CN115540770A - 一种轨旁设备限界快速自动测量的方法 - Google Patents
一种轨旁设备限界快速自动测量的方法 Download PDFInfo
- Publication number
- CN115540770A CN115540770A CN202211139495.7A CN202211139495A CN115540770A CN 115540770 A CN115540770 A CN 115540770A CN 202211139495 A CN202211139495 A CN 202211139495A CN 115540770 A CN115540770 A CN 115540770A
- Authority
- CN
- China
- Prior art keywords
- data
- image
- mileage
- trackside equipment
- camera
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/14—Measuring arrangements characterised by the use of optical techniques for measuring distance or clearance between spaced objects or spaced apertures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明为提供一种轨旁设备限界快速自动测量的方法,其装置包括测量车、激光扫描仪、相机、镜头、编码器以及运算装置;其中激光扫描仪、相机均以及编码器设置于测量车上,镜头设置于相机;激光扫描仪、相机以及编码器分别与运算装置通信连接;通过设置相机获取图像,并且通过预先训练的模型,识别框选图像中的目标设备区域,根据框选区域在图像中的位置判断是否为最佳图像,对于最佳图像,记录相应的里程数据作为对应的目标设备的实际里程,完成全部的轨旁设备的里程计算后,计算相邻的轨旁设备的限界距离,以判断是否满足工程要求。
Description
技术领域
本发明涉及轨道交通领域,特别是涉及一种轨旁设备限界快速自动测量的方法。
背景技术
在现代生活中日常出行愈发地方便,在城市内的行程可以选择公交、地铁等交通工具,在城市之间的行程可以选择火车、高铁等交通工具。其中对于地铁、高铁这类有轨列车,需要预先铺设轨道线路,并架设轨旁设备,轨旁设备一般指代安装于轨道沿路两端的装置,包括信号灯、测速仪等。轨旁设备安装完成后,需由铁路部门对其进行检验,包括验证各项设备的安装位置与图纸设计的位置是否一致,以及检测各个设备之间的限界距离,以核对实际的安装距离与施工前的规划效果是否一致。在现有的轨旁设备的检测中,主要是通过现场的人员勘察实现。但是由于轨道的线路长,需要测量的数据多,因此对于测量人员来说工作量大,费时、费力;另一方面,由于检测的指标较多,需要的检测工具多达数十种,携带极其不便,而且人工测量操作也不方便,作业时间长,容易出现数据遗漏或者测量失误等问题。因此需要一种可以简单快速测量轨旁设备限界的装置和方法。
发明内容
本发明的目的是解决现有技术的不足,提供一种轨旁设备限界快速自动测量的方法,结构简单,使用方便。
一种轨旁设备限界自动测量的装置,包括测量车、激光扫描仪、相机、镜头、编码器以及运算装置;其中激光扫描仪、相机均以及编码器设置于测量车上,镜头设置于相机;激光扫描仪、相机以及编码器分别与运算装置通信连接。
进一步的,所述激光扫描仪设置于测量车的中间位置,其中激光扫描仪的扫描方向为测量车的两侧;激光扫描仪的扫描方向与测量车的行进方向始终垂直;编码器设置于测量车的车轮上;运算装置为服务终端。
一种轨旁设备限界快速自动测量的方法,包括如下步骤:
步骤1:测量车接收启动信号并沿轨道前行,同时相机采集轨道两旁的图像信息,激光扫描仪采集扫描数据,编码器采集编码数据;将采集到的图像数据、扫描数据、编码数据实时传输到运算装置;
步骤2:运算装置接收图像数据,并读取同时接收的编码数据,将编码数据转换为里程数据,将图像数据与里程数据关联保存;运算装置接收扫描数据,并读取同时接收的编码数据,将编码数据转换为里程数据,将扫描数据和里程数据关联保存;
步骤3:测量车接收停止信号,在轨道上停止前行;运算装置开始处理保存的图像数据、扫描数据以及里程数据;
步骤4:运算装置根据接收的图像数据以及对应的里程数据,完成图像检测;
步骤5:完成图像检测后,运算装置根据接收的扫描数据以及对应的里程数据,完成扫描数据的处理,获取轨旁设备到轨道的距离数据;
