CN112860952B - 巡检机器人定位检修部件的方法及*** - Google Patents
巡检机器人定位检修部件的方法及*** Download PDFInfo
- Publication number
- CN112860952B CN112860952B CN202011499197.XA CN202011499197A CN112860952B CN 112860952 B CN112860952 B CN 112860952B CN 202011499197 A CN202011499197 A CN 202011499197A CN 112860952 B CN112860952 B CN 112860952B
- Authority
- CN
- China
- Prior art keywords
- train
- axle
- position data
- positioning
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000007689 inspection Methods 0.000 title claims abstract description 47
- 238000012423 maintenance Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000007621 cluster analysis Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000010365 information processing Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Library & Information Science (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及地铁车辆检修技术领域,实施例具体公开一种巡检机器人定位检修部件的方法及***,通过获取列车车号和列车停靠位置相对于预设停靠位置的距离偏差值;根据列车车号判断该列车车型是否为数据库已有车型,若是则从数据库中调用该列车车型的历史车轴位置数据,根据历史车轴位置数据和列车停靠位置相对于预设停靠位置的距离偏差值生成该列车的各个车轴位置数据,根据该列车的各个车轴位置数据定位到各个检修部件的方法,利用大数据分析方法构建了列车车轴分布关系,根据列车停靠位置的距离偏差值计算各个车轴位置数据进而定位到各个检修部件,让巡检机器人在作业过程中不用去定位每一个转向架,达到了提高整体检测效率的目的。
Description
技术领域
本发明涉及地铁车辆检修技术领域,具体涉及一种巡检机器人定位检修部件的方法及***。
背景技术
地铁车辆是城市轨道交通中重要的组成部分,在铁路轨道上行驶,负责运载客人。地铁车辆结构复杂,为保障地铁车辆的日常安全运营,地铁车辆在每日执行完运载任务后,都需要回到专用检修库进行检修。检修内容主要包含地铁车辆的部件松动、断裂、缺失、变形等。为提高检修作业效率,用智能设备替代完全的人工作业,已经是越来越明显的趋势。在自动化检修的作业环节当中,精确定位检测部件是基础且关键的技术,如何让巡检机器人高效准确的定位检测部件是目前亟需解决的问题。
发明内容
有鉴于此,本申请提供一种巡检机器人定位检修部件的方法及***,能够解决或者至少部分解决上述存在的问题。
为解决以上技术问题,本发明提供的技术方案是一种巡检机器人定位检修部件的方法,包括:
获取列车车号和列车停靠位置相对于预设停靠位置的距离偏差值;
根据列车车号判断该列车车型是否为数据库已有车型,若是,则从数据库中调用该列车车型的历史车轴位置数据,根据历史车轴位置数据和列车停靠位置相对于预设停靠位置的距离偏差值生成该列车的各个车轴位置数据,根据该列车的各个车轴位置数据定位到各个检修部件,若否,则采集该列车的各个车轴位置数据存入数据库。
优选的,所述获取列车车号和列车停靠位置相对于预设停靠位置的距离偏差值的方法包括:
按照预存的电子地图中的预设路径行进至预设拍摄位置拍摄列车车号,获得列车车号图像,从列车车号图像中提取出列车车号;
根据列车车号字符在列车车号图像中的位置计算列车车号字符与预设车号字符位置的距离偏差值,进一步计算出列车停靠位置与预设停靠位置的距离偏差值。
优选的,所述采集该列车的各个车轴位置数据存入数据库的方法包括:
