基于流行排序的轨道扣件定位方法研究

针对利用图像处理技术在进行轨道扣件定位的过程中易受到拍摄条件及复杂背景干扰的难题,提出一种基于流行排序的轨道扣件定位方法。对轨道扣件图像进行超像素分割和基于图论的特征图构建;根据特征图节点基于背景尺度和前景尺度的相关性进行排序,得到前景突出且背景抑制的轨道扣件显著图,完成轨道扣件区域在图像中的的准确定位。引入准确率-召回率曲线、F度量值和平均绝对误差作为评价扣件定位准确程度的指标。研究结果表明:本文方法对不同类型的轨道扣件图像均能进行精确的扣件定位,且与其它算法相比具有更好的定位效果、较高的效率和鲁棒性。     

基于半监督深度学习的无砟轨道扣件缺陷图像识别方法

提出基于置信图的扣件子图快速定位算法,即基于概率图模型构建扣件子图邻域纹理图和初始引导图与被定位图之间的置信图,并通过计算置信图的最大极值点实现对扣件子图中心点的快速定位。在此基础上,针对无砟轨道扣件缺陷样本相对稀缺的问题,提出基于半监督深度学习的扣件缺陷图像识别方法,即首先采用稀疏自编码(SAE)网络在无标签的数据集进行迭代学习获得扣件子图稀疏表征,然后将训练好的SAE网络连接softmax层组成分类网络,最后在有人工类别标注的小数据集进行二次训练及参数微调获得最终的识别模型。通过在装配WJ-7型扣件的CTRS-Ⅰ和WJ-8型扣件的CTRS-Ⅱ型无砟轨道图像进行应用测试和方法验证。结果表明:该方法可快速精确定位扣件并识别扣件缺失、弹条折断、弹条移位3类缺陷,有效检出率达95%以上。     

基于YOLOv3算法的轨道扣件自动定位与检测

针对目前轨道扣件人工检测效率低、准确率低等问题,提出了基于YOLOv3算法的轨道扣件自动定位及检测方法。采集有砟轨道和无砟轨道的扣件图像并进行标注,通过K-means聚类确定预设边界框大小;为了更好地检测到细粒度特征,采用4个不同尺度的特征图来进行对象检测;对Darknet-53网络进行改进,有利于解决深层次网络的梯度问题,增加轨道扣件目标识别模型的识别效果。试验结果表明,该方法对轨道扣件目标识别效果较好,检测准确率较高。     

一种改进的十字交叉轨道扣件定位方法

针对传统的十字交叉定位法对轨道扣件区域定位不准确,对图像要求较高,需要特定角度的光照采集才能实现扣件定位,定位过程较慢等问题,提出一种改进的十字交叉定位法对其进行定位。通过对其图像中扣件的初步位置判断定位,然后用中值滤波的图像增强,Canny算子的边缘提取,灰度投影的判断来提高定位准确性,加快定位速率,通过实验表明,改进的定位方法能够很好解决光照采集角度、快速有效的定位和判断出扣件,实现对扣件区域的初定位。     

基于3D相机的轨道扣件部件丢失与松动智能检测

轨道扣件在运营过程中会出现松动甚至掉落、断裂等异常情况,不利于列车行驶稳定和安全,需要进行定期、及时的检查与维修。传统的人工巡检效率低,难以匹配我国轨道交通的快速发展,且对于部件松动等不易察觉的问题检测效果差。利用计算机视觉形成自动化的检测设备逐渐成为发展趋势,其中基于三角测量原理的线结构光技术因其成本低、精度高、速度快等优点得到广泛应用,且适合轨道检测场景。该技术核心设备为可以采集并分析线结构光进行三维重建的3D相机,基于成像原理设计可搭载于轨道检测车的扣件检测系统并进行现场试验,经过数据分析和处理可以分别得到高质量的图像数据和三维模型。针对图像数据利用目标检测的方法,构建数据集,搭载YOLO(You Only Look Once)v5深度学习模型,实现挡肩及扣件部件的快速识别,进行部件丢失检测;针对三维模型利用轨道扣件相对位置固定的特点,根据阈值筛选扣件数据并进一步得到弹条及螺栓等部件的坐标信息,通过边缘提取、平面拟合等方法计算位移量,进行部件松动检测。研究结果表明,检测系统可以采集高质量的扣件数据,扣件部件识别平均精准度达到99.0%,速度满足现场实时检测的要求,同时对于弹条和螺...     