步骤6:输出轨旁设备的信息,结束步骤。
进一步的,所述步骤4中图像检测包括轨旁设备之间的限界距离的计算,限界距离的计算包括如下步骤:
步骤41:基于深度学习训练获得的模型接收输入的图像数据,遍历图像数据,按顺序读取每一帧图像,并识别框选出每一帧图像中的目标设备;
步骤42:读取每一帧图像中的框选区域,根据框选区域中心点和对应的图像中心点距离判断是否为最佳图像;根据最佳图像的对应的里程数据,确定该目标设备对应的里程;
步骤43:获得所有轨道设备对应的里程,将轨道设备根据里程数进行排序,计算在里程数上相邻的设备之间的限界距离;
步骤44:将限界距离整理并成表格输出,结束步骤。
进一步的,所述步骤41中基于深度学习的模型采用yolov3 Darknet53基础网络模型。
进一步的,所述步骤42中对最佳图像的选择包括如下步骤:
步骤421:读取图像中的框选区域,获取框选区域的中任一对角线上的两个顶点的坐标,分别表示为(Sx,Sy),(Ex,Ey);其中第一次读取图像的框选区域时,读取第一帧图像的框选区域;
步骤422:计算两个顶点坐标(Sx,Sy),(Ex,Ey)的中点坐标,中点的坐标表示为(Cx,Cy);
步骤423:获取图像的中心点的坐标,并根据框选区域的中点的坐标和图像的中心点的坐标,获得两者之间的横坐标间距DistanceCW;
步骤424:判断是否遍历所有图像;若遍历图像则进入步骤425,;否则返回步骤421;
步骤425:遍历所有图像,选出横坐标间距DistanceCW最小的一帧图像,作为最佳图像,结束步骤。
进一步的,所述步骤4中图像检测还包括轨旁设备安装位置的校验,轨旁设备安装位置的校验包括如下步骤:
步骤41a:获取计算限界距离过程中识别获得的轨旁设备及对应的里程数据;获取预设的轨旁设备安装数据表格;
步骤42a:根据里程数据进行标号,并依次读取识别获得的轨旁设备的ID及对应的里程数据L1;根据安装数据表格的序号,依次读取表格中的轨旁设备的ID及对应的里程数据L2;其中轨旁设备的ID包括信号灯、测速仪;
步骤43a:判断识别获取的轨旁设备ID与安装数据表格中对应次序的轨旁设备ID是否一致;若ID一致,在安装数据表格中的对应位置写入“是”;否则写入“否”;
步骤44a:计算对应次序的识别计算获得的里程数据L1和安装数据表格中的里程数据L2的差值绝对值,将计算结果写入安装数据表格中的对应位置;
步骤45a:完成识别的最后一个标号的轨旁设备的比较计算以及安装数据表格中最后一个序号的轨旁设备的比较计算;输出安装数据表格,结束步骤。
进一步的,所述步骤5中扫描数据的处理包括如下步骤:
步骤51:读取相机获取的最佳图像的图像数据以及对应的里程数据;并将获取的图像数据根据里程数据进行排序并标号;
步骤52:对最佳图像的图像数据对应的里程数据进行补偿,得到补偿里程数据;
步骤53:根据最佳图像的补偿里程数读取一份对应的扫描数据;其中第一次读取扫描数据时,根据第一个标号的图像数据的补偿里程数据进行读取;扫描数据根据补偿里程数据依次读取;
步骤54:根据相机和扫描仪的高度差以及相机和扫描仪在垂直于测量车行进方向上的左右偏差确定相机在扫描图像中的位置;
步骤55:计算相机在扫描图像中的视场范围;
步骤56:根据相机在扫描数据内的视场范围提取轨旁设备的截面的轮廓点;
步骤57:根据扫描的轮廓点,拟合最小的外接矩形,计算获得外接矩形的中心点;
步骤58:计算外接矩形的中心点到扫描图像的中心点的横坐标差值作为扫描图像中该轨旁设备到轨道的距离;将扫描图像中的距离根据扫描比例的进行缩放得到实际的距离并输出;
步骤59:完成最后一个标号图像数据的补偿里程数据对应的扫描数据的处理,结束步骤。
进一步的,所述步骤52中补偿的数值为扫描仪与相机在测量车行进方向上的偏差距离,补偿里程数=里程数-偏差距离。
进一步的,所述步骤54中相机和扫描仪的高度差和左右偏差在转换到扫描图像中时需要经过扫描比例转换;其中扫描图像内的高度差ch=实际高度差*扫描比例;扫描图像内的左右偏差dh=实际左右偏差*扫描比例;扫描图片的中心点坐标表示为(Rx,Ry),则相机在扫描图片内的位置坐标表示为(Rx-dh,Ry-ch);
所述步骤55中,设定L表示扫描仪的扫描距离,H表示扫描图像内相机的最大拍摄范围;以相机的坐标位置(Rx-dh,Ry-ch)作为顶点a,相机的靶面宽度为h,镜头的焦距为f,求得H=hL/f,求得顶点b的坐标为(Rx-dh+L,Ry-ch+H/2),顶点c的坐标为(Rx-dh+L,Ry-ch-H/2);以顶点a、b、c绘制三角形区域,该三角形区域则表示为相机在扫描图像中的视场范围。