以列车转向架为单位,定位第一个转向架的第一根车轴相对于预设停靠位置的位置为列车停靠位置;
依次到达每个转向架需要定位的车轴位置,完成对每个车轴的若干次定位,获得每个车轴对应的若干个车轴位置数据;
将每个车轴对应的若干个车轴位置数据中出现频次最多的车轴数据作为该车轴的实际位置数据存入数据库。
优选的,巡检机器人定位检修部件的方法还包括:生成列车车型的历史车轴位置数据;所述生成列车车型的历史车轴位置数据的方法包括:
将采集的一列车车型的每一根车轴的大量位置数据存入一个大小为n的数组;
利用K-均值算法进行聚类分析,将聚类后的各个聚类中心作为代表该组数组中所有位置数据的目标数据;
利用均值算法计算所有聚类中心,即找到该车轴的实际位置数据。
优选的,所述利用K-均值算法进行聚类分析,将聚类后的各个聚类中心作为代表该组数组中所有位置数据的目标数据的方法包括:
根据分类个数k,随机选取k个初始的聚类中心,该k个聚类中心来自于原始数组中的位置数据;
遍历数组中的每一个位置数据,并且把每个位置数据分配给距离其本身最近的聚类中心,完成k个起始聚类;
重新移动聚类中心至上一步骤中的k个起始聚类的自己的中心位置,该位置的值与初始聚类中心值发生变化,并将新的聚类中心作为下一次计算的输入;
以新的聚类中心重新分配数组中的所有位置数据,不断迭代循环,直至目标函数的最小值出现;
其中,目标函数采用平方差准则,即其中E表示所有聚类对象的平方差和,S是聚类对象,Mi是类Ci的各聚类对象的平均值,即:/>其中Ci的绝对值表示Ci的聚类对象的数目,每一次迭代过程中,每一个点都要计算一遍它和聚类中心的距离,并取出最短距离作为该点所属的类,聚类算法结尾以 E获取最小值,即最后的聚类中心不再发生移动后停止,且初始聚类中心的数目控制在数组大小的一半。
优选的,所述利用均值算法计算所有聚类中心的方法包括:求取最后一次迭代完成的聚类中心的均值作为该车轴位置数据,依次完成整列车所有车轴的位置数据计算。
本发明还提供一种巡检机器人定位检修部件的***,包括:
定位信息获取模块,用于获取列车车号和列车停靠位置相对于预设停靠位置的距离偏差值;
定位信息处理模块,用于根据列车车号判断该列车车型是否为数据库已有车型,若是,则从数据库中调用该列车车型的历史车轴位置数据,根据历史车轴位置数据和列车停靠位置相对于预设停靠位置的距离偏差值生成该列车的各个车轴位置数据,根据该列车的各个车轴位置数据定位到各个检修部件,若否,则采集该列车的各个车轴位置数据存入数据库。
优选的,所述定位信息获取模块包括:
列车车号识别单元,用于按照预存的电子地图中的预设路径行进至预设拍摄位置拍摄列车车号获得列车车号图像,从列车车号图像中提取出列车车号;
列车位置获取单元,用于根据列车车号字符在列车车号图像中的位置计算列车车号字符与预设车号字符位置的距离偏差值,进一步计算出列车停靠位置与预设停靠位置的距离偏差值。
优选的,所述定位信息处理模块采集该列车的各个车轴位置数据存入数据库的方法包括:
以列车转向架为单位,定位第一个转向架的第一根车轴相对于预设停靠位置的位置为列车停靠位置;
依次到达每个转向架需要定位的车轴位置,完成对每个车轴的若干次定位,获得每个车轴对应的若干个车轴位置数据;
将每个车轴对应的若干个车轴位置数据中出现频次最多的车轴数据作为该车轴的实际位置数据存入数据库。
优选的,巡检机器人定位检修部件的***还包括历史数据生成模块,所述历史数据生成模块生成列车车型的历史车轴位置数据的方法包括:
将采集的一列车车型的每一根车轴的大量位置数据存入一个大小为n的数组;
利用K-均值算法进行聚类分析,将聚类后的各个聚类中心作为代表该组数组中所有位置数据的目标数据;
利用均值算法计算所有聚类中心,即找到该车轴的实际位置数据。
本申请与现有技术相比,其有益效果详细说明如下:本发明通过获取列车车号和列车停靠位置相对于预设停靠位置的距离偏差值;根据列车车号判断该列车车型是否为数据库已有车型,若是,则从数据库中调用该列车车型的历史车轴位置数据,根据历史车轴位置数据和列车停靠位置相对于预设停靠位置的距离偏差值生成该列车的各个车轴位置数据,根据该列车的各个车轴位置数据定位到各个检修部件,若否,则采集该列车的各个车轴位置数据存入数据库的方法,利用大数据分析方法构建了列车车轴分布关系,根据列车停靠位置相对于预设停靠位置的距离偏差值计算列车的各个车轴位置数据进而定位到各个检修部件进行检修,让巡检机器人在作业过程中不用去定位每一个转向架,达到了提高整体检测效率的目的。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。
