CN115908400A - 轨道不平顺和病害智能检测和定位方法 - Google Patents
轨道不平顺和病害智能检测和定位方法 Download PDFInfo
- Publication number
- CN115908400A CN115908400A CN202211726114.5A CN202211726114A CN115908400A CN 115908400 A CN115908400 A CN 115908400A CN 202211726114 A CN202211726114 A CN 202211726114A CN 115908400 A CN115908400 A CN 115908400A
- Authority
- CN
- China
- Prior art keywords
- track
- irregularity
- disease
- image
- point
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
针对当前市面上存在的铁轨不平顺和病害监测***存在需要人工协作、智能化和集成化低、动态监测和感知效果差、人工成本高等问题,本发明公开了轨道不平顺和病害智能检测和定位方法,通过收集、分析安装在轨检车上的三目摄像机和GPS传感器采集的数据,一方面对轨道进行三维重建并通过点云的高程分析对轨道的三角坑、高低和水平等不平顺进行检测和定位;另一方面采用图像目标深度学***顺和病害的精确、快速的检测与分析,攻克轨检车运行过程中实现对轨道病害的快速检测和定位问题。相比于人工检测,本发明更加可靠、高效、安全。
Description
技术领域
本发明属于图像处理、三维重建和深度网络等技术的融合技术领域,具体涉及轨道不平顺和病害智能检测和定位方法。
背景技术
在铁路运营中,安全问题一直摆在首要位置。因为高速列车在运行过程中速度较快,即使是微小的安全事故,一旦发生也将带来无法估量的严重后果。高速行车运行至关重要的保障是高平顺性的轨道,但在长期运行中随着高速列车对于轨道结构的冲击频率和幅度的不断增加不可避免会影响高速铁路轨道的平顺性,从而带来安全隐患。另外,自然灾害和使用过程导致的轨面破损、断裂也都是铁路轨道安全的极大隐患。所以,对轨道进行病害和不平顺的检测和定位是高铁工务部门需要解决的核心任务。
目前在铁路轨道检测方面,最常采用的大型轨道检测车进行的动态检测,只有月度检或者季度检,检测成本高、效率低且需要专业人士操作;采用人工或轨道几何状态检测仪进行的静态检测,成本低、操作简单,但容易受到环境因素的影响;三级控制网建设与维护成本高,建网周期长、工作量大、天窗时间短、测量效率低,低速铁路建网不经济,故亟需一种测量精度高,作业速度快的检测新方案。
目前市面上存在的铁轨不平顺和病害监测***存在需要人工协作、智能化和集成化低、动态监测和感知效果差、人工成本高等问题。
发明内容
本发明的目的是提供轨道不平顺和病害智能检测和定位方法,能够实现对轨道病害的精确、快速的检测与分析。
本发明所采用的技术方案是,轨道不平顺和病害智能检测和定位方法,具体包括按照以下步骤实施:
步骤1、在T型轨检车上搭建数据定位***、数据采集***,利用数据定位***采集轨检车在WGS84坐标系下的位置信息{(Pt,Bt)},其中,Pt和Bt分别为t时刻轨检车所在的大地经度和维度值,1≤t≤T,T为采集总时长,也为采集数据个数;
步骤4、以t时刻的中视点轨道图像作为输入,利用直线提取方法分别提取左轨道的两条边线和右轨道两条边线提取和的中线在上均匀采样K个点构成点集乘以中视点与左视点图像之间的单应性矩阵得到左视点图像上的投影点集把点集投影关系矩阵和作为输入,调用开源的opencv-python库函数cv2.triangulatePoints(),输出得到对应的3D坐标集合提取Lrt 1和Lrt 2的中线Lrt m,在Lrt m上均匀采样K个点构成点集{prt m,1,…,prt m,k,…,prt m,K},利用同样的方法得到点集{prt m,1,…,prt m,k,…,prt m,K}对应的3D坐标
步骤5、记轨道标宽变量为Ws,提取以集合中以各个点为中心以Ws为边长的立方体中且属于场景3D点云内的所有点,构成点集其中是以为立方体中心点提取的点集,为中的第nk个点,Nk为内点的个数,分别为的X,Y,Z坐标,为左轨道的初始点云;以同样的方法得到右轨道的初始点云
