一种基于目标检测的重载铁路波磨识别方法、装置及设备制造方法及图纸

本文提供了一种基于目标检测的重载铁路波磨识别方法、装置及设备，包括：采样重载列车驶过重载铁路时轮轨接触面的加速度的时域波形；根据加速度阈值对所述时域波形着色，得到着色图像；将所述着色图像导入至波磨识别器，确定所述重载铁路的波磨；其中，所述波磨识别器是由Faster

【技术实现步骤摘要】
一种基于目标检测的重载铁路波磨识别方法、装置及设备


[0001]本专利技术涉及轨道交通
，可应用于重载铁路质量检测领域，尤其是一种基于目标检测的重载铁路波磨识别方法、装置、设备及介质。

技术介绍

[0002]钢轨波浪形磨耗，又称波磨，是指钢轨表面出现的周期性波浪形不平顺现象，是重载铁路养护维修工作最亟待解决的问题之一。
[0003]我国的重载铁路以煤炭运输为主，一直以来，重载铁路饱受钢轨波磨困扰。由于重载铁路的行驶列车总重大、运量和行车密度高，钢轨波磨发生较为普遍，而且发展快，尤其是在小半径曲线地段发生概率尤为明显。
[0004]当钢轨出现波磨，因为轨面不平顺的原因造成车辆轮对垂向振动作用增大，致使轮对异常受力造成钢轨损伤甚至可以破坏线路路基，大大降低了钢轨的使用寿命，严重影响了重载铁路的经济效益与运营安全。
[0005]因此，对重载钢轨波磨区段准确定位是重载铁路维修养护的重要前提，有助于及时发现并整治缺陷位置，对提升我国重载铁路运输安全具有重要意义。
[0006]现有技术中，深度学习方法在钢轨波磨研究领域已经有了一定应用，例如基于一维卷积神经网络的地铁钢轨波磨识别方法，但是该方法适用于地铁，由于地铁的载荷相比于重载钢轨来说较轻，波磨现象发生的频率较低，且基于一维卷积神经网络的地铁钢轨波磨识别方法中采用的图像是灰度图像，得到的结果往往为一段区间内是否存在波磨，而不能再进一步的确定波磨所在的位置，导致波磨识别的精确度偏低，适用于对于波磨现象识别精确度要求较低的场景。
[0007]而本文所要解决的是重载钢轨的运行场景，由于重载钢轨的载荷在轨道交通系统中是最大的，所以波磨现象较为频繁发生，当波磨的程度较为严重时，会导致重载钢轨上发生事故，所以需要极高精确度的钢轨波磨现象识别方法，以解决现有技术中波磨现象识别精确度较低的问题。