图1为本发明实施例提供的一种巡检机器人定位检修部件的方法流程示意图;
图2为本发明实施例提供的一种获取列车车号和列车停靠位置相对于预设停靠位置的距离偏差值的方法流程示意图;
图3为本发明实施例提供的一种车牌字符识别的内部网络图;
图4为本发明实施例提供的一种采集该列车的各个车轴位置数据存入数据库的方法流程示意图;
图5为本发明实施例提供的一种生成列车车型的历史车轴位置数据的方法流程示意图;
图6为本发明实施例提供的一种巡检机器人定位检修部件的***结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,所获得的所有其他实施例,都属于本发明保护范围。
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示,本发明实施例提供一种巡检机器人定位检修部件的方法,包括:
S11:获取列车车号和列车停靠位置相对于预设停靠位置的距离偏差值;
S12:根据列车车号判断该列车车型是否为数据库已有车型,若是,则从数据库中调用该列车车型的历史车轴位置数据,根据历史车轴位置数据和列车停靠位置相对于预设停靠位置的距离偏差值生成该列车的各个车轴位置数据,根据该列车的各个车轴位置数据定位到各个检修部件,若否,则采集该列车的各个车轴位置数据存入数据库。
具体的,智能巡检机器人主要结构包括:激光导航、定位组件、视觉采集单元等。智能巡检机器人通过在地铁车辆检修地沟中自由行走,实现对列车关键部件的图像采集及分析,以此判断异常情况。
需要说明的是,如图2所示,S11获取列车车号和列车停靠位置相对于预设停靠位置的距离偏差值的方法包括:
S111:按照预存的电子地图中的预设路径行进至预设拍摄位置拍摄列车车号获得列车车号图像,从列车车号图像中提取出列车车号;
S112:根据列车车号字符在列车车号图像中的位置计算列车车号字符与预设车号字符位置的距离偏差值,进一步计算出列车停靠位置与预设停靠位置的距离偏差值。
具体的,当列车停靠入库之后,首先进行车号识别。在进行车号识别之前巡检机器人已经准确定位自身位置,采用的激光SLAM技术,扫描检修环境形成地图,准确得到巡检机器人自身及检测车辆的相对位置关系。巡检机器人按照预设的电子地图行进至预设的车辆车号位置完成车辆类型的识别(图像车号识别)及车号相对于预设车号字符位置的偏差。即在该阶段的车号识别过程中已经完成了一次地铁车辆停靠位置的精确定位。
具体的,如图3所示,巡检机器人从列车车号图像中提取出列车车号的方法采用的是深度学习图像处理技术,具体过程包括:1、利用高清数字相机完成目标列车的车号图像采集及保存;2.对保存的列车车号图像进行一系列预处理工作(包括图像灰度化、图像对比度增强与去噪、图像边缘检测及二值化处理等);3.采用YOLOv3 目标检测算法处理预处理后的列车车号图像,其功能及特点针对性适用于车牌字符的识别。车牌字符识别的内部网络图如图3所示;4.采用labelImag软件针对列车车号图像进行标注、训练,并生成配置及权重文件;5.调用该算法,实现列车车号识别。
具体的,根据列车车号字符在列车车号图像中的位置计算列车车号字符与预设车号字符位置的距离偏差值,进一步计算出列车停靠位置与预设停靠位置的距离偏差值采用的方法是:像素位置偏差计算。根据列车车号字符在车号图像中的像素起始点像素坐标值与预设车号图像中的像素位置的差值,并结合预设车号图像及真实停靠位置的关系找到实际列车的位置信息。。需要说明的是,如图4所示:S12中采集该列车的各个车轴位置数据存入数据库的方法包括:
S121:以列车转向架为单位,定位第一个转向架的第一根车轴相对于预设停靠位置的位置为列车停靠位置;
S122:依次到达每个转向架需要定位的车轴位置,完成对每个车轴的若干次定位,获得每个车轴对应的若干个车轴位置数据;
S123:将每个车轴对应的若干个车轴位置数据中出现频次最多的车轴数据作为该车轴的实际位置数据存入数据库。
具体的,车辆定位判断以车厢转向架为单位,定位第一个转向架的第一根车轴相对于列车前端(视作0点)的停靠位置,该位置代表当前车厢停靠的位置。巡检机器人依次到达每个转向架需要定位的第一根车轴位置,完成对单一车轴的若干次定位,并将若干次数据出现频次最多的值作为该车轴位置的实际空间相对位置值(以 n根定位的车轴为例)。由于短时间高效收集较多数量的数据集,可以在一定程度上降低误差,提高车轴的定位精度。