本发明的有益效果为:
通过设置相机获取图像,并且通过预先训练的模型,识别框选图像中的目标设备区域,根据框选区域在图像中的位置判断是否为最佳图像,对于最佳图像,记录相应的里程数据作为对应的目标设备的实际里程,完成全部的轨旁设备的里程计算后,计算相邻的轨旁设备的限界距离,以判断是否满足工程要求;
通过将最佳图像识别的目标设备的ID和预设的表格依次进行比对,判断是否有轨旁设备的顺序安装错误;
通过将最佳图像对应的里程与预设的表格依次进行比对,以判断轨旁设备是否安装在预设的里程上;
通过对里程数据进行补偿,保证在补偿里程数据处,扫描仪能够正对目标设备,实现准确的数据采集;
通过处理与最佳图像对应的里程数据相同的扫描数据,获取轨旁设备与轨道之间的间隔距离。
附图说明
图1为本发明实施例一的结构示意图;
图2为本发明实施例一的总流程图;
图3为本发明实施例一的用于模型训练的框选示意图;
图4为本发明实施例一的计算限界距离的流程示意图;
图5为本发明实施例一的轨旁设备安装位置校验的流程示意图;
图6为本发明实施例一的轨旁设备到轨道的距离计算流程图;
图7为本发明实施例一的扫描图像中相机位置的示意图;
图8为本发明实施例一的扫描图像中相机的视场范围示意图;
图9为本发明实施例一的扫描图像中框选区域的中心点到扫描图像中心点的横轴距离。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
实施例一:
如图1所示,一种轨旁设备限界自动测量的装置,包括测量车、激光扫描仪、相机、镜头、编码器以及运算装置。其中激光扫描仪、相机均以及编码器设置于测量车上,镜头设置于相机;激光扫描仪、相机以及编码器分别与运算装置通信连接。测量车能够设置于待检测的轨道上,并沿着轨道的线路前行。
所述激光扫描仪设置于测量车的中间位置,其中激光扫描仪的扫描方向为测量车的两侧,在本例中激光扫描仪的扫描方向与测量车的行进方向始终垂直。激光扫描仪用于扫描轨旁设备,检测计算轨旁设备到轨道的距离。
所述相机设置于测量车上的任意一处位置,相机用于获取测量车行进轨道旁的图像,在后续软件处理时匹配和计算图像数据与扫描仪数据,验证轨旁设备的安装位置以及计算轨旁设备的限界距离,其中限界距离即间隔距离。在本例中相机的拍摄方向与测量车的行进方向始终垂直。
所述编码器安装于测量车的车轮上,编码器用于记录测量车的行程,辅助定位轨旁设备检测时的里程位置。
所述运算装置可以为服务终端,用于存储及计算相机、激光扫描仪以及编码器采集的信息数据。
在实施的过程中将测量车设置于轨道上,并沿着轨道前进,通过激光扫描仪和相机获取轨旁设备的相关位置信息,并通过编码器获得测量车的行进距离,进而通过运算装置获得轨旁设备的限界距离以及轨旁设备相对轨道的具体里程位置等信息,进而完成轨旁设备的检测。
如图2所示,一种轨旁设备限界快速自动测量的方法,包括如下步骤:
步骤1:测量车接收启动信号并沿轨道前行,同时相机采集轨道两旁的图像信息,激光扫描仪采集扫描数据,编码器采集编码数据;将采集到的图像数据、扫描数据、编码数据实时传输到运算装置;
步骤2:运算装置接收图像数据,并读取同时接收的编码数据,将编码数据转换为里程数据,将图像数据与里程数据关联保存;运算装置接收扫描数据,并读取同时接收的编码数据,将编码数据转换为里程数据,将扫描数据和里程数据关联保存;
步骤3:测量车接收停止信号,在轨道上停止前行;运算装置开始处理保存的图像数据、扫描数据以及里程数据;
步骤4:运算装置根据接收的图像数据以及对应的里程数据,完成图像检测;
步骤5:完成图像检测后,运算装置根据接收的扫描数据以及对应的里程数据,完成扫描数据的处理,获取轨旁设备到轨道的距离数据;
步骤6:输出轨旁设备的信息,结束步骤。
所述步骤1中的启动信号以及步骤3中的停止信号均为遥控信号。
如图3、4所示,所述步骤4中图像检测包括两部分,其一是轨旁设备之间的限界距离的计算,另一部分为轨旁设备安装位置的校验。限界距离的计算包括如下步骤:
步骤41:基于深度学习训练获得的模型接收输入的图像数据,遍历图像数据,按顺序读取每一帧图像,并识别框选出每一帧图像中的目标设备;
步骤42:读取每一帧图像中的框选区域,根据框选区域中心点和对应的图像中心点距离判断是否为最佳图像;根据最佳图像的对应的里程数据,确定该目标设备对应的里程;
步骤43:获得所有轨道设备对应的里程,将轨道设备根据里程数进行排序,计算在里程数上相邻的设备之间的限界距离;
步骤44:将限界距离整理并输出,结束步骤。
