一种基于背景数据对比的轨道道床异物检测系统及方法与流程

本发明涉及轨道交通病害检测，具体涉及一种基于背景数据对比的轨道道床异物检测系统及方法。

背景技术：

1、随着我国城市轨道交通的迅速发展，在线路运行使用中，常常会受到外界异物侵入的影响，其中包括桥梁隧道等线路自带的悬挂物脱落、松动和列车运行带来的异物，以及轨道上作业的工作人员的工具随身物品等，这些都会在列车在轨道行使的过程中遗留极大的隐患。

2、我国目前的主要监测手段乃停留在人工定期巡检，这种方式不仅耗时耗力，也容易遗漏或产生新的异物。基于这种考虑，现在越来越多的轨道巡检车也孕育而生，目前这种搭载视觉检测系统的检测原理主要是基于图像特征和级联分类器训练分类等算法，或使用直接深度学习进行异物检测。在使用级联分类器和深度学习进行异物检测时都需要前期采集大量的样本进行模型训练，并且对未训练的异物辨识度较低，检测局限性较大，不适用于大量推广。

技术实现思路

1、为解决现有技术中检测局限性的问题，本发明提出了一种基于背景数据的轨道道床异物检测系统及检测方法，该系统使用了轨道已有的背景数据进行建模，在巡检的过程中只需通过于背景数据进行对比，即可检测出轨道上是否存在异物，并使用深度学习进行二次分类，进一步的提高了系统的检测稳定性和准确性。

2、本发明采用的技术方案为：

3、一种基于背景数据对比的轨道道床异物检测系统，该轨道道床异物检测系统包含运载平台、成像模块、数据处理模块以及背景数据模块；

4、其中，所述运载平台为轨道道床异物检测系统提供动力和电源；

5、所述成像模块包含：

6、相机单元，其成像光轴朝向轨道表面，用于拍摄轨道图像；

7、照明单元，为所述相机单元提供照明；以及

8、成像数据采集单元，可通讯地连接于所述相机单元，用于数据采集；

9、所述背景数据模块为轨道道床异物检测系统前期采集的轨道原始图像，以及图像对应的实际里程信息。

10、进一步的，所述相机单元包含线阵相机、面阵相机、基于线结构光的3d相机。

11、进一步的，所述数据处理模块用于图像数据处理，包含将成像模块输出的轨道图像与背景数据识别对齐、数据对比，并通过数据接口输出显示。

12、进一步的，所述数据处理模块与成像数据采集单元为同一计算平台。

13、一种基于背景数据对比的轨道道床异物检测系统的检测方法，该检测方法包含以下步骤：

14、s1:获取成像模块输出的轨道图像，包含深度图像和灰度图像，称之为前景图像；

15、s2:识别成像模块输出的深度图像fore(x,y)在背景数据模块对应位置的背景数据深度图像back(x,y)以及里程信息，对比前背景差异图像diff(x,y)，阈值提取差异区域，若无差异区域则道床不存在异物，若有，则进行s3；其中，

16、diff(x,y)＝abs(fore(x,y)-back(x,y))；

17、s3:在检查到差异区域后，对比前景数据中是否存在特征，若无特征则不是道床异物，若有，则进行s4；

18、s4:将从前景数据中提取的特征，在背景数据对应的区域进行匹配，若在背景数据匹配到该模板，则不存在异物，若未匹配到，则进行s5；

19、s5:在未匹配到特征轮廓后，对背景数据和前景数据两幅图像进行前景提取，消除物体运动导致的误检，若前景提取失败，消除掉异常区域，则不存在异物，若提取到前景，则进行s6；

20、s6:收集提取到的前景图像，进行人工分类判断是否为真实异物，使用分类网络进行训练；

21、s7:用已训练好的分类模型对前景数据提取到的差异区域进行预测分类，判断是否为真实病害，并将最新的差异图片添加至分类网络训练集，以此迭代；

22、s8:在检测到道床异判断为真实病害后，读取背景标志的里程信息，输出显示。

23、进一步的，s3中所述对比前景数据中是否存在特征的具体方法为：在前景深度图像中进行边缘检测，生成边缘轮廓图像，对比是否存在轮廓梯度特征，若轮廓梯度特征，则不是道床异物，若有，则进行s4；

24、s4：以此轮廓梯度特征创建形状匹配模型，以此模型在背景进行模板匹配，匹配成功则不存在异物，该差异区域由背景物体移动导致。

25、对于s3-s4具体来说，一种方法可以为：使用canny边缘检测算子在前景深度图像进行边缘检测，生成边缘轮廓图像，如道床存在异物，则该异物必定会与周围出现梯度差异，而与之对应的在边缘轮廓图像则会出现异物的边缘轮廓，在边缘轮廓图像该区域特征提取是否存在轮廓特征，即可判断前景是否存在异物；若存在异物，则可以此轮廓创建形状匹配模型，以此模型在背景进行模板匹配，匹配成功则不存在异物，该差异区域由背景物体移动导致。

26、进一步的，s3中所述对比前景数据中是否存在特征的具体方法为：在前景深度图像中提取特征点，生成特征点集，若前景特征点集数量较少或没有，则不存在异物，若特征点集数量较多，则进行s4；

27、s4：将前景数据中的特征点集在背景数据生成的特征点集中进行匹配，如匹配成功则不存在异物，该差异区域由背景物体移动导致。

28、对于s3-s4具体来说，另一种方法可以为：在前景深度图像使用sift算法提取特征点，如存在异物，则在异物与道床的边缘以及异物自身会存在大量的特征点，通过sift算法特征点提取以及特征点描述，生成特征点集，若前景特征点集数量较少或没有，则不存在异物，若特征点集较多，则进一步生成背景特征点集，对前景和背景的征点集进行匹配，如匹配成功则不存在异物，该差异区域由背景物体移动导致。

29、进一步的，s5中所述前景提取的方法为：将前景数据深度图像和背景数据深度图像使用vibe前景提取算法提取前景物体。

30、具体来说，s5中所述前景检测的方法为：将前景数据深度图像和背景数据深度图像使用vibe前景提取算法提取前景物体，具体为每个像素点存储了一个样本集，样本集中采样值就是该像素点过去的像素值和其邻居点的像素值，然后依次遍历前景数据每一个像素和样本集进行比较来判断是否属于背景点，最终提取出前景。

31、进一步的，s6中使用的分类网络包含resnet深度学习分类网络模型、mobilenetv3分类网络。

32、与现有技术相比，本发明具有以下有益效果：

33、1)通过前景和背景数据对比的方式实现道床异物检测，检测更准确，稳定；

34、本发明提出的基于背景数据对比的轨道道床异物检测系统，相较于专利cn201910029546.2，cn201710148180.1和cn201810107822.8等通过传统的图像处理以及大批量的图像训练分类模型或目标检测模型对于轨道道床异物检测方法，本发明所提出的基于背景数据对比的方式实现异物检测，对于线路出现的各种异物均能有效检出，不用通过前期采集大批量数据进行模型训练，比对未出现的异物检测能力较强，并可在线路实际运行过程中，不段优化，保证检测的准确与稳定。

35、2)采用多级预处理策略，极大的减少了检测时间；

36、本发明提出的基于对比的方式实现异物检测的流程使用了多级判断预处理，由于线路大部分路段都不存在异物干扰，所以只需通过流程的前几步简单的对比于匹配就可实现差异的消除，提升了检测整体的检测速度，适用于轨道上大规模的使用。