步骤7、对t时刻的左、右轨道点云和{SPrt 1,…,SPrt k,…,SPrt K}进行数据分析,对轨道是否存在不平顺进行判定,如果存在不平顺,对不平顺类型Ct、不平顺参数PSt和不平顺位置Pt ns进行记录;
步骤9、利用采集的轨道图像数据制作轨道病害数据集,训练基于YOLOv7网络结构的轨道的剥离、鱼鳞伤、层裂、波磨目标检测器,得到轨道病害检测模型Modelill;
步骤10、把t时刻的轨道图像和病害检测模型Modelill作为输入,在python环境下调用文件路径Project/yolov7下的检测程序train.py,输出病害在中的位置和类别将乘以单应性矩阵得到在左视点图像上的投影点以和以及3D到2D的投影矩阵和作为输入,调用开源的opencv-python库函数cv2.triangulatePoints(),输出对应的3D坐标Pt ill;
本发明的特点还在于:
步骤4的具体步骤如下:
步骤4.4、以边缘图像为输入,调用Python编程语言opencv-python库函数cv2.HoughLinesP()对进行轨道线提取,得到左轨道的左、右两条边线以及右轨道的左、右两条边线Lrt 2,4条边线用两个端点的表示形式分别为 其中,表示距离摄像机较近的端点,表示距离摄像机较远的端点;
步骤4.5、计算左轨道边线的中线计算和两端点的中点计算和两端点的中点以和作为输入,调用直线提取算法getLineEquation()得到左轨道两条轨线的中线的一般式直线方程的参数(a,b,c),即将中线表示为ax+by+c=0;采用同样的方法得到右轨道两条轨线的中线Lrt m;
步骤4.9、在Lrt m均匀采样K个点构成点集{prt m,1,…,prt m,k,…,prt m,K},重复步骤4.7-4.8的操作,输出点集{prt m,1,…,prt m,k,…,prt m,K}对应的3D坐标集合{Prt 1,…,Prt k,…,Prt K}。
步骤7的具体步骤如下:
步骤7.1、计算左轨道点云中每个子点集的坐标均值,其中k表示子点集位置,得到均值化的左轨道点云坐标集合其中 为点集内点云的高程信息,即则将左轨道点云的高程集合表示为利用同样的方法得到右轨道均值化后的点云坐标集合{pSPrt 1,…,pSPrt k,…,pSPrt K}和右轨道点云的高程集合{Hrt 1,...,Hrt k,...,Hrt K};
步骤7.2、对轨道是否存在三角坑不平顺进行判定,如果存在三角不平顺,对不平顺参数和位置进行记录;
步骤7.3、对轨道是否存在高低不平顺进行判定,如果存在高低不平顺,对不平顺参数和位置进行记录;
步骤7.4、对轨道是否存在水平不平顺进行判定,如果存在水平不平顺,对不平顺参数和位置进行记录。
步骤7.2具体过程为:
步骤7.3具体过程为:
步骤7.3.2、如果满足条件则标明在轨道车运动的t时刻处左轨道存在一个高低不平顺,即不平顺类型Ct等于2,记录高低不平顺参数和高低不平顺病害位置如果满足条件△Hrt k≥δh,则标明在轨道车运动的t时刻处右轨道存在一个高低不平顺,即不平顺类型Ct等于2,记录高低不平顺参数PSt=△Hrt k和高低不平顺病害位置Pt ns=pSPrt k,其中δh为高低不平顺的容许偏差精度。
步骤7.4具体过程为:
步骤8的具体步骤如下:
步骤8.2、将t时刻数据定位***采集的轨检车位置(Pt,Bt)作为轨道的GPS绝对位置,将GPS绝对位置与轨道不平顺位置的相对坐标求和得到轨道不平顺的GPS绝对位置其中Pt ns=Pt+wPt ns,
步骤9中的具体步骤如下:
步骤9.1、轨道病害检测网络结构选用目标检测的YOLOv7网络结构,并对其配置文件yolov7.yaml进行如下修改:把其中的分类数量修改为轨道病害的分类数量Cill,即把类别数量变量nc设定为Cill,取值为4;
步骤9.3、训练样本的构造如下:将轨道病害图像数据上传至数据标注网站,并在该网站上利用标注工具对轨道病害图像进行病害类型和病害检测真值框的标注;所有图像标注完成后利用网站的数据集导出功能,将标注好的数据集导出至文件存储路径data/train下,在路径data/下创建数据集配置文件data.yaml,将标注好的数据集和配置文件组成轨道病害训练数据集railData;
步骤9.4、在网络训练文件train.py中设置网络训练参数:网络训练的总迭代次数epoch=100,网络批处理的图像数量batch=16,网络训练的初始学习率lr=0.01,网络输入的图像尺寸W×H,网络训练使用的优化器设为Adam,网络训练次数变量的初始值step=1,训练样本数据路径为data/train,训练的工作设备设置为decive=0表示使用GPU训练,输出的模型名为yolo7.pt;