所述步骤41中基于深度学习的模型采用yolov3 Darknet53基础网络模型。在模型训练时,首先需要采集一批包括目标设备的图像,并对图像进行框选处理,用最小的框选区域选出图像中的目标设备,输入框选区域的任一对角线上的顶点坐标,训练时,网络模型自动学习框选区域与框选范围内的图像像素分布的相对关系,训练完成之后结果同样输出包含识别目标所有像素点的框选区域,包括输出框选区域的任一对角线上的两个顶点的坐标。其中模型的训练包括如下步骤:
步骤411:输入训练样本图像和标注,标注包括框选区域的任一对角线上顶点的坐标;
步骤412:对训练集中的图像进行归一化并缩放至32的整数倍大小;
步骤413:设置边界回归模块中初始候选框的宽高;
步骤414:使用经过预处理的训练集图像对网络模型进行训练;
步骤415:将待检测的图像输入经过训练的网络模型对图中的目标进行检测,输出小目标类别和位置的检测结果;
步骤416:根据预设的类别置信度阈值及重叠度阈值对检测结果进行过滤,得到最终的检测结果;
步骤417:生成预测模型并导出,导出模型之后由后续检测图像时调用推理,经过模型推理后即输出图中目标类别和位置的检测结果,结束步骤。
所述步骤42中对最佳图像的选择包括如下步骤:
步骤421:读取图像中的框选区域,获取框选区域的中任一对角线上的两个顶点的坐标,分别表示为(Sx,Sy),(Ex,Ey);其中第一次读取图像的框选区域时,读取第一帧图像的框选区域;
步骤422:计算两个顶点坐标(Sx,Sy),(Ex,Ey)的中点坐标,中点的坐标表示为(Cx,Cy);
步骤423:获取图像的中心点的坐标,并根据框选区域的中点的坐标和图像的中心点的坐标,获得两者之间的横坐标间距DistanceCW;
步骤424:判断是否遍历所有图像;若遍历图像则进入步骤425,;否则返回步骤421;
步骤425:遍历所有图像,选出横坐标间距DistanceCW最小的一帧图像,作为最佳图像,结束步骤。
所述步骤423中横坐标间距表示为DistanceCW=|Cx-Width/2|,其中Width表示图像在横坐标方向上的长度。
所述步骤425中,因为在本例中相机的视角轴线是垂直于测量车的行进方向的,而测量车则是沿着轨道前进,因此,当目标设备的框选区域最接近图像的中心点的里程数据,就是该轨旁设备对应的里程。
如图5所示,所述轨旁设备安装位置的校验包括如下步骤:
步骤41a:获取计算限界距离过程中识别获得的轨旁设备及对应的里程数据;获取预设的轨旁设备安装数据表格;
步骤42a:根据里程数据进行标号,并依次读取识别获得的轨旁设备的ID及对应的里程数据L1;根据安装数据表格的序号,依次读取表格中的轨旁设备的ID及对应的里程数据L2;其中轨旁设备的ID包括信号灯、测速仪;
步骤43a:判断识别获取的轨旁设备ID与安装数据表格中对应次序的轨旁设备ID是否一致;若ID一致,在安装数据表格中的对应位置写入“是”;否则写入“否”;
步骤44a:计算对应次序的识别计算获得的里程数据L1和安装数据表格中的里程数据L2的差值绝对值,将计算结果写入安装数据表格中的对应位置;
步骤45a:完成识别的最后一个标号的轨旁设备的比较计算以及安装数据表格中最后一个序号的轨旁设备的比较计算;输出安装数据表格,结束步骤。
如图6所示,所述步骤5中扫描数据的处理包括如下步骤:
步骤51:读取相机获取的最佳图像的图像数据以及对应的里程数据;并将获取的图像数据根据里程数据进行排序并标号;
步骤52:对最佳图像的图像数据对应的里程数据进行补偿,得到补偿里程数据;
步骤53:根据最佳图像的补偿里程数读取一份对应的扫描数据;其中第一次读取扫描数据时,根据第一个标号的图像数据的补偿里程数据进行读取;扫描数据根据补偿里程数据依次读取;
步骤54:根据相机和扫描仪的高度差以及相机和扫描仪在垂直于测量车行进方向上的左右偏差确定相机在扫描图像中的位置;
步骤55:计算相机在扫描图像中的视场范围;
步骤56:根据相机在扫描数据内的视场范围提取轨旁设备的截面的轮廓点;
步骤57:根据扫描的轮廓点,拟合最小的外接矩形,计算获得外接矩形的中心点;
步骤58:计算外接矩形的中心点到扫描图像的中心点的横坐标差值作为扫描图像中该轨旁设备到轨道的距离;将扫描图像中的距离根据扫描比例的进行缩放得到实际的距离并输出;
步骤59:完成最后一个标号图像数据的补偿里程数据对应的扫描数据的处理,结束步骤。
所述步骤52中,由于相机和扫描仪的安装空间位置存在偏差,会导致两者之间的里程数据产生偏差,因此需要对扫描图像的数据进行补偿,提高测量精度。其中以测量车的行进方向为正,补偿的数值为扫描仪与相机的安装位置在测量车行进方向上的偏差距离,补偿里程数=里程数-偏差距离;需要说明的是若扫描仪安装在相机前,则偏差距离为正,若扫描仪安装在相机后,则偏差距离为负。通过偏差距离的补偿,保证扫描仪在补偿里程数的位置时,扫描仪是正对目标设备的。
