基于图像处理的道岔转辙机动静接点状态检测技术研究

发布时间：2021-11-21 13:04

　　在地铁线路道岔转辙机工作过程中,需要定期检测其动静接点的接触状态,及时发现和排除工作状态的异常。对道岔转辙机动静接点接触状态的现有检测方法是依靠人工肉眼识别。该方法存在测量偏差大、容易漏警、实时性不强等不足。提出一种基于图像处理和深度学习的道岔转辙机动静接点状态检测技术,在采集大量道岔转辙机动静接点图像的基础上,利用神经网络深度学习方法,对机器进行大量的训练,找出检测点的特征参数;再结合图像处理方法,得到所需的测量参数;同时结合智能手机应用程序,实现对道岔转辙机动静接点的实时检测。该方法可以实现对道岔转辙机动静接点状态的便捷、快速、准确检测,提升对动静接点状态判断的准确性,从而提高道岔转辙机的维护效率和维护质量,确保列车的安全运行。 

【文章来源】：城市轨道交通研究. 2020,23(S2)北大核心

【文章页数】：4 页

【部分图文】：

动静接点图

基于图像处理的道岔转辙机动静接点状态检测流程图

3）动静接点的目标检测定位：SSD（单发多盒探测器）目标算法模型是基于卷积神经网络设计搭建的。该模型具有快速预测，且能相对准确地获取目标位置的特点。数据准备阶段，拍摄大量道岔转辙机动静接点照片做标记。标记信息包括检测目标分类、图像坐标、真实外边框等。数据训练阶段，可在每个特征层上都预置不同尺寸的预测边框，使用目标偏移、分类别预测去匹配真实边框，通过反复训练来优化权值，以提高最终目标检测的稳定性。本文在现有算法的基础上，根据动静接点的安装位置及运动特点，预估了在图片中可能出现的位置，缩小检测范围，提升了训练效果。在进行了5万次训练后，成功提取到图3动接点圆柱顶端的圆形轮廓。采用同样的方法，对6组静接点簧片进行了检测定位。4）接触深度计算：如图4所示，首先提取检测到的动接点组顶端圆面的圆心像素坐标[6]，提取静接点柱簧片的末端像素坐标，计算出两坐标的像素距离S。检修标准中的要求是测量动接点和簧片的有效接触深度，实际像素接触深度略小于S，根据试验测量，计算出比例系数k，得到实际像素接触深度S实=k S。再依据像素尺度校准后计算出真实值，要求接触深度不小于4 mm。

【参考文献】：
期刊论文
[1]实现道岔转换动态监测功能探讨[J]. 李伟,阳彬.  科学技术创新. 2019(13)
[2]应用图像数据分析技术实现道岔转辙机运行状态远程监测[J]. 夏志梁.  城市轨道交通研究. 2018(11)
[3]基于快速贝叶斯网络的S700K转辙机故障诊断研究[J]. 肖蒙,翟琛,潘翠亮.  铁道科学与工程学报. 2015(02)



本文编号：3509560