[發(fā)明專利]一種基于線結構光的扣件檢測算法

在審

• 申請?zhí)枺?/td>: 202110197421.8
• 申請日: 2021-02-22
• 公開（公告）號: CN112950562A
• 公開（公告）日: 2021-06-11
• 發(fā)明（設計）人: 鄭嘉;鄧成呈;馬靈濤
• 申請（專利權）人: 杭州申昊科技股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 北京國貝知識產權代理有限公司 11698
• 代理人: 柯俊

本發(fā)明公開了一種基于線結構光的扣件檢測算法，其特征在于包括以下步驟：(a)通過深度學習目標檢測，在深度圖中定位出扣件區(qū)域；(b)在所述扣件區(qū)域通過模板匹配算法粗定位出彈條位置；(c)將所述深度圖還原為三維點云，并根據粗定位的結果進行精確定位，得到精確定位的彈條位置；(d)根據精確定位的彈條位置檢測對應缺陷。發(fā)明通過深度學習從深度圖中提取扣件區(qū)域，在扣件區(qū)域通過模板匹配粗定位，然后轉為三維點云后采用迭代最近點(Iterative Closet Point)算法精定位后進行后續(xù)部件檢測。

技術領域

本發(fā)明涉及軌道檢測領域，具體涉及一種基于線結構光的扣件檢測算法。

背景技術

鐵路扣件是軌道系統(tǒng)的重要組成部件，作用是將鋼軌固定在軌枕上，防止鋼軌位移和傾斜。目前，由于結構光技術的快速發(fā)展，特別是在幀率上的提高，其非接觸性、高精度、高效率動態(tài)檢測的優(yōu)點被廣泛應用于軌道行業(yè)的檢測。行業(yè)內常采用的扣件檢測方案是通過結構光相機獲取鐵軌及扣件區(qū)域的深度圖，通過傳統(tǒng)計算機視覺技術實現檢測功能。

在完整圖片中，首先需要定位扣件區(qū)域。由于列車運行環(huán)境復雜，常規(guī)方案中的傳感器檢測或模板匹配方式，都存在魯棒性較差或耗時較長等缺點。在定位后的檢測過程中又普遍存在功能不全、穩(wěn)定性差等問題。

有鑒于此，本申請?zhí)岢鲆环N一種基于線結構光的扣件檢測算法。

發(fā)明內容

本發(fā)明的目的在于針對現有技術的不足，提供一種基于結構光且快速準確、功能齊全的扣件檢測算法。

為了解決上述技術問題，采用如下技術方案：

一種基于線結構光的扣件檢測算法，其特征在于包括以下步驟：

(a)通過深度學習目標檢測，在深度圖中定位出扣件區(qū)域；

(b)在所述扣件區(qū)域通過模板匹配算法粗定位出彈條位置；

(c)將所述深度圖還原為三維點云，并根據粗定位的結果進行精確定位，得到精確定位的彈條位置；

(d)根據精確定位的彈條位置檢測對應缺陷。

進一步，在步驟(a)中，基于所述深度學習目標檢測，采用Faster-RCNN檢測方法，所述Faster-RCNN檢測方法的檢測步驟如下：

(1)收集現場各種環(huán)境下拍攝的原圖，并標注扣件位置，將圖片與標注文件輸入給Faster-RCNN進行訓練；

(2)所述Faster-RCNN通過卷積方式將圖片提取為多維特征圖，并通過RPN區(qū)域生成網絡和RCNN分類網絡在圖片上生成若干預測框；

(3)根據所述標注文件，確定標注框與預測框，并自動尋找預測框與標注框兩者的區(qū)別，生成訓練結果并記錄。

(4)在訓練大量圖片之后，神經網絡按照同樣規(guī)律在傳入全新的圖片時預測扣件位置。

進一步，在步驟(a)的第(3)步中，在確定所述標注框與預測框后，需要對所述預測框的偏差進行修改。

進一步，在步驟(b)中，所述模板匹配算法粗定位出彈條位置的步驟如下：

首先通過sobel算子計算模板圖片的各向梯度，通過各向梯度與圖片卷積得到梯度圖，所述梯度圖上每個像素的灰度值表示此像素在原圖上的梯度信息，

結合所述梯度圖，得到每個點的綜合梯度大小和方向，然后在所述梯度圖中選取梯度大小高于設定值的點，并作均勻采樣，做為最終選用的特征點；最后將梯度方向可作為描述子，得到模板文件。

進一步，所述模板文件的制作采用多角度模板，得到多角度模板文件，根據所述多角度模板文件，在匹配時根據匹配得分選取最佳結果。