技术实现思路

[0008]针对现有技术的上述问题，本文的目的在于，提供一种基于目标检测的重载铁路波磨识别方法、装置、设备及介质，以解决现有技术中钢轨波磨识别精确度较低的问题。
[0009]为了解决上述技术问题，本文的具体技术方案如下：
[0010]一方面，本文提供一种基于目标检测的重载铁路波磨识别方法，包括：
[0011]采样重载列车驶过重载铁路时轮轨接触面的加速度的时域波形；
[0012]根据加速度阈值对所述时域波形着色，得到着色图像；
[0013]将所述着色图像导入至波磨识别器，确定所述重载铁路的波磨；
[0014]其中，所述波磨识别器是由Faster
‑
RCNN模型训练得到的。
[0015]作为本文的一个实施例，在将所述着色图像导入至波磨识别器，确定所述重载铁
路的波磨之前，包括：
[0016]根据所述重载铁路的长度切割所述着色图像，得到若干片所述着色图像，并导入至分类网络中；
[0017]所述分类网络根据所述加速度阈值，将若干片所述图像分为正常区段、部分波磨区段和全波磨区段；
[0018]将所述部分波磨区段对应的所述着色图像导入至所述波磨识别器。
[0019]作为本文的一个实施例，在所述将所述着色图像导入至波磨识别器模型，确定所述重载铁路的波磨之前，包括：
[0020]对所述着色图像使用几何变换法，得到增强的所述着色图像；
[0021]将增强的所述着色图像导入至所述波磨识别器。
[0022]作为本文的一个实施例，所述方法还包括：
[0023]根据切割后所述着色图像的长度，确定所述正常区段、所述部分波磨区段和所述全波磨区段在所述重载铁路上的位置。
[0024]作为本文的一个实施例，所述根据加速度阈值对所述时域波形着色，进一步包括：
[0025]所述加速度阈值包括第一垂向加速度阈值和第二垂向加速度阈值；
[0026]在所述时域波形中，当所述轮轨接触面的垂向加速度的绝对值大于零且小于所述第一垂向加速度阈值时，将该垂向加速度着色为第一颜色；
[0027]当所述轮轨接触面的垂向加速度的绝对值大于所述第一垂向加速度阈值且小于所述第二垂向加速度阈值时，将该垂向加速度着色为第二颜色；
[0028]当所述轮轨接触面的垂向加速度的绝对值大于所述第二垂向加速度阈值时，将该垂向加速度着色为第三颜色。
[0029]作为本文的一个实施例，所述将所述着色图像导入至波磨识别器，确定所述重载铁路的波磨，进一步包括：
[0030]所述波磨识别器通过候选框识别着色图像；
[0031]将所述候选框中包括第一颜色、所述第二颜色和所述第三颜色的着色图像，确定为所述重载铁路的波磨。
[0032]作为本文的一个实施例，所述方法包括：
[0033]确定所述着色图像的对应所述重载铁轨的区段长度；
[0034]根据所述候选框的顶点坐标确定所述候选框的长度；
[0035]确定所述候选框的长度与所述着色图像的对应所述重载铁轨的区段长度的比例关系；
[0036]根据所述比例关系和所述部分波磨区段在所述重载铁路中的位置，确定所述波磨在所述重载铁路中的位置。
[0037]另一方面，本文还提供一种基于目标检测的重载铁路波磨识别装置，包括：
[0038]采样单元，用于采样重载列车驶过重载铁路时轮轨接触面的加速度的时域波形；
[0039]着色单元，用于根据加速度阈值对所述时域波形着色，得到着色图像；
[0040]识别单元，用于将所述着色图像导入至波磨识别器，确定所述重载铁路的波磨；其中，所述波磨识别器是由Faster
‑
RCNN模型训练得到的。
[0041]另一方面，本文还提供一种计算机设备，包括存储器、处理器及存储在存储器上并
可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述的基于目标检测的重载铁路波磨识别方法。
[0042]另一方面，本文还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现任意一项所述的基于目标检测的重载铁路波磨识别方法。
[0043]采用上述技术方案，通过加速度阈值实现了时域波形的着色化，并可以将着色后的图像导致至波磨识别器，通过着色图像的色彩识别重载铁路上的波磨，实现了区别于深度学习卷积网络的目标检测，提升了波磨识别精确性。
[0044]为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
[0045]为了更清楚地说明本文实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本文的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0046]图1示出了本文实施例一种基于目标检测的重载铁路波磨识别的整本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于目标检测的重载铁路波磨识别方法，其特征在于，包括：采样重载列车驶过重载铁路时轮轨接触面的加速度的时域波形；根据加速度阈值对所述时域波形着色，得到着色图像；将所述着色图像导入至波磨识别器，确定所述重载铁路的波磨；其中，所述波磨识别器是由Faster
‑
RCNN模型训练得到的。2.根据权利要求1所述的基于目标检测的重载铁路波磨识别方法，其特征在于，在将所述着色图像导入至波磨识别器，确定所述重载铁路的波磨之前，包括：根据所述重载铁路的长度切割所述着色图像，得到若干片所述着色图像，并导入至分类网络中；所述分类网络根据所述加速度阈值，将若干片所述着色图像分为正常区段、部分波磨区段和全波磨区段；将所述部分波磨区段对应的所述着色图像导入至所述波磨识别器。3.根据权利要求2所述的基于目标检测的重载铁路波磨识别方法，其特征在于，在所述将所述着色图像导入至波磨识别器，确定所述重载铁路的波磨之前，包括：对所述着色图像使用几何变换法，得到增强的所述着色图像；将增强的所述着色图像导入至所述波磨识别器。4.根据权利要求2所述的基于目标检测的重载铁路波磨识别方法，其特征在于，所述方法还包括：根据切割后所述着色图像的长度，确定所述正常区段、所述部分波磨区段和所述全波磨区段在所述重载铁路上的位置。5.根据权利要求4所述的基于目标检测的重载铁路波磨识别方法，其特征在于，所述根据加速度阈值对所述时域波形着色，进一步包括：所述加速度阈值包括第一垂向加速度阈值和第二垂向加速度阈值；在所述时域波形中，当所述轮轨接触面的垂向加速度的绝对值大于零且小于所述第一垂向加速度阈值时，将该垂向加速度着色为第一颜色；当所述轮轨接触面的垂向加速度的绝对值大于所述第一垂向加速度阈值且小于所述第二垂向加速度阈值时，将该垂向加速度着色为第...

【专利技术属性】
技术研发人员：彭楠，刘金朝，郭剑峰，顾子晨，肖炳环，陶凯，代春平，杨劲松，
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北京铁科英迈技术有限公司，
类型：发明
国别省市：