System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及轨道交通病害检测,具体涉及一种轨枕裂缝检测方法。
技术介绍
1、随着轨道交通的快速发展,轨道线路上病害也日益增多,比如:轨枕作为钢轨承载件,在长期使用后,轨枕容易开裂形成裂缝,影响轨道承载能力。因此,需要定期对轨枕裂缝进行检查。采用人工方法进行轨枕裂缝检测,存在效率低、难以量化等问题。近年来视觉检测技术被广泛应用于轨道病害检测,通过获取的轨道表面图像,可用于轨枕表面裂缝检测。但是,现有方法多采用纯图像方法进行裂缝检测。实际运行线路包括:无砟轨道、有砟轨道。其中,无砟轨道的轨枕一般为短轨枕,短轨枕位于钢轨下方,一般较为平整,但是,也存在异物、线缆等干扰,使基于图像的方法难以区分线缆边缘与真实的道床裂缝。有砟轨道的轨枕一般为长轨枕,横跨整个轨道,在轨枕上存在碎石、异物、信号设备等干扰,同样给轨枕裂缝检测带来极大挑战。现有图像裂缝、裂纹检测方法(比如:deepcrack,ieee transactionson image processing(volume: 28,issue:3,march 2019)deepcrack:learninghierarchical convolutional features for crack detection)很难应对这些复杂情况,为此本专利技术提出新的方法,用于实现枕裂缝检测方法。
技术实现思路
1、为解决
技术介绍
中的问题,本专利技术提出了一种轨枕裂缝检测方法,包含以下步骤:
2、s1:采用3d相机获取轨道颜色图像和深度图
3、s2:采用目标检测方法,在颜色图像和/或深度图像上检测轨枕区域;
4、s3:在轨枕区域内,屏蔽不易发生裂缝区域,将剩余区域作为轨枕裂缝检测候选区域;
5、s4:在轨枕裂缝检测候选区域内,在颜色图像和/或深度图像上,采用图像分割方法检测裂缝区域;
6、s5:将裂缝区域连接,对裂缝数量、长度、最大宽度进行测量。
7、所述3d相机包括但不限于,线结构光3d相机,双目视觉3d相机,面结构光3d相机,双目散斑3d相机等;所述获取的颜色图像包括:颜色图像和rgb 彩色图像。
8、所述不易发生裂缝区域包括但不限于扣件、信号设备、碎石、杂物、线缆。
9、所述轨枕裂缝检测候选区域的检测方法是:在颜色图像和/或深度图像上标注扣件、信号设备、碎石、杂物、线缆,训练目标检测或图像分割模型,采用目标检测或图像分割方法检出或分割出扣件、信号设备、碎石、杂物、线缆区域,将其从轨枕区域扣除后作为轨枕裂缝检测候选区域。
10、进一步地,所述轨枕裂缝检测候选区域的检测方法,还包括:在颜色图像和/或深度图像上,采用目标检测方法检出轨枕区域内的扣件、信号设备后,对这些区域进行屏蔽,在剩余区域内进行轨枕平坦区域检测,将检出的轨枕平坦区域作为轨枕裂缝检测候选区域;
11、所述轨枕平坦区域检测方法包括:
12、方法1,在颜色图像和/或深度图像上,标注轨枕平坦区域并训练图像分割模型,在剩余区域内分割出轨枕平坦区域;
13、方法2,在剩余区域内,对深度图像进行空洞填充,在空洞填充后再进行膨胀操作,以轨枕横向中心线为中心,设置高度为h的采样区域,取采样区域内深度图像每列像素最小值构成轨枕横截面曲线,以轨枕横截面曲线生成轨枕平面参考图像,将深度图像与轨枕平面参考图像做差,通过阈值分割找出与轨枕平面高度相近的区域作为轨枕平坦区域。
14、进一步地,将第s4步替换为如下操作:
15、s4-1:在轨枕裂缝检测候选区域内,对颜色图像和/或深度图像进行处理,检测疑似裂缝区域;
16、s4-2:采用滑窗操作、扫描疑似裂缝区域,在颜色图像和深度图像进行稠密采样,得到稠密采样图像块;
