[发明专利]一种基于Faster R-CNN的非接触式铁轨伸缩位移实时测量方法

说明书

本发明公开了一种基于Faster R‑CNN的非接触式铁轨伸缩位移实时测量方法，属于高铁轨道结构监测领域。设计了包含至少两个圆并且圆与背景颜色差异明显的标志牌粘贴在前一段铁轨的尾部侧面以及后一段铁轨同一侧的侧面；标定图像以作为用于标志牌检测的深度学习模型的训练样本，训练深度学习模型；对每个检测点获得的实时图像，利用深度学习模型检测图像中的标志牌区域，根据检测结果过滤无效帧图像，在剩余的有效帧图像的标志牌区域中检测圆心，粗计算铁轨伸缩位移量，再对粗计算结果进行平滑滤波，实现铁轨伸缩位移的实时测量。

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Faster R-CNN的非接触式铁轨伸缩位移实时测量方法。

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铁轨伸缩位移，无法满足轨道结构监测精度要求。

发明内容

针对高速铁路轨道纵向呈带状分别、垂向分层分布的结构特点，本发明提出了一种基于Faster R-CNN的非接触式铁轨伸缩位移实时测量方法，设计了包含至少两个圆并且圆与背景颜色差异明显的标志牌粘贴在前一段铁轨的尾部侧面以及后一段铁轨同一侧的侧面；标定图像以作为用于标志牌检测的深度学习模型的训练样本，训练深度学习模型；对每个检测点获得的实时图像，利用深度学习模型检测图像中的标志牌区域，根据检测结果过滤无效帧图像，在剩余的有效帧图像的标志牌区域中检测圆心，粗计算铁轨伸缩位移量，再对粗计算结果进行平滑滤波，实现铁轨伸缩位移的实时测量。

为了实现上述目的，本发明采用的技术方案是：

一种基于Faster R-CNN的非接触式铁轨伸缩位移实时测量方法，包括如下步骤：

步骤1，针对任一个检测点，在需要检测的一对铁轨连接处一侧固定位置设置摄像头，使得一对铁轨连接处位于目标监控范围内，在前一段铁轨的尾部侧面以及后一段铁轨同一侧的侧面分别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，且圆心连线与轨道延伸方向平行；

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；将矩形检测框的对角线上的两个顶点原像素坐标作为标志牌检测标签，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；