一种道岔状态检测方法技术

本发明专利技术公开了一种道岔状态检测方法，包括：通过摄像机和激光传感器获取道岔状态的训练数据，训练数据包括初始道岔图像数据和初始道岔点云数据；对初始道岔图像数据和初始道岔点云数据分别进行数据预处理，得到中间道岔图像数据和中间道岔点云数据；对得到的中间道岔图像数据和中间道岔点云数据分别进行判断，得到图像

【技术实现步骤摘要】
一种道岔状态检测方法


[0001]本专利技术涉及轨道交通安全领域，具体涉及一种道岔状态检测方法。

技术介绍

[0002]随着城市轨道交通的迅速发展，轨道交通的安全需要越来越高。现有技术的道岔检测系统主要依靠电力控制系统传递道岔状态，一旦电力控制系统故障，容易引发地铁事故，道岔状态传递错误就有可能引发地铁脱轨。
[0003]道岔检测的数据来源有两个：摄像机和激光雷达；使用摄像机得到道岔的高分辨率图片，使用激光雷达检测道岔与传感器之间的精确距离。目前，市面上的激光雷达探测存在
±
2cm的误差，当道岔的岔尖与铁轨贴合不紧密时，这个误差足以使判断结果发生错误，从而导致列车出轨的严重后果。