17、s4-3:采用分类器将稠密采样图像块分为裂缝和非裂缝负;当稠密采样图像块判定为非裂缝时,将对应采样区域删除;当稠密采样图像块为裂缝时,将对应采样区域标记为裂缝。
18、所述检测疑似裂缝区域的方法是:
19、首先,在颜色图像上,提取疑似裂缝区域,具体步骤如下:
20、a-1:在轨枕裂缝检测候选区域内,对颜色图像进行傅里叶变换,得到傅里叶频域图像;
21、a-2:对频域图像进行平滑滤波,消除高频分量,再进行逆变换得到平滑图像;
22、a-3:将原颜色图像减去傅里叶平滑图像,得到梯度增强图像;
23、a-4:采用线滤波器检测、定位线状区域作为疑似裂缝区域;
24、其次,在深度图像上,提取疑似裂缝区域,
25、具体方法包括:方法1:对深度图像d0进行膨胀操作得到深度图像d1;将深度图像d1与深度图像d0作差,将超过设定阈值t3的区域作为疑似裂缝区域;方法2:计算深度图像d0的梯度强度图像,对梯度强度图像进行阈值分割,将阈值分割结果作为疑似裂缝区域;
26、最后,将颜色图像和深度图像上提取的疑似裂缝区域进行合并,作为最终的疑似裂缝区域。
27、所述s4-2中稠密采样方法是:在滑窗提取时,在采样窗口内估计裂缝主方向,使采样窗口与主方向对齐后,进行颜色图像、深度图像采样,并使采样图像块中,疑似裂缝主方向与水平方向或竖直方向对齐。
28、所述稠密采样图像块的分类方法是:对稠密采样的颜色图像块和深度图像块进行归一化处理;再进行pca降维,得到2个一维向量v1、v2,作为特征向量v3=[v1,v2];训练svm或mlp或knn或随机森林分类器,用于稠密采样图像块分类。
29、进一步地,所述稠密采样图像块分类方法是:将稠密采样的颜色图像块和深度图像块进行横向、纵向累加投影,得到4个一维向量v4、v5、v6、v7,对 v4、v5、v6、v7进行归一化处理和/降维处理后,与特征向量v3连接,得到新的特征向量v8=[v3,v4,v5,v6,v7]用于分类。
30、所述稠密采样图像块分类方法还包括基于深度学习的分类方法,包括但不限于vgg或resnet或vit或mobilenet分类模型。
31、在上述方法中,所述目标检测方法包含基于图像特征提取+分类器识别的方法、基于深度学习的目标检测方法;其中,基于图像特征提取+分类识别的方法包含但不限于hog+svm或dpm;基于深度学习的目标检测方法,包含但不限于 fasterrcnn或yolov3或yolov5或yolov7或yolox或detr;所述图像分割方法包含但不限于阈值分割或区域填充或unet或deeplabv3或solov2。
32、进一步地,在采用深度学习方法时,将颜色图像和深度图像进行通道合并,在多通道图像上进行目标检测和图像分割。
33、本专利技术的有益效果是:
34、1.采用3d相机获取的轨道颜色图像和深度图像,增加了轨枕表面高度变化形状信息,有利于区分裂缝、颜色污染、异物边界干扰,进而提升裂缝检测准确率
...【技术保护点】
1.一种轨枕裂缝检测方法,其特征在于,包含以下步骤:
2.如权利要求1所述的一种轨枕裂缝检测方法,其特征在于,所述轨枕裂缝检测候选区域的检测方法是:在颜色图像和/或深度图像上标注扣件、信号设备、碎石、杂物、线缆,训练目标检测或图像分割模型,采用目标检测或图像分割方法检出或分割出扣件、信号设备、碎石、杂物、线缆区域,将其从轨枕区域扣除后作为轨枕裂缝检测候选区域。
3.如权利要求1或2所述的一种轨枕裂缝检测方法,其特征在于,所述轨枕裂缝检测候选区域的检测方法是:在颜色图像和/或深度图像上,采用目标检测方法检出轨枕区域内的扣件、信号设备后,对这些区域进行屏蔽,在剩余区域内进行轨枕平坦区域检测,将检出的轨枕平坦区域作为轨枕裂缝检测候选区域;
4.如权利要求1所述的一种轨枕裂缝检测方法,其特征在于,第S4步替换为以下步骤:
5.如权利要求4所述的一种轨枕裂缝检测方法,其特征在于,所述检测疑似裂缝区域的方法是:
6.如权利要求4所述的一种轨枕裂缝检测方法,其特征在于,所述S4-2中稠密采样方法是:在滑窗提取时,在采样窗口内估计裂缝主
7.如权利要求4或6所述的一种轨枕裂缝检测方法,其特征在于,所述稠密采样图像块的分类方法是:对稠密采样的颜色图像块和深度图像块进行归一化处理;再进行PCA降维,得到2个一维向量v1、v2,作为特征向量v3=[v1,v2];训练SVM或MLP或KNN或随机森林分类器,用于稠密采样图像块分类。
8.如权利要求7所述的一种轨枕裂缝检测方法,其特征在于,所述稠密采样图像块分类方法是:将稠密采样的颜色图像块和深度图像块进行横向、纵向累加投影,得到4个一维向量v4、v5、v6、v7,对v4、v5、v6、v7进行归一化处理和/降维处理后,与特征向量v3连接,得到新的特征向量v8=[v3,v4,v5,v6,v7]用于分类。
9.如权利要求4或6所述的一种轨枕裂缝检测方法,其特征在于,所述稠密采样图像块分类方法还可以采用基于深度学习的分类方法,包括但不限于VGG或ResNet或VIT或MobileNet分类模型。
10.如权利要求1~4任一所述的一种轨枕裂缝检测方法,其特征在于,所述目标检测方法包含基于图像特征提取+分类器识别的方法、基于深度学习的目标检测方法;其中,基于图像特征提取+分类识别的方法包含但不限于HOG+SVM或DPM;基于深度学习的目标检测方法,包含但不限于FasterRCNN、YOLOV3或YOLOV或YOLOV7或YOLOX或DETR;所述图像分割方法包含但不限于阈值分割或区域填充或UNET或DeepLabv3或SOLOV2;在采用深度学习方法时,将颜色图像和深度图像进行通道合并,在多通道图像上进行目标检测和图像分割。
...【技术特征摘要】
1.一种轨枕裂缝检测方法,其特征在于,包含以下步骤:
2.如权利要求1所述的一种轨枕裂缝检测方法,其特征在于,所述轨枕裂缝检测候选区域的检测方法是:在颜色图像和/或深度图像上标注扣件、信号设备、碎石、杂物、线缆,训练目标检测或图像分割模型,采用目标检测或图像分割方法检出或分割出扣件、信号设备、碎石、杂物、线缆区域,将其从轨枕区域扣除后作为轨枕裂缝检测候选区域。
3.如权利要求1或2所述的一种轨枕裂缝检测方法,其特征在于,所述轨枕裂缝检测候选区域的检测方法是:在颜色图像和/或深度图像上,采用目标检测方法检出轨枕区域内的扣件、信号设备后,对这些区域进行屏蔽,在剩余区域内进行轨枕平坦区域检测,将检出的轨枕平坦区域作为轨枕裂缝检测候选区域;
4.如权利要求1所述的一种轨枕裂缝检测方法,其特征在于,第s4步替换为以下步骤:
5.如权利要求4所述的一种轨枕裂缝检测方法,其特征在于,所述检测疑似裂缝区域的方法是:
6.如权利要求4所述的一种轨枕裂缝检测方法,其特征在于,所述s4-2中稠密采样方法是:在滑窗提取时,在采样窗口内估计裂缝主方向,使采样窗口与主方向对齐后,进行颜色图像、深度图像采样,并使采样图像块中,疑似裂缝主方向与水平方向或竖直方向对齐。
7.如权利要求4或6所述的一种轨枕裂缝检测方法,其特征在于,所述稠密采样图像块的分类方法是:对稠密采样的颜色图像块和深度图像块...
【专利技术属性】
技术研发人员:兰伟,毛宏军,李羊,梁鑫,
申请(专利权)人:成都精工华耀科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。