如图7所示,所述步骤54中相机和扫描仪的高度差和左右偏差在转换到扫描图像中时需要经过扫描比例转换,其中扫描图像内的高度差ch=实际高度差*扫描比例,同理扫描图像内的左右偏差dh=实际左右偏差*扫描比例,若扫描图片的中心点坐标表示为(Rx,Ry),则相机在扫描图片内的位置坐标表示为(Rx-dh,Ry-ch)。在本例中相机与扫描仪的左右偏差为0。
如图8所示,所述步骤55中,基于步骤54确定了相机在扫描图像中的坐标位置,以L表示扫描仪的扫描距离,H表示扫描图像内相机的最大拍摄范围。以相机的坐标位置(Rx-dh,Ry-ch)作为顶点a,相机的靶面宽度为h,镜头的焦距为f,求得H=hL/f,求得顶点b的坐标为(Rx-dh+L,Ry-ch+H/2),顶点c的坐标为(Rx-dh+L,Ry-ch-H/2)。以顶点a、b、c绘制三角形区域,该三角形区域则表示为相机在扫描图像中的视场范围。
所述步骤56中,计算步骤55中获得的视场范围区域与扫描图像中的扫描点的交集点,输出所有交集点集合,作为目标设备的截面轮廓点集。
如图9所示,所述步骤58中轨旁设备到轨道的距离Xd的的计算如下式所示:
其中x表示步骤57中外接矩形的中心点的横坐标,其中以外接矩形的中心点作为目标设备的位置,能够消除不同的轨旁设备在扫描图像中的面积不同的影响。
实际的距离Xtd,表示为Xtd=Xd/S,其中S表示为扫描仪的扫描比例。
在实施的过程中,通过设置相机获取图像,并且通过预先训练的模型,识别框选图像中的目标设备区域,根据框选区域在图像中的位置判断是否为最佳图像,对于最佳图像,记录相应的里程数据作为对应的目标设备的实际里程,完成全部的轨旁设备的里程计算后,计算相邻的轨旁设备的限界距离,以判断是否满足工程要求;通过将最佳图像识别的目标设备的ID和预设的表格依次进行比对,判断是否有轨旁设备的顺序安装错误;通过将最佳图像对应的里程与预设的表格依次进行比对,以判断轨旁设备是否安装在预设的里程上;通过对里程数据进行补偿,保证在补偿里程数据处,扫描仪能够正对目标设备;通过处理与最佳图像对应的里程数据相同的扫描数据,获取轨旁设备与轨道之间的间隔距离。
以上描述仅是本发明的一个具体实例,不构成对本发明的任何限制。显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修改和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (7)
1.一种轨旁设备限界快速自动测量的方法,其特征在于,包括如下步骤:
步骤1:测量车接收启动信号并沿轨道前行,同时相机采集轨道两旁的图像信息,激光扫描仪采集扫描数据,编码器采集编码数据;将采集到的图像数据、扫描数据、编码数据实时传输到运算装置;
步骤2:运算装置接收图像数据,并读取同时接收的编码数据,将编码数据转换为里程数据,将图像数据与里程数据关联保存;运算装置接收扫描数据,并读取同时接收的编码数据,将编码数据转换为里程数据,将扫描数据和里程数据关联保存;
步骤3:测量车接收停止信号,在轨道上停止前行;运算装置开始处理保存的图像数据、扫描数据以及里程数据;
所述步骤1中的启动信号以及步骤3中的停止信号均为遥控信号;
步骤4:运算装置根据接收的图像数据以及对应的里程数据,完成图像检测;
步骤5:完成图像检测后,运算装置根据接收的扫描数据以及对应的里程数据,完成扫描数据的处理,获取轨旁设备到轨道的距离数据;
所述步骤5中扫描数据的处理包括如下步骤:
步骤51:读取相机获取的最佳图像的图像数据以及对应的里程数据;并将获取的图像数据根据里程数据进行排序并标号;
步骤52:对最佳图像的图像数据对应的里程数据进行补偿,得到补偿里程数据;
步骤53:根据最佳图像的补偿里程数读取一份对应的扫描数据;其中第一次读取扫描数据时,根据第一个标号的图像数据的补偿里程数据进行读取;扫描数据根据补偿里程数据依次读取;
步骤54:根据相机和扫描仪的高度差以及相机和扫描仪在垂直于测量车行进方向上的左右偏差确定相机在扫描图像中的位置;
步骤55:计算相机在扫描图像中的视场范围;
步骤56:根据相机在扫描数据内的视场范围提取轨旁设备的截面的轮廓点;
步骤57:根据扫描的轮廓点,拟合最小的外接矩形,计算获得外接矩形的中心点;
步骤58:计算外接矩形的中心点到扫描图像的中心点的横坐标差值作为扫描图像中该轨旁设备到轨道的距离;将扫描图像中的距离根据扫描比例的进行缩放得到实际的距离并输出;
