[发明专利]基于图像自动判读的尖轨伸缩位移监测方法及系统

摘要

本发明公开了基于图像自动判读的尖轨伸缩位移监测方法，该方法的步骤包括：实时获取现场尖轨伸缩位移图像S1；基于空间支撑的深度卷积神经网络刻度尺定位方法，对刻度尺进行鲁棒性全天候的检测及定位S2；基于特征色度分量积分的刻度尺精确区域提取S3；结合特征色度分量积分与数字匹配，对尖轨伸缩位移进行判读S4。本发明进一步公开了一种基于图像自动判读的尖轨伸缩位移监测系统。本方案适用于尖轨伸缩位移的实时监测，可以进一步推广应用至如道岔心轨、钢轨伸缩调节器基本轨等其他关键结构部件的位移检测中，为保障铁路的运营安全提供快速、准确、可靠的理论技术支持。

主权项

1.基于图像自动判读的尖轨伸缩位移监测方法，其特征在于，该方法的步骤包括：S1、实时获取现场尖轨伸缩位移图像；S2、基于空间支撑的深度卷积神经网络刻度尺定位方法，对刻度尺进行鲁棒性全天候的检测及定位，其中，所述步骤S2包括：S21、基于获取的尖轨伸缩位移图像，构建用于训练的尖轨伸缩位移图像数据集，S22、基于深度卷积神经网络算法对数据集进行训练学习，分别生成刻度尺区域及其空间支撑区域的检测及定位模型，并构建基于空间支撑的刻度尺检测及定位计算模型，进一步的，所述步骤S22包括：S221、基于待训练的尖轨伸缩位移图像数据集，标注并获取待训练图像中的刻度尺区域和其空间支撑区域的Ground Truth数据，所述空间支撑区域为刻度尺区域上方的尖轨部分；S222、基于特征色度分量积分的方法，提取可能包含刻度尺区域及其空间支撑区域的若干个推荐区域；S223、针对刻度尺区域和其空间支撑区域，利用S221中的Ground Truth数据和S222中的推荐区域，基于深度卷积神经网络算法进行训练，分别生成刻度尺区域和其空间支撑区域的检测及定位模型；S224、分别利用刻度尺区域和其空间支撑区域的检测及定位模型，获得二者的检测及定位结果并进行融合，利用该融合结果构建刻度尺检测及定位计算模型，S23、基于空间支撑的刻度尺检测及定位计算模型，对所述尖轨伸缩位移图像中的刻度尺进行检测及定位；S3、基于特征色度分量积分的刻度尺精确区域提取方法，对已定位的刻度尺区域进行精确提取，其中，通过在原始图像的灰度空间中，分别按行、列对图像灰度进行积分，并求其梯度，得到所述特征色度分量积分，所述步骤S3包括：S31、利用特征色度分量积分的方法，在近水平方向上提取左右两个变化显著的局部极值点，对应刻度尺的水平边界位置；S32、利用特征色度分量积分的方法，在近垂直方向上选取第一个和最后一个变化显著的特征色度分量积分极值点，对应刻度尺的垂直边界位置；S33、利用S31和S32获得的水平与垂直边界位置，提取刻度尺精确区域的图像；S4、结合特征色度分量积分与数字匹配，对尖轨伸缩位移进行判读。