一种轨道列车项点的缺失检测方法与流程
- 国知局
- 2024-07-31 23:03:22
本发明涉及轨道车辆检测的,更具体的说是涉及一种轨道列车项点的缺失检测方法。
背景技术:
1、轨道列车是一种高速、高效、安全、环保的公共交通工具,其检修工作是保障轨道列车正常运行的重要环节。轨道列车的巡检工作涉及多个部件、多个工序、多个巡检点,其中关键零部件的缺失检测是一个至关重要的环节。
2、目前,针对轨道列车的重要零部件缺失检测通常依赖人工逐一检查。然而,这种方式存在重复性高的工作和复杂的工作环境,容易导致操作人员出现视觉疲劳,进而可能导致错检或漏检情况的发生。
3、近年来,随着人工智能技术的蓬勃发展,基于计算机视觉的工业检测技术备受瞩目,在轨道交通领域,对于轨道列车项点缺失的检测,目前主要采用机器学习或深度学习等方法来训练一个基于项点缺失图像和正常图像的分类模型或目标检测模型。通过这些模型,可以对采集的图像区域进行检测,判断其中是否存在项点缺失情况。然而,当前基于人工智能的检测方法存在一些问题,包括对大量不同项点缺失样本的需求、数据收集困难以及易受现场环境干扰等导致目标检测的鲁棒性较差。
技术实现思路
1、针对现有技术存在的不足,本发明的目的在于提供一种轨道列车项点的缺失检测方法,该种检测方法能够根据检测区域的历史图像即模版图像和待检图像,柔性的考虑所述区域内的全部项点的位置信息、纹理信息和色彩信息推理出所述区域内所有项点的状态即缺失情况,无需采集任何项点的缺失样本图像,提高轨道列车的项点缺失检测效率。
2、为实现上述目的,本发明提供了如下技术方案:
3、一种轨道列车项点的缺失检测方法,包括步骤如下,
4、目标检测模型构建步骤,获取不同状态下的图像数据按比例输入神经网络中训练、验证以及测试得到目标检测模型;
5、图像项点检测匹配步骤,将视觉采集的待检图像输入目标检测模型中输出待检图像中的待检项点,获取模版图像中的模版项点,根据所述待检项点和模版项点的共用特征点数判断是否达到匹配阈值,若未到达,则进行特征点处理策略将所有特征点标准化为项点格式得到辅助特征点,以辅助特征点作为达到时的项点信息进行刚性匹配策略得到模版项点的应检测项点列表,将应检测项点列表中的项点信息与待检图中的项点信息通过项点柔性匹配策略得到待检项点的待验证匹配项点列表和待验证非匹配项点列表;
6、误匹配项点剔除步骤,将所述待验证匹配项点列表中相互映射的项点通过距离分析离群点,根据离群点的存在结果分别对待验证匹配项点列表和待验证非匹配项点列表进行更新;
7、遗漏项点重复匹配步骤,将所述待验证非匹配项点列表中的每个项点的坐标区域图像,将所述坐标区域图像通过相关性匹配分析是否为缺失项点,若存在,则记录至缺失项点列表;
8、缺失项点反馈步骤,根据所述缺失项点对应待检图像截取缺失区域反馈输出。
9、进一步的,所述待检项点包括项点数量、项点位置以及类别信息,所述项点位置包括项点在图像中的横坐标、纵坐标以及项点最小外接矩形的宽和高,所述类别信息反映项点的标签,所述图像项点检测匹配步骤中包括项点处理子步骤,
10、所述项点处理子步骤,将所述项点位置信息通过最大最小值归一化算式进行处理得到尺度平衡的位置信息。
11、进一步的,所述特征点处理策略包括特征点提取步骤和特征点标准化处理步骤,
12、所述特征点提取步骤,将模版图像和待检图像输入特征提取网络模型中输出相互映射的两组特征点数量,每个特征点包含横坐标和纵坐标两个特征;
13、所述特征点标准化处理步骤,将相互映射的所有特征点均进行最小外接矩形的宽和高分别赋值,且标签进行赋标得到项点的特征格式,以虚拟化为辅助特征点。
14、进一步的,所述项点刚性匹配策略包括特征匹配步骤、特征映射步骤以及项点区分步骤,
15、所述特征匹配步骤,将所述项点信息进行特征描述,且结合最近邻匹配算法和最近邻距离比匹配算法进行特征匹配得到特征匹配对;
16、所述特征映射步骤,将所述特征匹配对通过ransac算法估计得到几何变化模型,将待检图像与模版图像映射得到两者交集作为检测图;
17、所述项点区分步骤,将模版图像中未在检测图内的项点信息规划为非检测项点列表,将模版图像中在检测图内的项点信息规划为应检测项点列表。
18、进一步的,所述项点柔性匹配策略包括图像变换步骤和相关性分析步骤,
19、所述图像变换步骤,将所述检测图点乘参数变换矩阵生成新检图;
20、所述相关性分析步骤,将待检项点和新检图中的项点信息通过径向基函数计算所有新检图中的项点与应检测项点列表中的项点的相关性,统计新检图中的项点与应检测项点列表中项点相关性最大的项点,根据相关性结果判断应检测项点列表中的项点与待检项点的映射关系,将相互映射的项点规划至待验证匹配项点列表,否则规划至待验证非匹配项点列表。
21、进一步的,所述径向基函数配置为:
22、,
23、其中,x和y是两个项点,表示两个项点的欧几里得距离,是高斯核函数的参数,用于控制相似度的衰减速度。
24、进一步的,所述误匹配项点剔除步骤,将所述待验证匹配项点列表中相互映射的项点对通过距离算式计算得到距离列表,根据距离列表中的距离值得到标准差值和均值,将所述标准差值和均值通过z算法计算得到每一项距离与均值之间的偏离程度形成距离偏离列表,将所述距离偏离列表通过iqr算法判断距离列表中是否存在离群点。
25、进一步的,所述距离算法配置为:
26、,
27、其中,x和y是两个点的坐标, n是坐标的维度,本发明中 n=2,是与 i个坐标轴相关的权重参数;
28、所述z算法配置为:
29、,
30、其中, x是所述距离,是所述均值,是所述标准差。
31、进一步的,所述遗漏项点重复匹配步骤,将所述待验证非匹配项点列表中每个项点的坐标点乘变换参数变换矩阵生成预测位置,截取检测图中项点位置的项点图像,再通过预测位置在待检图像中截取项点图像,计算两者项点图像的相关性值,根据相关性值判断是否为缺失项点。
32、进一步的,还包括待检项点缺失判断步骤,将所述缺失项点输入目标检测模型中,判断输出结果,若输出为空,则确定该项点为空,否则,判断输出的结果是否与该项点在对应的待验证非匹配项点列表中相同,若相同,则确定该项点为非缺失项点,否则为缺失项点。
33、本发明的有益效果:通过大量不同场景和状态的图像实现训练、验证以及测试以得到精细化的目标检测模型,再通过待检图像代入目标检测模型中与模版图像之间的项点配对等手段,能够快速准确的分析出图像是否完整,若存在缺失项点的情况能够将缺失项点对应的区域快速切割反馈至前端,且该分析方法无需采集任何项点的缺失样本图像进行比对,可更鲁棒的实现轨道列车的项点缺失检测。
本文地址:https://www.jishuxx.com/zhuanli/20240730/195817.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。