基于改进SSD模型的高铁扣件定位算法

高铁扣件的检测对于保障铁路的正常运行起着十分重要的作用。针对高铁扣件定位精度不足以及传统定位算法无法定位道岔处扣件的问题,设计一种改进的SSD(single shot detector)深度学习扣件定位算法,即Improved_SSD。首先采用ResNet101更换经典SSD深度学习模型中的VGG16,增加网络深度的同时提高特征的抓取能力;然后利用膨胀卷积扩大网络的感受野,以不增加模型额外结构的方式提高模型的鲁棒性;最后提出一种非极大加权抑制方法,进一步提高扣件的定位精度。实验结果表明:与经典SSD算法相比,本文算法对扣件定位的召回率和精度分别提高了3.4%和4.7%;与其他几种扣件定位算法相比,本文算法不仅提高了对普通轨道扣件的定位精度,而且解决了传统定位算法无法定位道岔处扣件的问题。     

基于车载的轨道扣件同步采集系统设计及实现

线阵相机常用于轨道扣件检测时图像获取,在拍摄轨道扣件图像时受车辆变速和振动的影响,获取的图像信息容易出现失真现象;为了解决该问题,设计了一种基于车载的轨道扣件同步采集系统。通过建立测速及补偿模型和等距变换关系,实现线阵相机等间距拍摄轨道扣件图像的触发控制,通过建立传感器同步采集模型实现多传感器信息的同步采集控制。利用FPGA实现线阵相机等距触发控制和传感器信号同步采集功能。最后,搭建轨道检测小车对该系统进行实验验证,并在相同的测试条件下与基于常规光电编码器直接触发采集的方法进行对比;实验结果表明,基于车载脉冲等距触发采集的方法在变速条件下采集的轨道扣件图像不失真,并能准确同步采集各传感器信息。     

应用YOLO深度卷积网络的轨道图像定位算法

将摄影测量技术应用于铁路轨道检测是未来轨检技术的发展趋势。对轨道图像扣件的快速定位,是判断扣件是否缺损,匹配连续图像以及对轨道线形三维重建的基础。由于实际中轨道图像易受到拍摄角度、光照等因素影响,同时有砟轨道图像具有背景复杂、色彩单一、特征分布多变等特点,使得传统基于钢轨、轨枕布设关系的扣件定位算法具有局限性,对弯道和上下行道岔咽喉区域的扣件定位鲁棒性差。将近年在计算机视觉领域发展迅猛的深度学习算法引入铁路轨道检测,利用YOLO端对端输出的网络特点,根据图像全局信息直接对扣件的Bounding Box和类别进行迭代回归,输出扣件位置信息。试验检测50份测试数据,检测正确率达到94%,检测速度54 fps,可以达到实时检测的要求。     

钢轨扣件横向偏移特征检测算法研究

针对无砟轨道中钢轨扣件发生横向松动、脱离正常工作位置产生偏移的问题,提出一种钢轨扣件横向偏移检测法.首先,该算法为解决传统的扣件图像定位不够精准问题,采用k-means聚类和类二值算法强化分割前景、背景与轮廓矩特征,实现对采集图像中扣件位置的精准定位;其次,不同于传统扣件特征提取采用复杂语义,提出一种基于机器视觉的轮廓分析方法,通过提取扣件的绝缘帽与螺母的轮廓特征,计算相邻绝缘帽间距和相邻螺母间距,并与安全状态下扣件轮廓特征计算得到的安全距离阈值进行对比,进一步计算偏移量,从而判断扣件是否发生横向松动.结果 表明:该算法计算速度快,能够准确地定位弹条位置和偏移量,与传统的识别算法得到扣件的偏移量数据相比准确率显著提高,可达98％.     