步骤59:完成最后一个标号图像数据的补偿里程数据对应的扫描数据的处理,结束步骤;
步骤6:输出轨旁设备的信息,结束步骤。
2.根据权利要求1所述的一种轨旁设备限界快速自动测量的方法,其特征在于,所述步骤4中图像检测包括轨旁设备之间的限界距离的计算,限界距离的计算包括如下步骤:
步骤41:基于深度学习训练获得的模型接收输入的图像数据,遍历图像数据,按顺序读取每一帧图像,并识别框选出每一帧图像中的目标设备;
步骤42:读取每一帧图像中的框选区域,根据框选区域中心点和对应的图像中心点距离判断是否为最佳图像;根据最佳图像的对应的里程数据,确定该目标设备对应的里程;
步骤43:获得所有轨道设备对应的里程,将轨道设备根据里程数进行排序,计算在里程数上相邻的设备之间的限界距离;
步骤44:将限界距离整理并成表格输出,结束步骤。
3.根据权利要求2所述的一种轨旁设备限界快速自动测量的方法,其特征在于,所述步骤41中基于深度学习的模型采用yolov3 Darknet53基础网络模型。
4.根据权利要求2所述的一种轨旁设备限界快速自动测量的方法,其特征在于,所述步骤42中对最佳图像的选择包括如下步骤:
步骤421:读取图像中的框选区域,获取框选区域的中任一对角线上的两个顶点的坐标,分别表示为(Sx,Sy),(Ex,Ey);其中第一次读取图像的框选区域时,读取第一帧图像的框选区域;
步骤422:计算两个顶点坐标(Sx,Sy),(Ex,Ey)的中点坐标,中点的坐标表示为(Cx,Cy);
步骤423:获取图像的中心点的坐标,并根据框选区域的中点的坐标和图像的中心点的坐标,获得两者之间的横坐标间距DistanceCW;
步骤424:判断是否遍历所有图像;若遍历图像则进入步骤425,;否则返回步骤421;
步骤425:遍历所有图像,选出横坐标间距DistanceCW最小的一帧图像,作为最佳图像,结束步骤。
5.根据权利要求2所述的一种轨旁设备限界快速自动测量的方法,其特征在于,所述步骤4中图像检测还包括轨旁设备安装位置的校验,轨旁设备安装位置的校验包括如下步骤:
步骤41a:获取计算限界距离过程中识别获得的轨旁设备及对应的里程数据;
获取预设的轨旁设备安装数据表格;
步骤42a:根据里程数据进行标号,并依次读取识别获得的轨旁设备的ID及对应的里程数据L1;根据安装数据表格的序号,依次读取表格中的轨旁设备的ID及对应的里程数据L2;其中轨旁设备的ID包括信号灯、测速仪;
步骤43a:判断识别获取的轨旁设备ID与安装数据表格中对应次序的轨旁设备ID是否一致;若ID一致,在安装数据表格中的对应位置写入“是”;否则写入“否”;
步骤44a:计算对应次序的识别计算获得的里程数据L1和安装数据表格中的里程数据L2的差值绝对值,将计算结果写入安装数据表格中的对应位置;
步骤45a:完成识别的最后一个标号的轨旁设备的比较计算以及安装数据表格中最后一个序号的轨旁设备的比较计算;输出安装数据表格,结束步骤。
6.根据权利要求1所述的一种轨旁设备限界快速自动测量的方法,其特征在于,所述步骤52中补偿的数值为扫描仪与相机的安装位置在测量车行进方向上的偏差距离,补偿里程数=里程数-偏差距离。
7.根据权利要求1所述的一种轨旁设备限界快速自动测量的方法,其特征在于,所述步骤54中相机和扫描仪的高度差和左右偏差在转换到扫描图像中时需要经过扫描比例转换;其中扫描图像内的高度差ch=实际高度差*扫描比例;扫描图像内的左右偏差dh=实际左右偏差*扫描比例;扫描图片的中心点坐标表示为(Rx,Ry),则相机在扫描图片内的位置坐标表示为(Rx-dh,Ry-ch);
所述步骤55中,设定L表示扫描仪的扫描距离,H表示扫描图像内相机的最大拍摄范围;以相机的坐标位置(Rx-dh,Ry-ch)作为顶点a,相机的靶面宽度为h,镜头的焦距为f,求得H=hL/f,求得顶点b的坐标为(Rx-dh+L,Ry-ch+H/2),顶点c的坐标为(Rx-dh+L,Ry-ch-H/2);以顶点a、b、c绘制三角形区域,该三角形区域则表示为相机在扫描图像中的视场范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211139495.7A CN115540770A (zh) | 2021-04-20 | 2021-04-20 | 一种轨旁设备限界快速自动测量的方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211139495.7A CN115540770A (zh) | 2021-04-20 | 2021-04-20 | 一种轨旁设备限界快速自动测量的方法 |