步骤9.5、定义网络损失函数为:
其中xn表示预测第n个样本为正例的得分,yn表示第n个样本的标签,δ表示sigmoid函数;
步骤9.6、在conda环境下运行文件train.py,进行网络训练,当网络训练次数变量step>=200或者网络损失函数Loss小于10-1时,结束网络训练,输出轨道病害检测模型Modelill。
步骤10的具体过程如下:
步骤10.1、将检测图像和病害检测模型Modelill作为输入,在python环境下运行测试文件test.py,输出检测的病害类型病害所在的矩形框其中为病害在中位置的中心点坐标,和分别表示矩形检测框的宽度和高度;
步骤10.3、把病害在中间视点图像中的位置病害在左视点图像中的位置3D到2D的投影矩阵作为输入,调用开源的opencv-python库函数cv2.triangulatePoints(),输出轨道病害的3D坐标
本发明有益效果是:
本发明轨道病害和不平顺智能检测和定位方法,以边走边测的方式进行铁路图像病害检测、轨道三维坐标重建和轨道不平顺几何参数的移动测量,实现轨道的自动智能检测任务;相比于人工检测,更加可靠、高效、安全,能够实现对轨道病害和不平顺的精确、快速的检测与分析。
附图说明
图1是本发明的轨道不平顺和病害智能检测和定位方法流程示意图;
图2是本发明所采用的基于Hough变换的直线提取方法流程示意图;
图3是本发明所采用的轨检车检测轨道不平顺病害的流程示意图;
图4是本发明所采用的轨检车检测轨道三角坑不平顺病害原理示意图;
图5是本发明所采用的轨检车检测轨道高低不平顺病害原理示意图;
图6是本发明所采用的轨检车检测轨道水平不平顺病害原理示意图;
图7是本发明所采用的轨道不平顺病害与轨道表面病害实际GPS位置求解的流程示意图;
图8是本发明实施例中轨道病害检测图像。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
深度学习理论在各行各业都有了新的应用,同样也可以应用在轨道的病害检测方面,利用深度学习网络先进的特征提取机制和类别学习能力,把轨道病害作为特定的目标进行检测模型的训练,从而在轨检车运行过程中实现对轨道病害进行快速检测和定位。
此外,利用轨检车GPS的绝对位置和点云坐标的相对位置解算轨道不平顺和病害的所在轨道的绝对位置,能够为铁路维护和检修部门提供准确的定位信息。
基于此,本发明轨道不平顺和病害智能检测和定位方法,具体包括按照以下步骤实施:
步骤1、在T型轨检车上搭建数据定位***、数据采集***,所用到的设备包括:GPS、三目摄像机、工业级笔记本、移动电源,利用数据定位***采集轨检车在WGS84坐标系下的位置信息{(Pt,Bt)},其中,Pt和Bt分别为t时刻轨检车所在的大地经度和维度值,1≤t≤T,T为采集总时长,也为采集数据个数;
步骤2、在移动的轨检车上利用三目摄像机从三个视点采集t时刻轨道图像序列分别为t时刻轨道的左视点、中视点和右视点图像,并将分别存入工业级笔记本指定盘符(例如D盘)的文件存储路径data/ill/left,data/ill/middle和data/ill/right;
步骤4、以t时刻的中视点轨道图像作为输入,利用直线提取方法分别提取左轨道的两条边线和右轨道两条边线提取和的中线在上均匀采样K个点构成点集乘以中视点与左视点图像之间的单应性矩阵得到左视点图像上的投影点集把点集投影关系矩阵和作为输入,调用开源的opencv-python库函数cv2.triangulatePoints(),输出得到对应的3D坐标集合提取Lrt 1和Lrt 2的中线在上均匀采样K个点构成点集{prt m,1,…,prt m,k,…,prt m,K},利用同样的方法得到点集{prt m,1,…,prt m,k,…,prt m,K}对应的3D坐标具体步骤如下:
步骤4.4、以边缘图像为输入,调用Python编程语言opencv-python库函数cv2.HoughLinesP()对进行轨道线提取,得到左轨道的左、右两条边线以及右轨道的左、右两条边线Lrt 1、Lrt 2,4条边线用两个端点的表示形式分别为 其中,表示距离摄像机较近的端点,表示距离摄像机较远的端点;
步骤4.5、计算左轨道边线的中线计算和两端点的中点计算和两端点的中点以点和作为输入,调用直线提取算法getLineEquation()得到左轨道两条轨线的中线的一般式直线方程的参数(a,b,c),即将中线表示为ax+by+c=0;采用同样的方法得到右轨道两条轨线的中线Lrt m,采用的直线提取算法流程如图2所示;
