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。     

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...     

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。     

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。     

基于改进Mask R-CNN的轨道扣件状态检测方法

为提高轨道扣件状态检测的准确率,基于K均值聚类算法改进掩膜区域卷积神经网络(Mask R-CNN)实例分割算法中的区域建议网络。进行基于改进Mask R-CNN的轨道扣件状态检测方法研究,并将该方法分别应用于普速铁路有砟轨道2个扣件数据集和高速铁路无砟轨道1个扣件数据集上进行轨道扣件状态检测。结果表明:该方法能对普速铁路有砟轨道和高速铁路无砟轨道图像中的扣件状态进行准确检测,扣件的定位准确率和分类准确率平均分别达到97.05%和98.36%,均优于YOLO V3,Faster R-CNN和Mask R-CNN算法;相较于前2种算法,本方法对普速铁路有砟轨道扣件状态检测的优势更为明显。     

基于改进YOLO V3算法的轨道扣件缺陷检测

目前轨道线路养护主要采用人工巡检方式,针对其存在的准确率不足、效率低下等问题,提出一种基于改进YOLO V3的轨道扣件缺陷检测方法。首先通过K-means算法对缺陷目标候选框的尺寸进行聚类分析;其次根据检测目标普遍较小的情况改进YOLO V3的层级结构,即选取两组尺度特征对扣件缺陷的位置和类别进行预测;最后将取自某地铁线路的轨道图像数据制作成轨道扣件缺陷数据集,用改进前后的YOLO V3网络模型进行对比实验。结果表明,改进后YOLO V3模型的平均准确率均值提高了20.64%,达到95.62%,检测速度提高了82.5%,达到58.4fps,能够准确且快速地识别出轨道扣件中的缺陷。     

基于深度残差网络的轨道结构病害识别

传统的轨道检测方法需要事先对图像进行定位和分割等预处理操作,而定位和分割操作的误差又会直接干扰到后续的分类识别,多环节误差叠加,使得识别准确率低。同时,传统检测方法还需要理想的背景环境,当背景环境或结构类型发生改变时,其算法不再适用,不具备良好的鲁棒性。因此,提出一种基于深度残差网络的轨道结构病害检测方法,该方法不需要对原始图像进行预处理,同时深度残差网络以其更深的层数和更复杂的网络结构可以高效提取出各类轨道结构图像的特征并进行分类识别。以某客货共线线路隧道的钢轨踏面、钢轨扣件和支承块图像建立数据库,通过迁移学习的方式在数据库上训练网络模型,实现对钢轨、扣件及支承块三种轨道结构的病害识别,识别准确率高达98.51%。在此基础上,从识别准确率、损失函数值等方面对深度残差网络在轨道结构病害识别中的应用效果进行对比、分析,验证方法的有效性。     

基于深度边缘特征的轨道扣件状态检测方法

针对现有轨道扣件状态检测方法无法检测快速弹条扣件的问题,提出了一种基于深度边缘特征的轨道扣件状态检测算法.利用基于深度学习方法搭建的HED网络提取轨道扣件的深度边缘特征,得到扣件深度边缘特征图;提取扣件深度边缘图的方向梯度直方图特征,将得到的融合特征作为扣件特征描述算子输入支持向量机训练,用训练好的分类器实现扣件扣紧和...     

基于Faster R-CNN的铁路扣件定位方法研究

准确的扣件定位是进行扣件状态检测、保障轨道交通车辆安全运行的基础,传统的基于图像处理的方法难以满足快速准确智能检测的需要.针对这一情况,提出一种基于改进Faster R-CNN的深度学习理论方法,进行扣件定位.首先,建立检测图像数据集并进行图像标注,然后根据实际扣件图像特点建立Faster R-CNN检测模型,利用标注...     

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。     

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。     

基于区域特征的缺陷扣件视觉检测

高速铁路线路中的扣件故障会影响高速铁路列车的平顺性,甚至威胁到行车安全.针对扣件视觉检测在复杂背景和光照多变的条件下检测精度低的问题,提出一种基于局部区域特征的缺陷扣件检测算法.从原始图像中截取包括扣件和钢轨的感兴趣区域并对该区域图像进行预处理,接着对预处理后的图像提取极小值区域(二值化),然后基于二值图和模板匹配算法...     