技术实现思路

[0004]本专利技术提供了一种道岔状态检测方法，提高了道岔检测系统的可靠性和安全性，包括如下步骤：
[0005]T1：通过摄像机和激光传感器获取道岔状态的训练数据，按比例划分为训练集、验证集和测试集；训练数据包括初始道岔图像数据和初始道岔点云数据；其中，针对每对道岔在铁路旁设置有一对或多对激光传感器；
[0006]T2：对初始道岔图像数据和初始道岔点云数据分别进行数据预处理，得到中间道岔图像数据和中间道岔点云数据；
[0007]T3：对T2中得到的中间道岔图像数据和中间道岔点云数据分别进行判断，得到图像
‑
道岔状态和点云
‑
道岔状态；
[0008]T4：将T2中得到的中间道岔图像数据和中间道岔点云数据进行融合建模，得到三维融合道岔数据；
[0009]T5：对T4中得到的三维融合道岔数据进行判断，得到融合
‑
道岔状态；
[0010]T6：根据图像
‑
道岔状态、点云
‑
道岔状态、融合
‑
道岔状态对道岔的实际状态进行综合判断。
[0011]本专利技术对两种不同类型的数据进行分别分析再将两个数据进行融合分析，得到三个对道岔状态的判断结果，针对三个通过不同手段得到的判断结果来综合判断铁路道岔的实际状态，通过多特征融合与多模型融合相结合的双层融合计算机制，提高了道岔状态的实时判断精度，并且使得检测结果具有很高的冗余性和安全性。
[0012]由于实际铁路中的道岔形状不一，难以完全覆盖，因此T1所述的训练数据是针对选定的一种或多种主流的道岔形状的铁路道岔进行采集的；如果需要处理较为少见的道岔，则需要添加对应的道岔形状，对已经训练好的模型进行调整。
[0013]训练数据包括在不同天气状态下获取的数据，以记录选定道岔的各种状态。
[0014]在上述方案的基础上，进一步的有，T2所述的初始道岔图像数据预处理包括以下
子步骤：
[0015]T21：判断初始道岔图像的清晰度，若低于清晰度阈值，则进行去雾处理；
[0016]T22：使用随机旋转、搞死模糊等方式对T211得到的图像数据进行数据增强处理，增强模型对图片的鲁棒性，得到中间道岔图像数据。
[0017]在上述方案的基础上，进一步的有，T3所述的对中间道岔图像数据状态判断的方法，采用基于深度学习的人工智能算法进行道岔状态识别，具体包括以下子步骤：
[0018]T311：使用中间道岔图像数据的训练数据对ResNext图像分类神经网络模型进行训练，使用Adam优化器进行梯度下降优化；
[0019]T312：将中间道岔图像数据输入完成训练的ResNext图像分类神经网络模型，进行图像
‑
道岔状态的判断。
[0020]在上述方案的基础上，进一步的有，T3所述的对中间道岔点云数据状态判断的方法具体为利用三角运算方式计算对应的道岔岔尖与轨道之间的距离，进行点云
‑
道岔状态的判断。
[0021]在上述方案的基础上，进一步的有，T4所述的数据融合建模，包括以下子步骤：
[0022]T41：根据中间道岔图像数据获取道岔二维点集坐标数据；根据中间道岔点云数据获取道岔三维点云坐标数据；
[0023]T42：将T41得到的道岔二维点集坐标数据转换到三维空间，与T41中的道岔三维点云坐标数据进行融合建模，得到三维融合道岔数据；
[0024]T43：使用T42得到的三维融合道岔数据对Pointnet++三维分类神经网络模型进行训练，使用Adam优化器进行梯度下降优化；
[0025]所述T5进一步包括：将三维融合道岔数据输入完成训练的Pointnet++三维分类神经网络模型，进行融合
‑
道岔状态的判断。
[0026]在上述方案的基础上，进一步的有，T41所述的获取道岔二维点集坐标数据，包括以下子步骤：
[0027]T411：使用中间道岔图像数据的训练数据对Unet++图像分割神经网络模型进行训练，使用Adam优化器进行梯度下降优化；
[0028]T412：将中间道岔图像数据输入完成训练的Unet++图像分割神经网络模型，得到道岔二维点集坐标数据。
[0029]在上述方案的基础上，进一步的有，T41所述的获取道岔三维点云坐标数据的方法为：对中间道岔点云数据进行成对分组关联，再进行平面分割，得到道岔三维点云坐标数据。
[0030]在上述方案的基础上，进一步的有，T6所述的综合判断方法为：当图像
‑
道岔状态、点云
‑
道岔状态、融合
‑
道岔状态三种状态判断结果一致时，系统认可判断结果；当三种状态判断结果出现差异时，系统进行告警并提示人工复核道岔状态及检测系统的工作状态；若道岔状态异常，检测系统将持续告警，直至异常状态消失或人工关闭告警。
[0031]道岔检测是一个基于t1时间周期的连续检测过程，在时间范围t2内的连续检查结果完全一致时，系统才能根据判断结果认证道岔状态，t2≥3t1；
[0032]若检测结果不一致，则认为道岔在移动过程中，判断状态为临时状态，不作为最终状态来判定；
[0033]道岔完成状态的机械时间为t3，若系统在t4时仍未检查到道岔的最终状态，则认为道岔存在机械故障，并进行告警；t4≥2t3。
[0034]本专利技术与现有技术相比，具有如下的优点和有益效果：
[0035]1.本专利技术对两种不同类型的数据进行分别分析再将两个数据进行融合分析，得到三个对道岔状态的判断结果，针对三个通过不同手段得到的判断结果来综合判断铁路道岔的实际状态，通过多特征融合与多模型融合相结合的双层融合计算机制，提高了道岔状态的实时判断精度，并且使得检测结果具有很高的冗余性和安全性。
[0036]2.由于市面上的激光雷达探测存在
±
2cm的误差，当道岔的岔尖与铁轨贴合不紧密时，这个误差足以使判断结果发生错误，从而导致列车出轨的严重后果。本专利技术采用高精度的激光距离检测传感器，结合特有的算法，将距离误差降低至1mm以内，避免对道岔状态产生错误判断造成安全事故。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种道岔状态检测方法，其特征在于，包括如下步骤：T1：通过摄像机和激光传感器获取道岔状态的训练数据，按比例划分为训练集、验证集和测试集；训练数据包括初始道岔图像数据和初始道岔点云数据；其中，针对每对道岔在铁路旁设置有一对或多对激光传感器；T2：对初始道岔图像数据和初始道岔点云数据分别进行数据预处理，得到中间道岔图像数据和中间道岔点云数据；T3：对T2中得到的中间道岔图像数据和中间道岔点云数据分别进行判断，得到图像
‑
道岔状态和点云
‑
道岔状态；T4：将T2中得到的中间道岔图像数据和中间道岔点云数据进行融合建模，得到三维融合道岔数据；T5：对T4中得到的三维融合道岔数据进行判断，得到融合
‑
道岔状态；T6：根据图像
‑
道岔状态、点云
‑
道岔状态、融合
‑
道岔状态对道岔的实际状态进行综合判断。2.根据权利要求1所述的一种道岔状态检测方法，其特征在于，T1所述的训练数据是针对选定的一种或多种道岔形状的铁路道岔进行采集的；包括在不同天气状态下获取的数据。3.根据权利要求1所述的一种道岔状态检测方法，其特征在于，T2所述的初始道岔图像数据预处理包括以下子步骤：T21：判断初始道岔图像的清晰度，若低于清晰度阈值，则进行去雾处理；T22：对T211得到的图像数据进行数据增强处理，得到中间道岔图像数据。4.根据权利要求1所述的一种道岔状态检测方法，其特征在于，T3所述的对中间道岔图像数据状态判断的方法，包括以下子步骤：T311：使用中间道岔图像数据的训练数据对ResNext图像分类神经网络模型进行训练；T312：将中间道岔图像数据输入完成训练的ResNext图像分类神经网络模型，进行图像
‑
道岔状态的判断。5.根据权利要求1所述的一种道岔状态检测方法，其特征在于，T3所述的对中间道岔点云数据状态判断的方法为：利用三角运算计算对应的道岔岔尖与轨道之间的距离，进行点云
‑
道岔状态的判断。6.根据权利要求1所述的一种道岔状态检...

【专利技术属性】
技术研发人员：蔡润轩，方志军，黎晗，
申请(专利权)人：北京杰迈科技股份有限公司，
类型：发明
国别省市：