定位车轴所采用的技术是通过激光测距仪进行车轴断面扫描,根据扫描数据的形状(半圆弧形的最低点,该直径与真实车轴直径近似)的若干次最低点所组成的数据集作为该车轴的位置的选取范围。在该范围中(大量近似数据集见如下表1举例),通过算法分析规律,在多组数据中找到相似性较高的作为该车轴的输出位置信息(1—n值)。
表1车轴定位数据示例
需要说明的是,如图5所示,巡检机器人定位检修部件的方法还包括:S10:生成列车车型的历史车轴位置数据。具体的,S10生成列车车型的历史车轴位置数据的方法包括:
S101:将采集的一列车车型的每一根车轴的大量位置数据存入一个大小为n的数组;
S102:利用K-均值算法进行聚类分析,将聚类后的各个聚类中心作为代表该组数组中所有位置数据的目标数据;
S103:利用均值算法计算所有聚类中心,即找到该车轴的实际位置数据。
需要说明的是,S102利用K-均值算法进行聚类分析,将聚类后的各个聚类中心作为代表该组数组中所有位置数据的目标数据的方法包括:
根据分类个数k,随机选取k个初始的聚类中心,该k个聚类中心来自于原始数组中的位置数据;
遍历数组中的每一个位置数据,并且把每个位置数据分配给距离其本身最近的聚类中心,完成k个起始聚类;
重新移动聚类中心至上一步骤中的k个起始聚类的自己的中心位置,该位置的值与初始聚类中心值发生变化,并将新的聚类中心作为下一次计算的输入;
以新的聚类中心重新分配数组中的所有位置数据,不断迭代循环,直至目标函数的最小值出现;
其中,目标函数采用平方差准则,即其中E表示所有聚类对象的平方差和,S是聚类对象,Mi是类Ci的各聚类对象的平均值,即:/>其中Ci的绝对值表示Ci的聚类对象的数目,每一次迭代过程中,每一个点都要计算一遍它和聚类中心的距离,并取出最短距离作为该点所属的类,聚类算法结尾以 E获取最小值,即最后的聚类中心不再发生移动后停止,且初始聚类中心的数目控制在数组大小的一半。
需要说明的是,S103利用均值算法计算所有聚类中心的方法包括:求取最后一次迭代完成的聚类中心的均值作为该车轴位置数据,依次完成整列车所有车轴的位置数据计算。
具体的,为了生成列车车型的历史车轴位置数据,采用的方法包括:(1)将一列车的每一根车轴扫描的大量数据存入一个大小为n的数组nums,(2)利用K- 均值算法进行聚类分析,(3)将聚类后的各个聚类中心作为能够主要代表该组数组中所有值的目标值,(4)利用均值算法计算所有聚类中心,即找到该车轴实际位置值。
具体的,(2)利用K-均值算法进行聚类分析的方法包括:1)根据分类个数k,随机选取k个初始的聚类中心,这k个聚类中心来自于原始数组中的值;2)遍历数组中的每一个数值,并且把每个数值分配给距离其本身最近的聚类中心,完成k 个起始聚类;3)重新移动聚类中心至步骤3中的k个起始聚类的自己的中心位置,该位置的值与初始聚类中心值发生变化,并将新的聚类中心作为下一次计算的输入; 4)以新的聚类中心重新分配数组中的所有数值,不断迭代循环,直至目标函数的最小值出现(聚类中心不发生移动)。
其中,目标函数通常采用平方差准则,即:其中,E表示所有聚类对象的平方差和,S是聚类对象,Mi是类Ci的各聚类对象的平均值,即:/>其中Ci的绝对值表示Ci的聚类对象的数目,每一次迭代过程中每一个点都要计算一遍它和聚类中心的距离,并取出最短距离作为该点所属的类,聚类算法结尾以E获取最小值,即最后的聚类中心不再发生移动后停止,且初始聚类中心的数目控制在数组大小的一半。
具体的,(4)利用均值算法计算所有聚类中心的方法包括:将最后依次聚类中心的值取均值完成该车轴实际位置的定位,依次同时完成整列车所有车轴的位置计算。
在生成了列车车型的历史车轴位置数据后,当列车停靠入库后,进行车号识别,识别到的车号和车型与先前检测过的数据一致时,巡检机器人就把数据库中该列车车型的每一根车轴的位置数据自动匹配给当前列车的所有转向架车轴的相对位置信息,且该信息被认为是可靠的,即无需再次进行车轴的测量和定位。
本发明是发明原理:利用了大数据分析的技术,通过大量历史数据构建某地铁车辆的车轴分布关系,然后利用在车号识别阶段给出的相对预设车号字符位置的偏移信息,自动计算列车停靠位置相对预设停靠位置的偏移位置,进一步的让巡检机器人在作业过程中不用去定位每一个转向架,从而达到提高整体检测效率的目的。