基于三维图像的铁路扣件缺陷自动识别算法

针对当前铁路扣件状态自动识别准确率和稳定性不高等问题,利用直射式激光三角测量法原理研发扣件检测系统,采集不受环境光影响的高质量轨道三维数据。提出基于三维图像的扣件区域定位方法,并利用先验知识验证扣件位置以保证扣件定位的准确性;基于弹条的高度规律信息提取弹条,采用HGOH作为特征描述算子;根据特征向量的模是否等于零可识别出缺失扣件,将模不为零的特征向量送入已训练的SVM分类器,从而识别断裂扣件和完整扣件。室内试验研究结果表明,采用本文提出的扣件缺陷自动检测算法,识别准确率可达98.0%,能满足扣件缺陷自动化检测的需要。     

基于改进Faster R-CNN的车轮踏面缺陷检测

车轮踏面缺陷是影响列车轮对正常工作的重要因素,目前主流的检测方式为人工或半自动检测,耗时长、效率差、精度低,提高检测效率和精度、及时获取踏面缺陷信息对保障列车正常运行具有重要意义。针对现有神经网络算法难以检测细小缺陷的问题,提出改进Faster R-CNN的检测方法,改进了基于候选框大小与IOU的评估方法,并优化了相关部位的损失函数以适应不同尺度的缺陷检测,抑制了高亮度区域。实验结果表明,该方法能够有效对车轮踏面细小缺陷进行检测并准确定位,通过与Faster R-CNN和YOLO V3网络比较可见,提出方法的检测精度明显提高,同时保证了一定的召回率与检测速度。     

基于图像增强与深度学习的钢轨表面缺陷检测

相比传统的物理检测算法,基于机器视觉的检测算法具有检测速度快、操作便捷等诸多优点,但因受光照不均、相机失焦抖动、雨雪天气等外界因素的影响,导致检测精度降低。针对这一问题,提出一种基于图像增强与深度学习的钢轨表面缺陷视觉检测算法。首先,对图像进行Gabor滤波去噪,以减少噪声对缺陷检测的影响;然后,利用HSV空间变换方法增强缺陷图像的关键特征信息;最后,通过改进Faster R-CNN卷积神经网络,实现了多尺度钢轨表面缺陷的检测与识别。通过对所提出的检测算法进行对比实验,实验结果表明:裂纹、剥落、磨损三类缺陷的识别精度分别为91.87%,92.75%和91.52%,检测速度为每张图像0.265 s,优于已有的钢轨表面缺陷检测算法,能够很好地应用于实际项目中。     

基于截线法的铁路扣件骨架提取算法

为了能够精确描述铁路扣件端部形状,提高铁路扣件的识别率,以及满足扣件检测的实时性要求,提出了一种基于截线法的铁路扣件骨架提取算法。首先,通过预处理得到原始图像的二值图像及其感兴趣区域;其次,应用不同方向的方位距离变换计算扣件各端部区域的骨架生长点;然后,以骨架生长点为中心沿扣件的弯曲方向分别利用水平线族和竖直线族扫描扣件端部轮廓,得到截线段后,计算其中心点;最后依次连接骨架生长点和所有截线中心点即可得到完整的扣件图像骨架。理论分析与实验结果证明,本文算法对扣件形状的描述能力强,并且可以准确识别扣件形状。对于复杂图像的识别具有较好的效果,在识别缺陷扣件时具有较强的应用优势。算法运行时间较短,可以达到实时性的要求。     

基于FPGA和DSP的高速实时轨道巡检图像采集处理系统

基于FPGA和DSP的高速实时轨道巡检图像采集处理系统由光学系统、FPGA模块、DSP图像处理模块及上位机组成.为提升图像采集的质量,提出并设计线阵相机加激光光源的组合方案,用以有效滤除阳光干扰,避免图像过度曝光.针对高速实时采集需求,设计FPGA采集模块,实现巡检图像采集控制和传输.针对实时智能检测需求,开发基于DS...     

