[发明专利]一种基于深度学习和透视变换的非接触式钢轨轨枕相对位移实时测量方法

说明书

本发明公开了一种基于深度学习和透视变换的非接触式钢轨轨枕相对位移实时测量方法，属于高铁轨道结构监测领域。将包含至少两个圆的标志牌粘贴在轨枕上，每一个检测点的检测范围内至少包括一对相对位置固定的轨枕；标定图像用于训练深度学习模型；采集初始标准图像计算透视变换矩阵；对每个检测点获得的实时图像，通过深度学习模型检测圆心原像素坐标，利用透视变换矩阵将圆心像素坐标转换为透视后的圆心像素坐标，计算透视后的图像中相邻连个轨枕之间的像素距离，结合相对位置固定的一对轨枕之间的像素距离和实际距离，求得相邻轨枕之间的实际距离作为粗计算结果；再对粗计算结果进行平滑滤波，得到实时相对位移量的精确值，测量精度高。

技术领域

本发明属于高铁轨道结构监测领域，更具体地，涉及一种基于深度学习和透视变换的非接触式钢轨轨枕相对位移实时测量方法。

背景技术

为满足各种复杂地域环境的需要，高速铁路不可避免会出现长大连续梁桥。相关线路上钢轨伸缩调节器及梁缝处的抬轨装置在使用过程中，出现了轨枕倾斜拉裂、抬轨装置剪刀叉变形较大甚至卡死等病害，造成了较大的养护维修工作量和经济损失。由于钢轨伸缩调节器养护维修工作量大，是高铁轨道结构的三大薄弱环节之一，因此高速铁路工务部门对钢轨伸缩调节器区轨道结构的监测需求十分迫切。

轨道位移变化监测是钢轨伸缩调节器区轨道结构监测的关键环节，从精度、实施性出发，目前轨道位移变化监测主要采用振弦式传感器和光纤光栅传感方式。目前，现有的监测方法主要不足包括：

(1)一般只能作为工点性的监测，空间上和时间上的监测范围有限，无法实现大规模实时测量；

(2)皆为接触式的传感方式，设置在轨道结构上的传感器对于高速动车的运营是较大的安全隐患。

随着铁路网络带宽呈几何数量级增加，高速铁路逐渐在沿线安装摄像机。以高铁沿线摄像机为前端，开展以图像识别等非接触式传感为手段的高铁轨道结构监测研究具有十分重要的现实意义和应用前景。

但是，由于高铁现场环境复杂，光照、风雨和火车震动等多种因素都会影响成像结果，加上摄像机本身的透视畸变，基于简单的图像识别方法测量的钢轨轨枕相对位移，无法满足轨道结构监测精度要求。

发明内容

针对上述技术问题，本发明提出了一种基于深度学习和透视变换的非接触式钢轨轨枕相对位移实时测量方法，可以自动计算透视变换参数和钢轨轨枕相对位移量，实现了轨道结构的轨枕间距相对位移的实时获取，测量精度高，安全性高。

为了实现上述目的，本发明采用的技术方案是：

一种基于深度学习和透视变换的非接触式钢轨轨枕相对位移实时测量方法，包括如下步骤：

步骤1，针对任一个检测点，在需要检测的钢轨轨枕任一侧的固定位置设置摄像头，将摄像头的监控范围对准目标检测位置，在目标检测范围的轨枕上粘贴至少包括两个圆的标志牌，所述标志牌上所有圆心在同一条直线上，且圆心连线与轨枕沿轨道宽度方向的边界线平行；

所述每一个检测点的检测范围内至少包括一对相对位置固定的轨枕；

步骤2，采集目标检测范围内的不同工况下的样本图像，标记样本图像中的每一个标记牌的四个角点的原像素坐标，将角点的原像素坐标转换为检测框顶点的原像素坐标；利用四个角点的原像素坐标和实际坐标计算透视变换矩阵，获得样本图片中圆心对应的原像素坐标；

将矩形检测框的对角线上的两个顶点坐标作为标志牌检测标签，将每一个标志牌中边界处的两个圆心坐标作为圆心定位标签，将带标签的样本图像作为训练样本集；

步骤3，建立深度学习模型，利用步骤2得到的训练样本集对深度学习模型进行训练；

步骤4，采集不同工况下的未发生相对位移的初始图像作为标准，利用训练好的深度学习模型检测图像中的标志牌区域并定位圆心，根据检测结果过滤无效帧图像；