以点P1和P2作为输入的直线提取算法getLineEquation()的伪代码可以表示为:
步骤4.9、在均匀采样K个点构成点集{prt m,1,…,prt m,k,…,prt m,K},重复步骤4.7-4.8的操作,输出点集{prt m,1,…,prt m,k,…,prt m,K}对应的3D坐标集合
步骤5、记轨道标宽变量为Ws,提取以集合中以各个点为中心以Ws为边长的立方体中且属于场景3D点云内的所有点,构成点集其中是以为立方体中心点提取的点集,为中的第nk个点,Nk为内点的个数,分别为的X,Y,Z坐标,为左轨道的初始点云;以同样的方法得到右轨道的初始点云
步骤6、轨道标高变量记为Hs,对左轨道的初始点云进行高度滤波:如果其Z坐标属于[Hs-△h,Hs+△h],则保留,否则从集合中删除,其中△h为轨道点云标高允许变化值,用同样方法对右轨道点云进行高度滤波;滤波后得到更新的左、右轨道点云分别为和
步骤7.2、对轨道是否存在三角坑不平顺进行判定,如果存在三角不平顺,对不平顺参数和位置进行记录;具体过程为:
步骤7.2.2、如图4所示,若 满足条件或条件则标明在轨道车运动的t时刻处存在一个轨道三角坑不平顺,即不平顺类型Ct等于1,其中εh为三角坑不平顺的容许偏差精度,取值为5mm,记录三角坑不平顺参数和三角坑不平顺病害位置
步骤7.3、对轨道是否存在高低不平顺进行判定,如果存在高低不平顺,对不平顺参数和位置进行记录;具体过程为:
步骤7.3.2、如图5所示,如果满足条件则标明在轨道车运动的t时刻处左轨道存在一个高低不平顺,即不平顺类型Ct等于2,记录高低不平顺参数和高低不平顺病害位置如果满足条件△Hrt k≥δh,则标明在轨道车运动的t时刻处右轨道存在一个高低不平顺,即不平顺类型Ct等于2,记录高低不平顺参数PSt=△Hrt k和高低不平顺病害位置Pt ns=pSPrt k,其中δh为高低不平顺的容许偏差精度,取值为6mm。
步骤7.4、对轨道是否存在水平不平顺进行判定,如果存在水平不平顺,对不平顺参数和位置进行记录,具体过程为:
步骤7.4.2、如图6所示,如果满足条件则标明在轨道车运动的t时刻处轨道存在一个水平不平顺,即不平顺类型Ct等于3,记录水平不平顺参数和水平不平顺病害位置其中ηh为水平不平顺的容许偏差精度,取值为6mm。
步骤8.2、将t时刻数据定位***采集的轨检车位置(Pt,Bt)作为轨道的GPS绝对位置,将GPS绝对位置与轨道不平顺位置的相对坐标求和得到轨道不平顺的GPS绝对位置其中Pt ns=Pt+wPt ns,
步骤9、利用采集的轨道图像数据制作轨道病害数据集,训练基于YOLOv7网络结构的轨道的剥离、鱼鳞伤、层裂、波磨等目标检测器,得到轨道病害检测模型Modelill;具体步骤如下:
步骤9.1、轨道病害检测网络结构选用目标检测的YOLOv7网络结构,并对其配置文件yolov7.yaml进行如下修改:把其中的分类数量修改为轨道病害的分类数量Cill,即把类别数量变量nc设定为Cill,取值为4;
其中,目标检测的YOLOv7网络结构选用Chien-Yao Wang,Alexey Bochkovskiy等人于2022年发表的文章“YOLOv7:Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors”中提出的用于通用目标检测的YOLOv7网络结构。
步骤9.3、训练样本的构造如下:将轨道病害图像数据上传至数据标注网站,并在该网站上利用标注工具对轨道病害图像进行病害类型和病害检测真值框的标注;所有图像标注完成后利用网站的数据集导出功能,将标注好的数据集导出至文件存储路径data/train下,在路径data/下创建数据集配置文件data.yaml,在文件中写入如下内容:
将标注好的数据集和配置文件组成轨道病害训练数据集railData;
步骤9.4、在网络训练文件train.py中设置网络训练参数:网络训练的总迭代次数epoch=100,网络批处理的图像数量batch=16,网络训练的初始学习率lr=0.01,网络输入的图像尺寸W×H,网络训练使用的优化器设为Adam,网络训练次数变量的初始值step=1,训练样本数据路径为data/train,训练的工作设备设置为decive=0表示使用GPU训练,输出的模型名为yolo7.pt;具体的命令行代码如下:
步骤9.5、定义网络损失函数为:
其中xn表示预测第n个样本为正例的得分,yn表示第n个样本的标签,δ表示sigmoid函数;
