[发明专利]一种基于卷积神经网络的转辙机缺口自动检测方法

说明书

本发明提供了一种基于卷积神经网络的转辙机缺口自动检测方法，包括：同步采集转辙机缺口的定位图像和反位图像；采用预训练的深度卷积神经网络模型对定位图像和反位图像进行识别，分别计算定位图像和反位图像含有缺口的置信度，若定位图像的含缺口置信度大于反位图像，则选择定位图像选定为缺口图像，反之，选择反位图像为缺口图像；把缺口图像灰度化，并通过滤波，滤除噪声干扰，通过图像增强提高图像的辨识度；提取缺口图像的边缘信息，通过边缘信息定位缺口位置，测量缺口宽度，再通过摄像机预标定信息获取缺口实际宽度，计算缺口偏移量；上报正反位含缺口置信度信息和缺口偏移量信息，若出现异常，发出告警信息。

技术领域

本发明涉及一种转辙机缺口检测方法，属于轨道交通中道岔控制领域，具体的说，涉及了一种基于卷积神经网络的转辙机缺口自动检测方法。

背景技术

道岔控制系统的执行机构转辙机的安全性和稳定性检测对于轨道交通行业中列车的安全运行发挥着重要作用。缺口状态数据是分析转辙机运行状态的重要参考。

传统的转辙机缺口检测方法分为直接测量和间接测量两大类。基于计算机视觉的检测方法属于间接测量，现有的计算机视觉检测方法利用传统图像处理技术，能够实时有效地进行缺口的识别和偏移量测量，实现缺口检测的直观性和准确性，但是受算法限制，会出现缺口定反位的误判，引起测量错误，甚至造成严重的不良影响。

为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。

发明内容

本发明为了克服基于计算机视觉的传统图像处理技术在转辙机检测方面的不足，引入人工智能技术来识别缺口的定反位，再利用传统图像处理方式对缺口大小进行测量，从而提供了一种基于卷积神经网络的转辙机缺口自动检测方法。

为了实现上述目的，本发明所采用的技术方案是：一种基于卷积神经网络的转辙机缺口自动检测方法，包括以下步骤：

步骤1、图像采集

同步采集转辙机缺口的定位图像和反位图像；

步骤2、缺口图像识别

采用预训练的深度卷积神经网络模型对定位图像和反位图像进行识别，分别计算定位图像和反位图像含有缺口的置信度，若定位图像的含缺口置信度大于反位图像，则选择定位图像选定为缺口图像，反之，选择反位图像为缺口图像；

步骤3、缺口图像处理

把缺口图像灰度化，并通过滤波，滤除噪声干扰，通过图像增强提高图像的辨识度；

步骤4、缺口信息测量

提取缺口图像的边缘信息，通过边缘信息定位缺口位置，测量缺口宽度，再通过摄像机预标定信息获取缺口实际宽度，计算缺口偏移量；

步骤5、状态信息上报与告警

上报正反位含缺口置信度信息和缺口偏移量信息，若出现异常，发出告警信息。

基于上述，步骤3中，首先要把彩色的缺口图像进行灰度化处理，公式为；再采用模板大小为3x3的中值滤波器去除图像的椒盐噪声；再利用拉普拉斯算子与图像之间的卷积，增强图像信息。

基于上述，步骤4中，利用Canny算子提取缺口图像的边缘信息，利用开运算消除小的连通区域，再利用霍夫变换提取边缘中的直线信息，根据所提取的边缘和直线信息，定位缺口位置和缺口实际宽度。

基于上述，所述告警信息包括缺口偏移量告警和异常缺口置信度告警。