[发明专利]基于图像对齐与检测网络模型的轨道塞钉故障检测方法与系统

说明书

本发明属于计算机故障检测技术领域，具体为一种基于图像对齐与检测网络模型的轨道塞钉故障检测方法与系统。本发明中，由铁轨巡检车记录正常的塞钉图像作为基准图像；工作人员在例行的铁轨巡检过程中，利用巡检车拍摄最新的铁轨状况，得到铁轨状况图像作为待检测图像，对当前待检测图像和基准图像进行对比分析处理，检测出铁轨中问题塞钉部件位置，从而进行及时更换问题塞钉，确保铁轨运行的安全；具体步骤包括：基于深度网络模型与显著区域的高铁轨道图像精确对齐，基于深度网络模型与环境变化补偿的轨道塞钉的故障检测。本发明基于深度网络模型进行图像对齐与环境变化补偿，具有更精确的识别性能与可靠性。

技术领域

本发明属于计算机故障检测技术领域，具体涉及高铁轨道故障检测方法与系统。

背景技术

在我国铁路是重要的交通运输方式，铁轨作为铁路运输的载体，关系到人民的生命财产安全。长期以来，高铁轨道的检测采用的是人工巡检，容易受到天气条件、光照等的影响，而且铁轨巡检人员存在安全隐患。基于图像处理的高铁轨道故障检测具有重要的研究价值。

由于在实际中高铁轨道故障的塞钉较少，所以可以通过拍摄多个月份同一个位置的高铁轨道并比较塞钉的变化，以此来判断塞钉是否存在故障。

高铁轨道中塞钉故障检测主要包括两个方面：轨道对齐和故障检测。轨道图像对齐与检测主要有三个难点：一是铁轨轨道的差异较小，直接进行匹配容易造成错误匹配。二是图像的定位信息不准确,铁轨巡检车装有GPS系统，但是GPS定位存在误差。三是高铁轨道受光照因素影响很大，由于拍摄的时间不同，光照不同，同一位置的铁轨在亮度上有很大的差异。

传统的塞钉检测方法依赖的特征都是凭经验人工构建的，比如经典的HOG、LBP特征等 [1-4]，然后基于传统的分类模型进行判定，这样的方法在特征表达与分类器的性能上往往具有较大的局限性。

和人工构建的特征相比，深度学习算法可以自动训练合适的特征表示，如果加入合理运用，可以提高高铁轨道中塞钉故障的检测性能。在文献[5]中使用的基于深度网络的分类模型进行铁轨表面缺陷的检测，然后其中并没有用到基于深度网络的特征表达。在文献[6]中，作者提出了基于深度网络结构的物体检测算法，但它并没包含针对处理高铁轨道图像中出现的对齐与环境变化问题的应对措施。

本发明解决上述问题，提出了基于深度网络的图像对齐模型与物体故障检测模型，并针对高铁轨道照片的拍摄环境变化做了模型设计与算法优化，实现了高精度的故障检测。本方案中提出的解决思路不仅可以用到高铁轨道中的塞钉故障检测，还可以适用于其它类型高铁轨道中的部件故障检测。

参考文选：

[1]杜馨瑜,高利民,吴楠,程雨,王晓东.铁道塞钉图像检测方法及装置.CN201510752738.8,2016.

[2]E.Deutschl,C.Gasser,A.Niel and J.Werschonig.Defect detection onrail surfaces by a vision based system.IEEE Intelligent Vehicles Symposium,2004,pp. 507-511.

[3]Lin Jie,Luo Siwei,Li Qingyong,Zhang Hanqing and Ren Shengwei.Real-time rail head surface defect detection:A geometrical approach.2009IEEEInternational Symposium on Industrial Electronics,Seoul,2009,pp.769-774.

[4]杜馨瑜.基于计算机视觉技术的铁道塞钉自动定位算法.铁道通信信号, 52(9):68-72,2016.

[5]唐湘娜,王耀南.铁轨表面缺陷的视觉检测与识别算法.计算机工程,39(3):25-30, 2013.