步骤9.6、在conda环境下运行文件train.py,进行网络训练,当网络训练次数变量step>=200或者网络损失函数Loss小于10-1时,结束网络训练,输出轨道病害检测模型Modelill。
步骤10、把t时刻的轨道图像和病害检测模型Modelill作为输入,在python环境下调用文件路径Project/yolov7下的检测程序train.py,输出病害在中的位置和类别将乘以单应性矩阵得到在左视点图像上的投影点以和以及3D到2D的投影矩阵和作为输入,调用开源的opencv-python库函数cv2.triangulatePoints(),输出对应的3D坐标Pt ill,具体过程如下:
步骤10.1、将检测图像和病害检测模型Modelill作为输入,在python环境下运行测试文件test.py,输出检测的病害类型病害所在的矩形框其中为病害在中位置的中心点坐标,和分别表示矩形检测框的宽度和高度;
步骤10.3、把病害在中间视点图像中的位置病害在左视点图像中的位置3D到2D的投影矩阵作为输入,调用开源的opencv-python库函数cv2.triangulatePoints(),输出轨道病害的3D坐标
轨道病害检测图像如图8所示,其中的(a)、(b)、(c)分别表示轨道层裂、轨道断裂、轨道垃圾。
对本发明方法构建的轨道病害检测网络在轨道图像集合上进行检测性能测试,对检测结果采用以下指标进行了客观评价:
(1)查准率(P)。表示检测结果为真且该检测结果正确的样本的占全部检测为真的样本的比例。
(2)召回率(R)。表示检测结果为真且该检测结果正确的样本的占全部实际为真的样本的比例。
(3)F1Score:精确率和召回率的调和平均,对模型检测性能的综合度量,其公式如下:
根据上述评价指标对轨道病害模型检测进行性能测试,结果如表1所示:
表1
对本发明提出的轨道不平顺检测方法进行轨道不平顺检测性能测试,其评价指标在P、R、F1 Score的基础上添加了新的客观评价指标:准确率(Acc),表示检测正确的样本占总样本的比例。
根据上述评价指标对本发明提出的轨道不平顺检测方法的性能进行评判,结果如表2所示:
表2
由表1和表2可见,本发明方法对轨道病害和轨道不平顺检测任务的执行上已经能够得到较为准确的检测结果,证明了本方法的有效性。由以上的主观和客观结果可以看到,本发明方法可以对轨道病害图像和轨道点云进行很好的检测与识别,检测结果体现了该方法的高效性、准确性。此外,相较于传统的轨道检测方法,我们的方法在检测精度满足要求的前提下,实现了对轨道病害和轨道不平顺快速、准确的检测与分析,减少了人工成本。
通过上述方式,本发明轨道不平顺和病害智能检测和定位方法,基于目前市面上存在的铁轨不平顺和病害监测***存在需要人工协作、智能化和集成化低、动态监测和感知效果差、人工成本高等问题,本发明设计一种能够以边走边测的方式进行铁路轨道不平顺和病害检测与定位的移动测量方法,以实现对轨道不平顺和病害的精确、快速的检测与分析。故,本发明通过收集、分析安装在轨检车上的三目摄像机和GPS传感器数据,一方面对轨道进行三维重建并通过点云的高程分析对轨道的三角坑、高低和水平等不平顺进行检测和定位;另一方面采用图像目标深度学***顺检测和定位方法快捷高效,能够在一定程度上节省人力物力,也可以方便安装在轨检车上。
Claims (10)
1.轨道不平顺和病害智能检测和定位方法,其特征在于:具体包括按照以下步骤实施:
步骤1、在T型轨检车上搭建数据定位***、数据采集***,利用数据定位***采集轨检车在WGS84坐标系下的位置信息{(Pt,Bt)},其中,Pt和Bt分别为t时刻轨检车所在的大地经度和维度值,1≤t≤T,T为采集总时长,也为采集数据个数;
步骤4、以t时刻的中视点轨道图像作为输入,利用直线提取方法分别提取左轨道的两条边线和右轨道两条边线提取和的中线在上均匀采样K个点构成点集乘以中视点与左视点图像之间的单应性矩阵得到左视点图像上的投影点集把点集投影关系矩阵和作为输入,调用开源的opencv-python库函数cv2.triangulatePoints(),输出得到对应的3D坐标集合提取和Lrt 2的中线Lrt m,在Lrt m上均匀采样K个点构成点集利用同样的方法得到点集对应的3D坐标
步骤5、记轨道标宽变量为Ws,提取以集合中以各个点为中心以Ws为边长的立方体中且属于场景3D点云内的所有点,构成点集其中是以为立方体中心点提取的点集, 为中的第nk个点,Nk为内点的个数, 分别为的X,Y,Z坐标,为左轨道的初始点云;以同样的方法得到右轨道的初始点云
