[发明专利]钢轨表面缺陷识别方法及装置

说明书

本发明公开了一种钢轨表面缺陷识别方法及装置，其中该方法包括：利用预先训练的连续缺陷检测模型对钢轨表面图像进行连续缺陷识别，识别出钢轨位置及连续缺陷图像；针对每一幅没有识别出连续缺陷的钢轨表面图像，按照钢轨位置对钢轨区域进行光带提取，生成光带二值图；根据光带二值图计算钢轨区域的区域光带指标；将区域光带指标输入分类器，判断钢轨是否存在表面疑似缺陷；将存在表面疑似缺陷的钢轨表面图像输入预先训练的局部缺陷检测模型进行局部缺陷识别，得到局部缺陷图像、局部缺陷类型以及局部缺陷位置；输出连续缺陷图像、局部缺陷图像、局部缺陷类型及对应的局部缺陷位置。本发明可以全面、准确的识别钢轨图像中的钢轨表面缺陷。

技术领域

本发明涉及轨道检测及图像识别技术领域，尤其涉及一种钢轨表面缺陷识别方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

钢轨是整个铁路轨道的主要组成部分，是铁路运输基础设施之一，作用是引导列车的车轮前进方向，直接承受列车车轮作用力，并传递到枕轨上。钢轨的状态直接影响到列车的运行安全。由于长期暴露在野外，经过风霜雨雪、高温低温等各种自然条件的影响，以及列车运行带来的压力，钢轨会不可避免的产生各种损伤，进而带来各种安全隐患。

钢轨表面的主要缺陷包括：轨面擦伤、剥离掉块、裂纹、轨头压溃、踏面波浪磨耗等。不同的缺陷对列车运行安全的影响各不相同，在轨道安全设施的检测维护当中，钢轨表面缺陷检测是最重要的环节之一。

在进行钢轨图像检测时，通常将相机搭载在检测车底部，检测车运行时相机对钢轨表面进行连续拍摄成像，从而获得钢轨表面图像。之后，再通过钢轨表面缺陷图像识别技术识别钢轨表面缺陷。与一般识别任务相比，钢轨表面缺陷检测识别具有其特殊的困难与挑战。铁路所经之处环境复杂，各种自然条件，如光照、风霜雨雪的影响，使得采集到的现场图片质量不一，很大程度上增加了缺陷识别的难度。此外，钢轨表面缺陷的模式也较为复杂，如一些缺陷比较细微，和铁轨相比只占据很小一部分，也一定程度上增加了检测识别难度。

现有技术中有通过深度学习、深度神经网络、深度森林模型等对钢轨表面缺陷进行识别的方法。

其中，通过深度学习对钢轨表面缺陷进行识别的方法，首先需要人工收集大量钢轨表面缺陷图像并进行数据标注，基于标注后的数据训练基于深度学习目标定位算法构建的钢轨表面缺陷检测模型，之后使用训练好的模型识别钢轨图像中的钢轨表面缺陷。但是，这种技术需要大量的钢轨缺陷图像样本，可检测的缺陷必须是样本中出现过类型的缺陷，对于小样本情况以无样本情况的钢轨表面缺陷容易出现漏检。

采用深度神经网络和深度森林模型的方法，分别采用深度神经网络和深度森林模型对钢轨表面擦伤进行建模，在对图像预处理后，通过训练好的模型对图像中的钢轨表面缺陷进行检测，其中包括对小样本问题的专门处理。但是，钢轨表面缺陷有连续缺陷和局部缺陷。本技术通过目标检测可以检测局部的缺陷，但是由于连续缺陷的形态和特征与局部缺陷有所不同，该技术在检测连续缺陷时由于缺陷目标长宽比过于极端，易出现漏检。此外对于样本中未出现过的缺陷类型也容易发生漏检。

发明内容

本发明实施例提供一种钢轨表面缺陷识别方法，用以利用图像识别算法，全面、准确的识别钢轨图像中的钢轨表面缺陷，该方法包括：

获取拍摄的钢轨表面图像；

利用预先训练的连续缺陷检测模型对钢轨表面图像进行连续缺陷识别，识别出钢轨位置及连续缺陷图像，其中，钢轨位置为钢轨在图像中所处的像素行列位置；

针对每一幅没有识别出连续缺陷的钢轨表面图像，按照所述钢轨位置对钢轨区域进行光带提取，生成光带二值图；

根据光带二值图计算钢轨区域的区域光带指标；

将区域光带指标输入分类器，判断钢轨是否存在表面疑似缺陷；