[发明专利]一种基于三维的列车螺栓松动检测方法

说明书

本发明公开了一种基于三维的列车螺栓松动检测方法，具体为：采用工业三维线扫描相机采集待检修的列车车底二维图和深度图；对于二维图，采用两步ACF目标检测算法定位螺栓位置；将二维图中螺栓目标区域映射到采集的深度图，基于RANSAC+SRG的区域分割算法计算螺帽厚度；与历史数据和标准数据作差，对比故障阈值，判断螺栓状态。本发明结合三维数据和二维数据的特点，利用两者的特点发挥不同的作用，实现在整个地铁车底复杂环境下稳定实现螺栓定位，分割、计算和识别松动的功能，通过计算相关客观真实数据来判断松动；不仅能够细化螺栓松动程度，还可以解决标记线无法检测螺栓旋转一圈之后的松动程度。

技术领域

本发明属于列车螺栓故障检测领域，尤其涉及一种基于三维的列车螺栓松动检测方法。

背景技术

轨道交通在中国发展中具有极其重要的意义，随着我国经济快速发展，中国铁路轨道的技术水平和建设规模取得了巨大的进步。大量的列车和地铁随之而然会带来行车安全问题，所以建立列车安全保障体系成为铁路系统建设中必不可少的一环。传统的人工检测依然是列车检修维护最主要的方式。人工检测不仅效率较低，且容易检测不到一些细节隐患。随着机器学习、深度学习、计算机视觉等技术日益成熟，人工智能出现在更多的领域满足人类的需求。把列车安全与人工智能相结合的智能检测方式，可以一定程度上替代人工检测。

目前计算机视觉主要应用在视频监控、人脸识别、智能驾驶等领域。在故障检测方面可以应用研究的方向主要有三个：（1）模板匹配法，通过待测图片与标准模板之间近似度来判断是否存在异常，此方法对于图像各方面具有很高要求，很多因素都会对结果造成很大的影响。（2）基于统计学的机器学习法，是通过对样本进行特征提取后根据特征分布进行分类。其关键在于特征提取的算法，因为对不同的目标任务开发不同的算法才能保证可靠性，所以泛化性较差。（3）基于深度学习的缺陷和异常检测，为了得到高精度的模型，该方法必须针对每个目标采集大量的数据来训练模型。所以工作量较大以及具有一定的随机性。

目前对于螺栓异常检测方案都主要依赖于二维图片。对于螺栓脱落、损坏等这一类故障检测主要还是依靠基于深度学习的算法训练检测模型，这种方式在正负样本充足的情况表下可以实现不错的效果，但上文已经阐述过其缺点。现有检测螺栓松动的主要方法在螺栓表面手工标记参考线，通过二维视觉检测参考线的状态判断是否发生松动。这种方法一是需要手工画线，费时费力。其次手工画线的质量参差不齐导致检测效率低下。标记线在实际运行中可能被污渍、光照、拍摄角度等因素影响，造成检测出错。还有一个严重的问题就是松动超过一周之后可能从表面无法检测出故障，也无法细化松动程度。普通图像没有记录物体到拍摄设备的距离，只能够通过语义来哪个物体离我们远，哪些离我们近，没有准确的距离数据。虽然三维数据比二维数可靠性更高，当前在计算机视觉研究应用中对于三维数据的使用比较少。一是因为三维算法不够成熟，二是高精度的三维设备价格比较昂贵，三是只依靠深度图或点云在工程应用还有一定难度，例如目标检测会导致计算量剧增且效果不好。

从上诉背景中可以清晰地得到利用计算机视觉进行螺栓松动检测必须要解决的四个关键点是：（1）算法模型必须能够有效抑制环境因素的干扰，如光照、污渍等，具有强鲁棒性，克服普通图片的局限性。（2）算法模型需要在少样本的情况下，依然能够训练出效果满意的模型，有利于实际应用中的方便。（3）算法模型必须具备高精度、高稳定性以及泛化性的特点，这样才能替代人工检修的方式并且还要保证列车行车安全，不然智能检测不具有现实意义。（4）高效率，列车检修的时间只能是运营空期，在这个空期内需要完成对整个列车的检查与维修，因此需检测效率有极高要求，需要算法模型在短时间内准确完成项点的检测。

发明内容

为了实现在整个地铁车底复杂环境下稳定实现螺栓定位，分割、计算和识别松动的功能，通过计算相关客观真实数据来判断松动。不仅能够细化螺栓松动程度，还可以解决标记线无法检测螺栓旋转一圈之后的松动程度的难题。本发明提供一种基于三维的列车螺栓松动检测方法。

本发明的一种基于三维的列车螺栓松动检测方法，包括以下步骤：