本发明的优势:1.改进了车轴定位方式,过去是每辆列车入库后,巡检机器人需要对每个转向架进行一次车轴定位,以有效保障随后的步骤中可以有效的拍摄到关键部件的图片,改进后通过单个车轴的多次测量,以大数据平均值作为测量模板,使得检测定位精度更加准确;2.原有车轴定位方式下,假定需要每m次列车整体定位后复检一次,以排查定位精度问题,经过改进之后,相当于只需进行m-1次全车定位,且可以延长复检的间隔时间,大大提高车轴定位效率,相对于传统方式在车轴定位效率方面提高90%。
如图6所示,本发明还提供一种巡检机器人定位检修部件的***,包括:
定位信息获取模块21,用于获取列车车号和列车停靠位置相对于预设停靠位置的距离偏差值;
定位信息处理模块22,用于根据列车车号判断该列车车型是否为数据库已有车型,若是,则从数据库中调用该列车车型的历史车轴位置数据,根据历史车轴位置数据和列车停靠位置相对于预设停靠位置的距离偏差值生成该列车的各个车轴位置数据,根据该列车的各个车轴位置数据定位到各个检修部件,若否,则采集该列车的各个车轴位置数据存入数据库。
需要说明的是,定位信息获取模块21包括:
列车车号识别单元,用于按照预存的电子地图中的预设路径行进至预设拍摄位置拍摄列车车号获得列车车号图像,从列车车号图像中提取出列车车号;
列车位置获取单元,用于根据列车车号字符在列车车号图像中的位置计算列车车号字符与预设车号字符位置的距离偏差值,进一步计算出列车停靠位置与预设停靠位置的距离偏差值。
需要说明的是,定位信息处理模块22采集该列车的各个车轴位置数据存入数据库的方法包括:
以列车转向架为单位,定位第一个转向架的第一根车轴相对于预设停靠位置的位置为列车停靠位置;
依次到达每个转向架需要定位的车轴位置,完成对每个车轴的若干次定位,获得每个车轴对应的若干个车轴位置数据;
将每个车轴对应的若干个车轴位置数据中出现频次最多的车轴数据作为该车轴的实际位置数据存入数据库。
需要说明的是,巡检机器人定位检修部件的***还包括:历史数据生成模块。历史数据生成模块生成列车车型的历史车轴位置数据的方法包括:
将采集的一列车车型的每一根车轴的大量位置数据存入一个大小为n的数组;
利用K-均值算法进行聚类分析,将聚类后的各个聚类中心作为代表该组数组中所有位置数据的目标数据;
利用均值算法计算所有聚类中心,即找到该车轴的实际位置数据。
图6所对应实施例中特征的说明可以参见图1-图5所对应实施例的相关说明,这里不再一一赘述。
以上对本发明实施例所提供的一种巡检机器人定位检修部件的方法及***进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (8)
1.一种巡检机器人定位检修部件的方法,其特征在于,包括:
获取列车车号和列车停靠位置相对于预设停靠位置的距离偏差值;
根据列车车号判断该列车车型是否为数据库已有车型,若是,则从数据库中调用该列车车型的历史车轴位置数据,根据历史车轴位置数据和列车停靠位置相对于预设停靠位置的距离偏差值生成该列车的各个车轴位置数据,根据该列车的各个车轴位置数据定位到各个检修部件,若否,则采集该列车的各个车轴位置数据存入数据库,其中,所述采集该列车的各个车轴位置数据存入数据库的方法包括:以列车转向架为单位,定位第一个转向架的第一根车轴相对于预设停靠位置的位置为列车停靠位置;依次到达每个转向架需要定位的车轴位置,完成对每个车轴的若干次定位,获得每个车轴对应的若干个车轴位置数据;将每个车轴对应的若干个车轴位置数据中出现频次最多的车轴数据作为该车轴的实际位置数据存入数据库。
2.根据权利要求1所述的巡检机器人定位检修部件的方法,其特征在于,所述获取列车车号和列车停靠位置相对于预设停靠位置的距离偏差值的方法包括:
按照预存的电子地图中的预设路径行进至预设拍摄位置拍摄列车车号,获得列车车号图像,从列车车号图像中提取出列车车号;
根据列车车号字符在列车车号图像中的位置计算列车车号字符与预设车号字符位置的距离偏差值,进一步计算出列车停靠位置与预设停靠位置的距离偏差值。
3.根据权利要求1所述的巡检机器人定位检修部件的方法,其特征在于,还包括:生成列车车型的历史车轴位置数据;所述生成列车车型的历史车轴位置数据的方法包括:
将采集的一列车车型的每一根车轴的大量位置数据存入一个大小为n的数组;
利用K-均值算法进行聚类分析,将聚类后的各个聚类中心作为代表该组数组中所有位置数据的目标数据;
利用均值算法计算所有聚类中心,即找到该车轴的实际位置数据。
4.根据权利要求3所述的巡检机器人定位检修部件的方法,其特征在于,所述利用K-均值算法进行聚类分析,将聚类后的各个聚类中心作为代表该组数组中所有位置数据的目标数据的方法包括:
根据分类个数k,随机选取k个初始的聚类中心,该k个聚类中心来自于原始数组中的位置数据;