基于Faster R-CNN网络模型的铁路异物侵限检测算法研究

行人和车辆等异物侵入铁路周边限界内的情况严重威胁了行人自身安全及铁路行车安全。针对传统铁路异物检测算法识别精度不高、分类不明确和结果易受外界环境影响等缺点,提出了一种基于Faster R-CNN网络模型的铁路异物侵限检测算法,并对该模型做适应性改进以满足铁路异物检测的现实需要。提出将全连接层用全局平均池化层替代来减少参数量;通过增加锚点个数来提高对目标区域建议的精确性;引入迁移学习思想训练网络以解决铁路异物侵限数据匮乏问题。在铁路异物侵限视频数据集上进行测试表明,本算法对于人、车及部分动物的综合检测精确度达到了97.81%。     

基于Faster R-CNN的人脸识别算法研究

人脸识别技术是身份认证的重要方式。旨在设计算法识别身份证人像与待检人像是否为同一旅客。使用卷积神经网络进行人脸识别算法的研究。使用检测人脸后计算人脸特征间欧式距离的方式进行算法设计,最终达到95%的正确率。结果表明, Faster R-CNN算法能较精准地检测人脸, VGG-Net可以较好地提取人脸特征值。     

不同弹性扣件下钢轨振动仿真分析

建立一般弹性扣件、粘结板式弹性扣件和轨道减振器扣件下的轨道模型,用有限元法模拟分析列车移动荷载作用下,不同扣件刚度、不同行车速度时钢轨的振动和荷载的传递情况。计算结果表明,随着行车速度提高,钢轨振动加剧,扣件支反力增大;随着扣件刚度减小,钢轨振动增加,扣件支反力减小,冲击荷载传递减小。     

上部锁紧式双层非线性扣件在南京地铁的应用效果分析

在南京地铁1号线双龙大道至南京南站地铁隧道正常运行的线路上,采用在线检测和锤击方法对比Ⅲ型减振器与上部锁紧式双层非线性减振扣件(GJ-32扣件)两种轨道结构形式下钢轨的垂向和横向频率响应特性。结果表明:GJ-32扣件相对于Ⅲ型减振器钢轨振动在200～400 Hz有较好的抑制作用;GJ-32扣件轨道结构形式具有较好的减振性能和阻尼特性;Ⅲ型减振器区间钢轨波磨发展严重,而GJ-32扣件十分有效地抑制了钢轨短波的增长。     

减振扣件对地铁隧道-地表振动特性影响分析

研究目的:不同减振扣件对地铁隧道-地表环境振动的减振效果特性有所差异,列车运行引起的隧道和地表的振动在时域和频域上有较大区别,目前对减振扣件减振效果评价多采用不同断面进行对比分析,但其结果会受到隧道断面周围结构的影响。基于此,本文通过对普通扣件和减振扣件下列车运行引起的隧道结构及地表振动进行现场实测分析,并建立车辆-轨道-隧道-大地耦合动力分析数值模型,研究减振扣件对隧道结构-地表的减振效果。研究结论:(1)减振扣件能有效控制道床和隧道壁上的振动响应,当采用减振扣件后,道床上峰值变小且峰值出现频段向低频偏移,隧道壁上减振扣件在卓越频率范围内出现振动放大现象;(2)地面测点的振动加速度峰值和Z振级随距离振源的位置增加呈现出减小的趋势,但是在15~30 m范围内出现增大的现象,说明在该区域范围内出现振动放大的现象,但放大区间有所不同,应根据具体工程选择合适的扣件;(3)地面同一测点振动加速度峰值和Z振级呈现出W形的变化趋势,因此在进行地面振动控制时应充分考虑控制点所处位置,根据具体情况采用合理的控制措施;(4)本研究成果可为轨道交通中隧道和地表振动控制措施选择提供理论依据。