铁路扣件缺陷自动检测研究进展

基于计算机视觉和三维激光成像技术的扣件检测算法发展历程,重点针对铁路扣件图像的预处理、定位以及分类3个主要环节的算法进行综述,并探讨现有扣件检测算法存在的问题与困境。介绍三维激光成像技术及其在扣件检测领域的应用前景。     

钢轨扣件检测技术研究

轨道交通的飞速发展对轨道线路各组成部分的可靠性检测提出了更高要求,依靠人工手持设备检测存在某些弊端,因此迫切需要依靠计算机图像处理和深度学习等技术实现轨道线路的自动化检测。介绍一种基于图像处理的钢轨扣件状态分类方法,该方法通过对扣件图像的二值化处理,根据其水平方向和垂直方向上的投影特点对扣件部分进行分割,随后提取其局部二值模式(LBP)特征并用支持向量机(SVM)进行分类。同时,探讨一种基于深度学习的扣件图像分类识别方法,采用卷积神经网络VGG16架构,该方法中扣件区域的特征提取可由网络自动完成,不仅节省了时间,而且识别精度和适用性也得到明显提升。     

基于计算机视觉的车载轨道巡检系统研制

基于计算机视觉的车载轨道巡检系统由图像数据采集、数据分析和信息管理3个子系统组成;采用线阵相机进行1.6mm等间距运动扫描,并运用多线程交互和虚拟内存映射技术实现运动状态下轨道图像数据的采集和存储;在分析轨道图像病害特征的基础上,运用主成分分析、线性判别分析和Adaboost等方法建立机器学习模型,实现对钢轨、扣件和道床3个区域病害的模式识别。应用验证表明:系统能够有效检出钢轨表面擦伤、扣件缺失和移位以及轨道板裂纹等病害,其中钢轨表面擦伤、扣件缺失的检出率达95%;能够代替传统的人工步行巡道,而且最高巡检速度可达160km.h-1。     

基于改进形状匹配的扣件缺陷检测方法

基于传统图像处理的扣件检测方法在扣件定位方面存在定位不准、定位方法局限性较大等问题,在扣件识别方面的正确率也不高。而基于深度学习的扣件检测方法则需要大量的扣件样本作为训练集,训练效果难以保证。鉴于以上不足,提出一种基于改进形状匹配的扣件缺陷检测方法,该方法的一大优势是无需预先进行扣件定位,且匹配速度快、召回率高。该方法改进点主要包括：1)采用多模板匹配代替单模板匹配,以提高模板的多样性,进而提高扣件的匹配召回率;2)采用基于HALCON的形状匹配代替传统模板匹配,便于提高扣件的边缘检测效率,增强检测鲁棒性;3)提出扣件图片智能裁剪和模板库自动化更新算法,其中智能裁剪可裁剪出更加整齐而规范的数据集,模板库自动化更新算法可根据匹配的扣件数据集动态更新模板库。用轨道综合巡检车拍摄的扣件图片对该方法进行了实验验证。研究结果表明,在匹配阈值为0.75,模板库扣件数量为32的条件下,该改进方法对单张图片匹配时间为仅为0.18 s,检测召回率达到了98.15%。该改进方法高效且智能,具有较高的实用性、适用性和可行性,能够满足工务段日常维检的需要。     

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...     

基于改进二维卷积滤波技术的轨道伤损检测方法

基于改进卷积滤波技术和自适应阈值分割法,提出边缘检测轨道结构识别与伤损检测方法。使用改进二维卷积进行图像滤波,对原图像矩阵通过行列式变换处理,增强图像边界元素;根据边缘检测所得到的线形特征进行扣件弹条及钢轨识别,以线形急剧变化判别钢轨伤损及位置。通过既有线路轨道进行图像识别试验验证。试验验证结果表明,采用该方法可提高轨道部件识别速率,具有一定的自适应性,还可确定伤损相应位置,有利于轨道伤损的判别,可应用在日常轨道的养护及维修中。     

基于垂向定位与灰度投影的地铁扣件定位方法

针对新型轨道巡检仪在地铁整体道床上的实际应用,结合整体道床的结构特点,提出一种新的扣件定位办法。首先对图片进行压缩处理,然后对压缩后图片进行Sobel边缘检测,再将处理后的图片灰度投影至y轴,确定钢轨位置;最后将钢轨作为垂直坐标轴,结合扣件安装间隔规律,对扣件进行垂向定位。试验表明,该方法能有效对新型巡检仪在地铁整体道床上拍摄的图片中的扣件进行定位,且具有较高效率及准确率。