步骤9、利用采集的轨道图像数据制作轨道病害数据集,训练基于YOLOv7网络结构的轨道的剥离、鱼鳞伤、层裂、波磨目标检测器,得到轨道病害检测模型Modelill;
步骤10、把t时刻的轨道图像和病害检测模型Modelill作为输入,在python环境下调用文件路径Project/yolov7下的检测程序train.py,输出病害在中的位置和类别将乘以单应性矩阵得到在左视点图像上的投影点以和以及3D到2D的投影矩阵和作为输入,调用开源的opencv-python库函数cv2.triangulatePoints(),输出对应的3D坐标
2.根据权利要求1所述轨道不平顺和病害智能检测和定位方法,其特征在于,步骤4的具体步骤如下:
步骤4.4、以边缘图像为输入,调用Python编程语言opencv-python库函数cv2.HoughLinesP()对进行轨道线提取,得到左轨道的左、右两条边线以及右轨道的左、右两条边线4条边线用两个端点的表示形式分别为 其中,表示距离摄像机较近的端点,表示距离摄像机较远的端点;
步骤4.5、计算左轨道边线的中线计算和两端点的中点计算和两端点的中点以点和分别作为输入,调用直线提取算法getLineEquation()得到左轨道两条轨线的中线的一般式直线方程的参数(a,b,c),即将中线表示为采用同样的方法得到右轨道两条轨线的中线Lrt m;
4.根据权利要求1所述轨道不平顺和病害智能检测和定位方法,其特征在于,步骤7的具体步骤如下:
步骤7.1、计算左轨道点云中每个子点集的坐标均值,其中k表示子点集位置,得到均值化的左轨道点云坐标集合其中 为点集内点云的高程信息,即则将左轨道点云的高程集合表示为利用同样的方法得到右轨道均值化后的点云坐标集合和右轨道点云的高程集合
步骤7.2、对轨道是否存在三角坑不平顺进行判定,如果存在三角不平顺,对不平顺参数和位置进行记录;
步骤7.3、对轨道是否存在高低不平顺进行判定,如果存在高低不平顺,对不平顺参数和位置进行记录;
步骤7.4、对轨道是否存在水平不平顺进行判定,如果存在水平不平顺,对不平顺参数和位置进行记录。
9.根据权利要求1所述轨道不平顺和病害智能检测和定位方法,其特征在于,步骤9中的具体步骤如下:
步骤9.1、轨道病害检测网络结构选用目标检测的YOLOv7网络结构,并对其配置文件yolov7.yaml进行如下修改:把其中的分类数量修改为轨道病害的分类数量Cill,即把类别数量变量nc设定为Cill,取值为4;
步骤9.3、训练样本的构造如下:将轨道病害图像数据上传至数据标注网站,并在该网站上利用标注工具对轨道病害图像进行病害类型和病害检测真值框的标注;所有图像标注完成后利用网站的数据集导出功能,将标注好的数据集导出至文件存储路径data/train下,在路径data/下创建数据集配置文件data.yaml,将标注好的数据集和配置文件组成轨道病害训练数据集railData;
步骤9.4、在网络训练文件train.py中设置网络训练参数:网络训练的总迭代次数epoch=100,网络批处理的图像数量batch=16,网络训练的初始学习率lr=0.01,网络输入的图像尺寸W×H,网络训练使用的优化器设为Adam,网络训练次数变量的初始值step=1,训练样本数据路径为data/train,训练的工作设备设置为decive=0表示使用GPU训练,输出的模型名为yolo7.pt;
步骤9.5、定义网络损失函数为:
其中xn表示预测第n个样本为正例的得分,yn表示第n个样本的标签,δ表示sigmoid函数;
步骤9.6、在conda环境下运行文件train.py,进行网络训练,当网络训练次数变量step>=200或者网络损失函数Loss小于10-1时,结束网络训练,输出轨道病害检测模型Modelill。
10.根据权利要求1所述轨道不平顺和病害智能检测和定位方法,其特征在于,步骤10的具体过程如下:
步骤10.1、将检测图像和病害检测模型Modelill作为输入,在python环境下运行测试文件test.py,输出检测的病害类型病害所在的矩形框其中为病害在中位置的中心点坐标,和分别表示矩形检测框的宽度和高度;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211726114.5A CN115908400A (zh) | 2022-12-30 | 2022-12-30 | 轨道不平顺和病害智能检测和定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211726114.5A CN115908400A (zh) | 2022-12-30 | 2022-12-30 | 轨道不平顺和病害智能检测和定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115908400A true CN115908400A (zh) | 2023-04-04 |
