[发明专利]一种实时在线检测夹板螺栓缺陷的方法

说明书

本发明公开了一种实时在线检测夹板螺栓缺陷的方法，图像采集与合并，得到合并图集；从合并图集中选取n张合并图，形成样本集，并标记样本集中合并图中的夹板区域，形成标记图；将所有标记图送入到yolov3网络中进行训练，得到yolov3的网络权重；将待检测图像合集中的检测缺陷图送入yolov3的深度学习网络中，预测出夹板在图像中的ROI区域；截取出夹板图像，得到夹板图像集，从夹板图像集中选取出n1张图像，得到螺栓检测图像样本集；标记图像中的螺栓部件，得到螺栓标记图训练集，将训练集图像放入yolov3网络中训练，得到yolov3目标检测网络权重，将待检测待检测螺栓标记图集，输入yolov3目标检测网络，预测出螺栓的ROI区域；根据螺栓的具体坐标(x,y)，判断出螺栓的缺陷。

技术领域

本发明涉及轨道交通图像处理领域，具体是一种实时在线检测夹板螺栓缺陷的方法。

背景技术

夹板螺栓作为保障铁轨之间平滑连接主要部件，其重要性也是一目了然。然而目前对于轨道安全的控制主要是采用人工检测，而且由于夹板安装位置的特殊性，大大增加对夹板螺栓缺陷的难度，因此，如何实现高效安全的检测夹板螺栓缺陷，是当下需要研究的课题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种实时在线检测夹板螺栓缺陷的方法，包括：

步骤一，将采集到的图像按照行方向将4张图像合并为一张图像，得到合并图集:

步骤二，从合并图集中选取n张合并图，形成样本集，并标记样本集中合并图中的夹板区域，形成标记图，余下的合并图像形成待检测图像合集；

步骤三，将所有标记图送入到yolov3网络中进行训练，得到yolov3的网络权重一；

步骤四，根据权重一，将待检测图像合集中的检测缺陷图送入yolov3的深度学习网络中，预测出待检测缺陷图中夹板在图像中的ROI区域(x,y,w,h)；

步骤五，根据预测出待检测缺陷图中夹板在图像中的位置，截取出夹板图像，得到夹板图像集，从夹板图像集中选取出n1张图像，得到螺栓检测图像样本集；

步骤六，标记螺栓检测图像样本集中的图像中的螺栓部件，得到螺栓标记图，按照设定的螺栓标记图样本比例，从螺栓标记图中得到螺栓标记图训练集，余下的螺栓标记图形成待检测螺栓标记图集，将训练集图像放入yolov3网络中训练，得到yolov3目标检测网络权重二，将待检测待检测螺栓标记图集，输入yolov3目标检测网络，预测出螺栓的ROI区域；根据螺栓的具体坐标(x,y)，判断出螺栓的缺陷。

进一步的，所述的根据预测出待检测缺陷图中夹板在图像中的坐标P(x,y)，并截取以P作为起始坐标，截取150*850像素的图像，得到夹板图像集，从夹板图像集中选取出n1张图像，得到螺栓检测图像样本集。

进一步的，所述的将待检测图像合集中的检测缺陷图送入yolov3的深度学习网络中，预测出待检测缺陷图中夹板在图像中的ROI区域(x,y,w,h)。

进一步的，所述的根据螺栓的具体位置，判断出螺栓的缺陷，包括如下过程，夹板上有6个螺栓，并按照正反间隔的安装，则，若在夹板的一侧螺栓少于3个或者螺栓的间距不均匀，则该夹板处存在螺栓缺失。

本发明的有益效果是：使用本发明的检测方法能够精确的、实时的检测夹板螺栓，并进行缺陷判定。

附图说明

图1为一种实时在线检测夹板螺栓缺陷的方法的原理示意图；

图2为缺陷检测过程示意图；

图3为图像合并示意图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。