[發明專利]基于鐵軌旁部件的定位方法和系統

在審

• 申請號: 202110399042.7
• 申請日: 2021-04-14
• 公開（公告）號: CN113177540A
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 邱瓊文
• 申請（專利權）人: 北京明略軟件系統有限公司
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 青島清泰聯信知識產權代理有限公司 37256
• 代理人: 趙燕

本發明涉及基于鐵軌旁部件的定位方法和系統。其中，該方法包括標注待檢測鐵軌旁各部件的相對位置；選取常規條件下一圖片中的一部件作為參考目標，根據相對位置，標注參考目標和待定位目標在圖片內的絕對坐標，并將此作為訓練集；根據深度學習回歸算法，基于訓練集，利用一神經網絡，擬合待定位目標與參考目標之間的數學關系；基于數學關系，根據深度學習進行訓練并建立一定位預測模型；根據參照目標的絕對位置，利用定位預測模型，獲取待定位目標的絕對位置。通過標注各型號的鐵軌旁部件的位置，利用回歸網絡擬合參考目標與待定位目標的數學關系，建立針對各特定型號的的定位預測模型，大大解決了數據的需求量，降低算法復雜度，提高計算速度。

技術領域

本申請涉及鐵軌數據處理技術領域，特別是涉及基于鐵軌旁部件的定位方法和系統。

背景技術

鐵軌的維護檢修是鐵軌日常運行中的一項非常重要的工作，以往的檢修是依靠檢修工人使用肉眼，在列車入庫后到現場挨個觀察列車的關鍵部件，查看是否出現故障或者故障前兆。

隨著數字化技術、信息化技術和計算機技術的發展，檢修方式逐漸由現場肉眼觀察轉變為使用線陣相機在列車入庫時拍攝列車兩側的圖片，上傳到電腦，然后檢修工人在電腦上查看。

當然，全圖拖拽查看還是比較麻煩，因此，隨著人工智能技術的發展，陸續出現了一些半自動或全自動故障識別算法，在檢修工人查看之前，先過一遍算法，可以得知哪些位置是健康的，哪些位置可能存在故障，這樣可以有效輔助和加快檢修工人的檢修工作

現有的部件定位方法，包括基于傳統機器學習的目標檢測算法(如HOG+SVM)和基于深度學習的目標檢測算法(如faster rcnn,yolov3等)，但都存在數據、準確率或者速度上的缺點。

目前針對鐵軌數據處理過程中的數據量大、運算速度慢的問題，尚未提出有效的解決方案。

發明內容

本申請實施例提供了一種基于鐵軌旁部件的定位方法和系統，以至少解決相關技術中數據量大、運算速度慢的問題。

第一方面，本申請實施例提供了一種基于鐵軌旁部件的定位方法，其特征在于，包括以下步驟：

相對位置標注步驟，標注待檢測鐵軌旁各部件的相對位置；

訓練集獲取步驟，選取常規條件下一圖片中的一部件作為參考目標，根據所述相對位置，標注所述參考目標和待定位目標在所述圖片內的絕對坐標，并將此作為訓練集；

關系擬合步驟，根據深度學習回歸算法，利用一神經網絡，擬合所述待定位目標與所述參考目標之間的數學關系；

模型訓練步驟，基于所述數學關系，根據深度學習訓練，建立一定位預測模型；

定位預測步驟，根據所述參照目標的絕對位置，利用所述定位預測模型，獲取所述待定位目標的絕對位置。

在其中一些實施例中，所述關系擬合步驟具體包括：

根據深度學習回歸算法，將處理后的所述參考目標的絕對坐標作為輸入，并將處理后的所述待定位目標的絕對坐標作為輸出，利用一全連接網絡，采用非線性激活函數，獲取一非線性神經網絡。

在其中一些實施例中，所述模型訓練步驟具體包括以下步驟：

訓練集數據處理步驟，對所述訓練集進行數據增強處理；

數據輸入步驟，將數據增強后的所述訓練集輸入至所述非線性神經網絡；

定位預測模型訓練步驟，通過正向傳播和反向傳播得到梯度向量，并據此調整權值至所述定位預測模型的誤差得分趨于零或收斂的趨勢調節。

在其中一些實施例中，所述定位預測方法具體包括以下步驟：