遍历数组中的每一个位置数据,并且把每个位置数据分配给距离其本身最近的聚类中心,完成k个起始聚类;
重新移动聚类中心至上一步骤中的k个起始聚类的自己的中心位置,该位置的值与初始聚类中心值发生变化,并将新的聚类中心作为下一次计算的输入;
以新的聚类中心重新分配数组中的所有位置数据,不断迭代循环,直至目标函数的最小值出现;
5.根据权利要求3所述的巡检机器人定位检修部件的方法,其特征在于,所述利用均值算法计算所有聚类中心的方法包括:求取最后一次迭代完成的聚类中心的均值作为该车轴位置数据,依次完成整列车所有车轴的位置数据计算。
6.一种巡检机器人定位检修部件的***,其特征在于,包括:
定位信息获取模块,用于获取列车车号和列车停靠位置相对于预设停靠位置的距离偏差值;
定位信息处理模块,用于根据列车车号判断该列车车型是否为数据库已有车型,若是,则从数据库中调用该列车车型的历史车轴位置数据,根据历史车轴位置数据和列车停靠位置相对于预设停靠位置的距离偏差值生成该列车的各个车轴位置数据,根据该列车的各个车轴位置数据定位到各个检修部件,若否,则采集该列车的各个车轴位置数据存入数据库,其中,所述定位信息处理模块采集该列车的各个车轴位置数据存入数据库的方法包括:以列车转向架为单位,定位第一个转向架的第一根车轴相对于预设停靠位置的位置为列车停靠位置;依次到达每个转向架需要定位的车轴位置,完成对每个车轴的若干次定位,获得每个车轴对应的若干个车轴位置数据;将每个车轴对应的若干个车轴位置数据中出现频次最多的车轴数据作为该车轴的实际位置数据存入数据库。
7.根据权利要求6所述的巡检机器人定位检修部件的***,其特征在于,所述定位信息获取模块包括:
列车车号识别单元,用于按照预存的电子地图中的预设路径行进至预设拍摄位置拍摄列车车号获得列车车号图像,从列车车号图像中提取出列车车号;
列车位置获取单元,用于根据列车车号字符在列车车号图像中的位置计算列车车号字符与预设车号字符位置的距离偏差值,进一步计算出列车停靠位置与预设停靠位置的距离偏差值。
8.根据权利要求6所述的巡检机器人定位检修部件的***,其特征在于,还包括历史数据生成模块,所述历史数据生成模块生成列车车型的历史车轴位置数据的方法包括:
将采集的一列车车型的每一根车轴的大量位置数据存入一个大小为n的数组;
利用K-均值算法进行聚类分析,将聚类后的各个聚类中心作为代表该组数组中所有位置数据的目标数据;
利用均值算法计算所有聚类中心,即找到该车轴的实际位置数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011499197.XA CN112860952B (zh) | 2020-12-17 | 2020-12-17 | 巡检机器人定位检修部件的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011499197.XA CN112860952B (zh) | 2020-12-17 | 2020-12-17 | 巡检机器人定位检修部件的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112860952A CN112860952A (zh) | 2021-05-28 |
CN112860952B true CN112860952B (zh) | 2023-06-20 |
Family
ID=75997514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011499197.XA Active CN112860952B (zh) | 2020-12-17 | 2020-12-17 | 巡检机器人定位检修部件的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112860952B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113448333B (zh) * | 2021-06-25 | 2024-02-06 | 北京铁道工程机电技术研究所股份有限公司 | 基于传感器组合的底部巡检定位方法、装置及电子设备 |
CN115439451B (zh) * | 2022-09-09 | 2023-04-21 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车转向架弹簧托板的去噪检测方法 |