CN202110421963.9A CN113267135B (zh) | 2021-04-20 | 2021-04-20 | 一种轨旁设备限界快速自动测量的装置及方法 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110421963.9A Division CN113267135B (zh) | 2021-04-20 | 2021-04-20 | 一种轨旁设备限界快速自动测量的装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115540770A true CN115540770A (zh) | 2022-12-30 |
Family
ID=77228989
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211139495.7A Pending CN115540770A (zh) | 2021-04-20 | 2021-04-20 | 一种轨旁设备限界快速自动测量的方法 |
CN202211139862.3A Pending CN115435700A (zh) | 2021-04-20 | 2021-04-20 | 一种轨旁设备限界快速自动测量的装置 |
CN202110421963.9A Active CN113267135B (zh) | 2021-04-20 | 2021-04-20 | 一种轨旁设备限界快速自动测量的装置及方法 |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211139862.3A Pending CN115435700A (zh) | 2021-04-20 | 2021-04-20 | 一种轨旁设备限界快速自动测量的装置 |
CN202110421963.9A Active CN113267135B (zh) | 2021-04-20 | 2021-04-20 | 一种轨旁设备限界快速自动测量的装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (3) | CN115540770A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116481434A (zh) * | 2023-06-25 | 2023-07-25 | 深圳灿维科技有限公司 | 一种视觉检测用自定位控制方法、装置以及自定位*** |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663689B (zh) * | 2022-05-18 | 2022-08-16 | 沈阳和研科技有限公司 | 一种多步进测量方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008060186A1 (de) * | 2008-11-28 | 2010-06-10 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur gleisseitigen Erfassung sich nähernder Schienenfahrzeuge und zur Warnung von Personen |
CN105719252B (zh) * | 2016-01-19 | 2018-08-14 | 中国铁道科学研究院 | 一种铁路巡检图像实时高动态范围绘制方法和装置 |
JP2020042503A (ja) * | 2018-09-10 | 2020-03-19 | 株式会社MinD in a Device | 三次元表象生成システム |
CN110849368B (zh) * | 2019-10-23 | 2021-09-03 | 同济大学 | 一种隧道内高精度快速定位装置与方法 |
CN112132896B (zh) * | 2020-09-16 | 2024-05-10 | 北京埃福瑞科技有限公司 | 一种轨旁设备状态检测方法及*** |
CN112461143A (zh) * | 2020-10-13 | 2021-03-09 | 山东法因数控机械设备有限公司 | 一种角钢检测装置和方法 |
-
2021
