[发明专利]一种基于线结构光的扣件检测算法

说明书

本发明公开了一种基于线结构光的扣件检测算法，其特征在于包括以下步骤：(a)通过深度学习目标检测，在深度图中定位出扣件区域；(b)在所述扣件区域通过模板匹配算法粗定位出弹条位置；(c)将所述深度图还原为三维点云，并根据粗定位的结果进行精确定位，得到精确定位的弹条位置；(d)根据精确定位的弹条位置检测对应缺陷。发明通过深度学习从深度图中提取扣件区域，在扣件区域通过模板匹配粗定位，然后转为三维点云后采用迭代最近点(Iterative Closet Point)算法精定位后进行后续部件检测。

技术领域

本发明涉及轨道检测领域，具体涉及一种基于线结构光的扣件检测算法。

背景技术

铁路扣件是轨道系统的重要组成部件，作用是将钢轨固定在轨枕上，防止钢轨位移和倾斜。目前，由于结构光技术的快速发展，特别是在帧率上的提高，其非接触性、高精度、高效率动态检测的优点被广泛应用于轨道行业的检测。行业内常采用的扣件检测方案是通过结构光相机获取铁轨及扣件区域的深度图，通过传统计算机视觉技术实现检测功能。

在完整图片中，首先需要定位扣件区域。由于列车运行环境复杂，常规方案中的传感器检测或模板匹配方式，都存在鲁棒性较差或耗时较长等缺点。在定位后的检测过程中又普遍存在功能不全、稳定性差等问题。

有鉴于此，本申请提出一种一种基于线结构光的扣件检测算法。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于结构光且快速准确、功能齐全的扣件检测算法。

为了解决上述技术问题，采用如下技术方案：

一种基于线结构光的扣件检测算法，其特征在于包括以下步骤：

(a)通过深度学习目标检测，在深度图中定位出扣件区域；

(b)在所述扣件区域通过模板匹配算法粗定位出弹条位置；

(c)将所述深度图还原为三维点云，并根据粗定位的结果进行精确定位，得到精确定位的弹条位置；

(d)根据精确定位的弹条位置检测对应缺陷。

进一步，在步骤(a)中，基于所述深度学习目标检测，采用Faster-RCNN检测方法，所述Faster-RCNN检测方法的检测步骤如下：

(1)收集现场各种环境下拍摄的原图，并标注扣件位置，将图片与标注文件输入给Faster-RCNN进行训练；

(2)所述Faster-RCNN通过卷积方式将图片提取为多维特征图，并通过RPN区域生成网络和RCNN分类网络在图片上生成若干预测框；

(3)根据所述标注文件，确定标注框与预测框，并自动寻找预测框与标注框两者的区别，生成训练结果并记录。

(4)在训练大量图片之后，神经网络按照同样规律在传入全新的图片时预测扣件位置。

进一步，在步骤(a)的第(3)步中，在确定所述标注框与预测框后，需要对所述预测框的偏差进行修改。

进一步，在步骤(b)中，所述模板匹配算法粗定位出弹条位置的步骤如下：

首先通过sobel算子计算模板图片的各向梯度，通过各向梯度与图片卷积得到梯度图，所述梯度图上每个像素的灰度值表示此像素在原图上的梯度信息，

结合所述梯度图，得到每个点的综合梯度大小和方向，然后在所述梯度图中选取梯度大小高于设定值的点，并作均匀采样，做为最终选用的特征点；最后将梯度方向可作为描述子，得到模板文件。

进一步，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，根据所述多角度模板文件，在匹配时根据匹配得分选取最佳结果。