一目标样本。
[0034]可选的，所述根据目标算法对所述第一目标样本进行扩充，确定扩充后的第二目标样本，包括：
[0035]根据生成式对抗神经网络算法对所述第一目标样本的缺陷扣件样本进行扩充，确定扩充后的第二目标样本；
[0036]其中，所述生成式对抗神经网络算法包括生成器和判别器；所述生成器用于根据缺陷扣件样本进行扩充；所述判别器用于确定扩充样本和原始样本的类别。
[0037]可选的，所述根据所述第二目标样本和所述第一目标样本，生成用于检测铁路扣件的检测模型，包括：
[0038]将所述第二目标样本和所述第一目标样本合并为一个目标训练集；
[0039]根据所述目标训练集，生成用于检测铁路扣件的检测模型；
[0040]其中，所述目标训练集的中间层均采用3*3的卷积核。
[0041]可选的，根据所述深度图像的像素，根据目标算法对所述第一目标样本进行扩充，确定扩充后的第二目标样本后，所述方法还包括：
[0042]获取确定位置信息后的铁路扣件的类型；所述铁路扣件的类型至少包括：正常铁路扣件、缺失螺母铁路扣件、弹条断裂铁路扣件、缺失弹条铁路扣件；
[0043]根据所述铁路扣件的类型，对所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种铁路扣件缺陷检测方法，其特征在于，包括：根据采集的铁路扣件图像信息，确定具有位置信息的待检测样本以及具有位置信息的第一目标样本；根据目标算法对所述第一目标样本进行扩充，确定扩充后的第二目标样本；根据所述第二目标样本和所述第一目标样本，生成用于检测铁路扣件的检测模型；将所述待检测样本输入所述检测模型，确定检测结果。2.根据权利要求1所述的方法，其特征在于，根据采集的铁路扣件图像信息，确定具有位置信息的待检测样本以及具有位置信息的第一目标样本，包括：获取铁路扣件图像信息，所述铁路扣件图像信息包括深度图像和强度图像；所述深度图像和强度图像的像素一一对应；根据所述深度图像的像素，确定所述铁路扣件图像信息中铁路扣件的位置信息；根据所述铁路扣件的位置信息和所述强度图像的像素，确定具有位置信息的待检测样本以及具有位置信息的第一目标样本。3.根据权利要求2所述的方法，其特征在于，根据所述深度图像的像素，确定所述铁路扣件图像信息中铁路扣件的位置信息，包括：根据所述深度图像的像素，确定铁路扣件区域和铁轨区域；根据所述铁路扣件区域和铁轨区域，确定所述铁路扣件图像信息中铁路扣件的位置信息。4.根据权利要求3所述的方法，其特征在于，所述根据所述铁路扣件区域和铁轨区域，确定所述铁路扣件图像信息中铁路扣件的位置信息，包括：根据所述铁路扣件区域和所述铁轨区域，确定所述铁路扣件的横向坐标；根据所述横向坐标和所述深度图像，确定所述铁路扣件的横向位置；其中，所述横向坐标满足以下公式：x
k
∈[x
a
‑
d
x
,x
a
]∪[x
a
+h,x
a
+h+d
x
]；其中，x
k
表示所述铁路扣件区域的横向坐标，x
a
为所述铁轨区域的铁轨一侧面的横向坐标，h为所述铁轨区域的铁轨宽度，d
x
为第一预设阈值。5.根据权利要求4所述的方法，其特征在于，所述根据所述铁路扣件区域和铁轨区域，确定所述铁路扣件图像信息中铁路扣件的位置信息，包括：根据所述深度图像，将确定的所述铁路扣件的横向位置，沿所述铁路扣件的横向方向滤波，确定所述铁路扣件的目标高度阈值和目标高度曲线；根据所述目标高度阈值和目标高度曲线，确定所述铁路扣件的纵向坐标；其中，所述纵向坐标满足以下公式：y

【专利技术属性】
技术研发人员：黄浩，刘少丽，何森，方玥，
申请(专利权)人：中国铁道科学研究院集团有限公司基础设施检测研究所，
类型：发明
国别省市：