- 2021-04-20 CN CN202211139495.7A patent/CN115540770A/zh active Pending
- 2021-04-20 CN CN202211139862.3A patent/CN115435700A/zh active Pending
- 2021-04-20 CN CN202110421963.9A patent/CN113267135B/zh active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116481434A (zh) * | 2023-06-25 | 2023-07-25 | 深圳灿维科技有限公司 | 一种视觉检测用自定位控制方法、装置以及自定位*** |
CN116481434B (zh) * | 2023-06-25 | 2023-08-15 | 深圳灿维科技有限公司 | 一种视觉检测用自定位控制方法、装置以及自定位*** |
Also Published As
Publication number | Publication date |
---|---|
CN113267135A (zh) | 2021-08-17 |
CN115435700A (zh) | 2022-12-06 |
CN113267135B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106919915B (zh) | 基于adas***的地图道路标记及道路质量采集装置及方法 | |
CN113267135B (zh) | 一种轨旁设备限界快速自动测量的装置及方法 | |
CN113516660B (zh) | 适用于列车的视觉定位与缺陷检测方法和装置 | |
KR101339354B1 (ko) | 영상을 이용한 철도차량의 위치검지 시스템 및 위치검지방법 | |
CN110532896A (zh) | 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法 | |
EP3415400A1 (en) | System and method for determining the position of a guided vehicle | |
CN103630088B (zh) | 基于双激光带的高精度隧道断面检测方法及装置 | |
JP2019084881A (ja) | 支障物検知装置 | |
CN113011283B (zh) | 一种基于视频的非接触式钢轨轨枕相对位移实时测量方法 | |
CN103837087B (zh) | 基于主动形状模型的受电弓自动检测方法 | |
CN111539436B (zh) | 一种基于一字模板匹配的轨道扣件定位方法 | |
CN110793501A (zh) | 一种地铁隧道限界检测方法 | |
CN112380902A (zh) | 一种基于机器视觉的城轨列车定位与测速方法 | |
CN110490342B (zh) | 一种基于Faster R-CNN的接触网静态几何参数检测方法 | |
CN111754460A (zh) | 一种转辙机缺口自动检测方法、***及存储介质 | |
CN113448333A (zh) | 基于传感器组合的底部巡检定位方法、装置及电子设备 | |
CN111238365B (zh) | 基于立体视觉的地铁列车测距和定位方法及*** | |
JPH0933232A (ja) | 物体観測方法およびその方法を用いた物体観測装置、ならびにこの装置を用いた交通流計測装置および駐車場観測装置 | |
CN112949479A (zh) | 一种基于深度学习和透视变换的非接触式钢轨轨枕相对位移实时测量方法 | |
CN115690061A (zh) | 一种基于视觉的集装箱码头集卡车检测方法 | |
CN113433560B (zh) | 一种机器人侧边巡检的定位方法、装置、电子设备及介质 | |
CN107621229B (zh) | 基于面阵黑白相机的实时铁路轨道宽度测量***及方法 | |
CN112066882A (zh) | 接触网的检测装置、***及方法 | |
CN112444203A (zh) | 基于条码带的车辆位置检测装置、方法以及车辆定位*** | |
US20210383141A1 (en) | Sign position identification system and program |
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 |