CN115900553A (zh) * | 2023-01-09 | 2023-04-04 | 成都盛锴科技有限公司 | 一种列车巡检机器人的复合定位方法及其*** |
CN116039699B (zh) * | 2023-03-28 | 2023-06-23 | 湖北工业大学 | 一种宽窄轨列车转向架更换*** |
CN116090802B (zh) * | 2023-04-12 | 2023-06-27 | 成都盛锴科技有限公司 | 一种面向车底部件识别的列检任务智能分配及调度*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101020463A (zh) * | 2007-03-22 | 2007-08-22 | 北京交通大学 | 一种铁路轨检车病害处所精确定位方法和装置 |
CN102107777A (zh) * | 2009-12-24 | 2011-06-29 | 同方威视技术股份有限公司 | 车辆输送装置和具有该车辆输送装置的车辆辐射检测*** |
CN106468914A (zh) * | 2015-08-21 | 2017-03-01 | 苏州华兴致远电子科技有限公司 | 列车检修方法和*** |
CN206594518U (zh) * | 2015-08-21 | 2017-10-27 | 苏州华兴致远电子科技有限公司 | 列车检修*** |
CN109176513A (zh) * | 2018-09-04 | 2019-01-11 | 北京华开领航科技有限责任公司 | 一种智能巡检机器人的巡检方法及巡检*** |
CN109738213A (zh) * | 2019-02-03 | 2019-05-10 | 北京新联铁集团股份有限公司 | 轨道交通机车车辆巡检位姿检测***及其方法 |
CN110259226A (zh) * | 2019-06-28 | 2019-09-20 | 陈载发 | 立体停车架用车辆吊装机构、立体停车架及存取车方法 |
CN210879665U (zh) * | 2019-11-07 | 2020-06-30 | 成都铁安科技有限责任公司 | 一种地铁车辆列检机器人的综合定位*** |
CN111554005A (zh) * | 2020-04-27 | 2020-08-18 | 浙江库科自动化科技有限公司 | 铁路货运列车智能巡检方法 |
CN111845864A (zh) * | 2020-06-12 | 2020-10-30 | 佛山中国空间技术研究院创新中心 | 一种轨道列车识别定位方法、***、装置及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180035606A1 (en) * | 2016-08-05 | 2018-02-08 | Romello Burdoucci | Smart Interactive and Autonomous Robotic Property Maintenance Apparatus, System, and Method |
-
2020
- 2020-12-17 CN CN202011499197.XA patent/CN112860952B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101020463A (zh) * | 2007-03-22 | 2007-08-22 | 北京交通大学 | 一种铁路轨检车病害处所精确定位方法和装置 |
CN102107777A (zh) * | 2009-12-24 | 2011-06-29 | 同方威视技术股份有限公司 | 车辆输送装置和具有该车辆输送装置的车辆辐射检测*** |
CN106468914A (zh) * | 2015-08-21 | 2017-03-01 | 苏州华兴致远电子科技有限公司 | 列车检修方法和*** |
CN206594518U (zh) * | 2015-08-21 | 2017-10-27 | 苏州华兴致远电子科技有限公司 | 列车检修*** |
CN109176513A (zh) * | 2018-09-04 | 2019-01-11 | 北京华开领航科技有限责任公司 | 一种智能巡检机器人的巡检方法及巡检*** |