Family
ID=86476353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211726114.5A Pending CN115908400A (zh) | 2022-12-30 | 2022-12-30 | 轨道不平顺和病害智能检测和定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908400A (zh) |
-
2022
- 2022-12-30 CN CN202211726114.5A patent/CN115908400A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103499585B (zh) | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 | |
CN108257114A (zh) | 一种基于深度学习的输电设备缺陷自动识别方法 | |
CN109059775B (zh) | 具有图像边缘提取步骤的钢轨磨耗检测方法 | |
CN108189859B (zh) | 判断两个激光图像特征是相关冗余特征的方法 | |
CN113487533B (zh) | 一种基于机器学习的零件装配质量数字化检测***及方法 | |
CN113674216A (zh) | 一种基于深度学习的地铁隧道病害检测方法 | |
CN113506269A (zh) | 一种基于深度学习的道岔与非道岔轨道紧固件定位方法 | |
CN112884717A (zh) | 实时工件表面检测与刀具寿命预测的***及方法 | |
Han et al. | A machine-learning classification approach to automatic detection of workers' actions for behavior-based safety analysis | |
CN114324401A (zh) | 基于环形多波束声呐的全覆盖式管道探测*** | |
CN111017151B (zh) | 一种船体建造中使用激光三维投影定位的方法 | |
CN114663672B (zh) | 一种输电线路塔钢构件腐蚀检测方法及*** | |
CN110672632A (zh) | 一种隧道病害识别方法 | |
CN116678368B (zh) | 基于bim技术的装配式钢结构数据智能采集方法 | |
CN115908400A (zh) | 轨道不平顺和病害智能检测和定位方法 | |
CN206019585U (zh) | 钢轨磨耗检测*** | |
CN109766794B (zh) | 一种自动化实时道路检测方法及其*** | |
CN116664846A (zh) | 基于语义分割实现3d打印桥面施工质量监测方法及*** | |
CN117191781A (zh) | 一种复材壁板微小阵列孔通孔率无损检测***及方法 | |
CN115331136A (zh) | 一种桥梁施工用监控方法 | |
Koch et al. | Machine vision techniques for condition assessment of civil infrastructure | |
CN108181315B (zh) | 一种基于图像处理的饼干损伤检测装置及检测方法 | |
CN112255383A (zh) | 一种基于大数据的水质监测分析*** | |
Delina et al. | Optimizing viscosity measurement: an automated solution with YOLOv3 | |
Mohata et al. | User requirements for an automated bridge inspection system |
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 |