CN109738213A (zh) * | 2019-02-03 | 2019-05-10 | 北京新联铁集团股份有限公司 | 轨道交通机车车辆巡检位姿检测***及其方法 |
CN110259226A (zh) * | 2019-06-28 | 2019-09-20 | 陈载发 | 立体停车架用车辆吊装机构、立体停车架及存取车方法 |
CN210879665U (zh) * | 2019-11-07 | 2020-06-30 | 成都铁安科技有限责任公司 | 一种地铁车辆列检机器人的综合定位*** |
CN111554005A (zh) * | 2020-04-27 | 2020-08-18 | 浙江库科自动化科技有限公司 | 铁路货运列车智能巡检方法 |
CN111845864A (zh) * | 2020-06-12 | 2020-10-30 | 佛山中国空间技术研究院创新中心 | 一种轨道列车识别定位方法、***、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112860952A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112860952B (zh) | 巡检机器人定位检修部件的方法及*** | |
Barroso et al. | Number plate reading using computer vision | |
CN110288001B (zh) | 基于目标数据特征训练学习的目标识别方法 | |
CN112883820B (zh) | 基于激光雷达点云的道路目标3d检测方法及*** | |
CN111797829A (zh) | 一种车牌检测方法、装置、电子设备和存储介质 | |
CN116797055B (zh) | 一种基于物联网的城市道路规划方法及*** | |
CN101620677A (zh) | 一种基于三角剖分与lod技术的指纹识别方法 | |
CN105160330A (zh) | 一种车标识别方法及车标识别*** | |
CN108562885B (zh) | 一种高压输电线路机载LiDAR点云提取方法 | |
CN113392169A (zh) | 一种高精度地图更新的方法、装置及服务器 | |
CN115511836B (zh) | 基于强化学习算法的桥梁裂缝等级评估方法及*** | |
CN103971133A (zh) | 基于案例推理的钢板表面缺陷的自动识别方法 | |
Gibbons et al. | A Gaussian mixture model for automated corrosion detection in remanufacturing | |
CN114488350B (zh) | 一种基于雷达图信息处理的山地城市短时降雨预报方法 | |
CN116665126A (zh) | 一种机器人巡检部件缺陷检测方法及其应用 | |
CN110647877B (zh) | 一种基于神经网络的立体交通设施定位纠偏方法及装置 | |
CN116052110B (zh) | 一种路面标线缺损智能定位方法及*** | |
Dos Santos et al. | Building boundary extraction from LiDAR data using a local estimated parameter for alpha shape algorithm | |
CN116681912A (zh) | 铁路道岔的轨距检测方法及装置 | |
CN116385292A (zh) | 一种IMU辅助的LiDAR动态点云剔除方法 | |
Stoitchkov et al. | Automatic detection of plan symbols in railway equipment engineering using a machine learning approach | |
CN107067432A (zh) | 石英棒检测中圆边界的确定方法 | |
CN117571341B (zh) | 一种轮胎全方位磨损检测***及方法 | |
Du | CenterPoint-based 3D Object Detection in ONCE Dataset | |
CN102270295B (zh) | Sar图像快速桥梁检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |