本发明属于轨道交通检测技术领域，具体涉及跨座式单轨轨道梁面指型板的缺陷检测技术。
背景技术：
跨座式单轨的轨道由多匹混凝土结构的梁通过指型板连接组成，指型板和梁面之间通过螺母固定。列车的长期高速行驶以及环境变化能够使轨道出现各种安全隐患。常见的安全隐患包括指型板螺母松动、指型板螺母脱落。轨道梁的健康状况关系着列车的平安运行，这些安全隐患可能造成不可估量的损失，所以对于轨道梁面的健康状况检测是必不可少的工作。
技术实现要素：
本发明的目的是提供基于深度学习的跨座式单轨轨道梁指型板缺陷检测方法及系统，可准确高效的检测到指型板螺母的缺失和松动，无需人工巡视，提高工作效率。
本发明的目的通过以下方案实现：
基于深度学习的跨座式单轨轨道梁指型板缺陷检测方法，所述方法包括以下步骤：
（1）图像采集：
利用图像采集设备采集梁面图像，并将图像数据储存到磁盘中；
（2）图像检测分析：
检测单元从磁盘中读取出梁面图像，使用深度学习检测算法构建学习网络分别对图像上螺母目标和螺母顶点进行训练,得到关于指型板螺母位置数据集的网络权重和关于螺母顶点信息的网络权重，检测时使用指型板螺母位置的网络模型进行检测得到螺母目标的位置信息，进而得到关于指型板螺母缺失的信息；之后把检测到的螺母送入螺母顶点网络模型，得到螺母的顶点信息，进而得到螺母转动信息。
本发明的图像采集方法可以采用以下两种方式：
方式一：利用安装在检测车上的线扫描相机、光电编码器和接近开关，所述光电编码器把检测车的行驶速度转化为高低电平传给线扫描相机；线扫描相机根据编码器的信号调整扫描频率，并将扫描到的线状像素堆叠成面阵，从而采集到梁面图像，并把图像数据储存到磁盘中；接近开关每经过一次指型板信号变化一次，使用此信号来分开采集到的连续两个梁面的图像数据；
方式二：使用面阵相机和光电开关完成采集和触发，检测时，光信号发射器和接收器安装在检测车的左右两侧，由于光束可以通过两匹梁之间的缝隙，轨道梁对光束形成遮挡，由接收器接受的光信号来触发面阵相机，在经过两批梁之间时光电开关接收器信号发生变化，面阵相机采集指型板图像，并把图像数据储存到磁盘中。
本发明进一步提出一种实现上述方法的自动检测跨座式单轨轨道梁指型板缺陷的系统，包括图像采集单元和检测单元。
所述图像采集单元采集梁面图像，并把图像数据储存到磁盘中；
所述检测单元从磁盘中读取出梁面图像，使用深度学习检测算法构建学习网络分别对图像上螺母目标和螺母顶点进行训练,得到关于指型板螺母位置数据集的网络权重和关于螺母顶点信息的网络权重，检测时使用指型板螺母位置的网络模型进行检测得到螺母目标的位置信息，进而得到关于指型板螺母缺失的信息；之后把检测到的螺母送入螺母顶点网络模型，得到螺母的顶点信息，进而得到螺母转动信息。
本发明使用面阵相机或线扫描相机、光电编码器、接近开关安装在检测车上获取轨道梁面图像，再经过深度学习算法得到指型板缺陷状况，当指型板螺母缺失或松动时，系统会自动给出指型板螺母缺失位置或松动幅度，具有效率高，准确度高的特点，同时解决人工巡检效率低、成本高等问题。
附图说明
图1是本发明的图像采集方式一原理框图；
图2是本发明的图像采集方式二原理框图；
图3是本发明的检测原理图；
图4是本发明的软件系统的流程框图；
图5a是本发明检测到螺母的位置；
图5b是本发明检测到螺母顶点的位置。
具体实施方式
以下将结合附图对本发明的优选实施例进行详细描述。优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
本方法硬件采集和软件检测共同完成。
参见图1，硬件系统组成：面阵相机或线扫描相机和光电编码器、接近开关。
图像采集方法一，参见图1：
检测时硬件系统固定在检测车上，跟随检测车行驶完整个要检测的道路，光电编码器把检测车的行驶速度转化为高低电平传给线扫描相机，线扫描相机根据编码器的信号（即车速）调整扫描频率,并将扫描到的线状像素堆叠成面阵，从而采集到梁面图像。接近开关每经过一次指型板信号变化一次，使用此信号来分开采集到的连续两个梁面的图像数据。把图像数据储存到磁盘中，使用软件系统进行检测。
本实施例中,线扫描相机根据编码器的信号调整扫描频率具体是,编码器和车轮转轴相连，车轮每转动一个很小的角度[即编码器分辨率]编码器输出一个矩形方波信号，当车轮转动速度变化时，编码器输出矩形波的频率随之改变.
本实施例中,面阵的获得方式是通过线扫描相机得到一个矩形脉冲采集一次像素，得到和相机分辨率大小相同个像素点，连续采集后将得到数据以相机分辨率为宽度进行转化得到宽度为相机分辨率高度为相机采集次数的图像。
图像采集方法二，参见图2：
检测时硬件系统固定在检测车上，跟随检测车行驶完整个要检测的道路，接近开关每经过一次指型板信号变化一次，使用此信号来驱动面阵相机采集一次指型板图像。把图像数据储存到磁盘中，使用软件系统进行检测。
软件系统：从磁盘中读取出梁面图像，使用深度学习检测算法进行检测，检测原理参见图3，流程参见图4，具体过程如下：
检测单元从磁盘中读取出梁面图像，使用深度学习检测算法进行检测，具体地包括两个训练阶段和两个检测阶段；
训练阶段1：使用标定好的指型板螺母数据集在fasterrcnn网络上进行微调，得到关于指型板螺母位置数据集的网络权重；
训练阶段2：使用指型板上的单个螺母图片制作六个顶点坐标数据集，使用卷积网络把螺母六个顶点坐标作为回归信息进行训练，得到关于螺母顶点信息的网络权重；
检测阶段1:检测时使用此网络进行检测得到螺母目标的位置信息，进而得到关于指型板螺母缺失的信息。
检测阶段2：使用螺母位置信息从原图中得到单个螺母图片，把此图片送入螺母顶点检测的网络中进行检测得到螺母六个顶点坐标信息，通过不同时间的前后两次测量的同一个螺母顶点信息得到此螺母的松动信息。
参见图5a,图中黑色框为检测到的螺母位置。参见图5b，白色点为检测到的螺母顶点，顶点上的数字为此点是螺母顶点的可能性。从图中的检测结果可看出，本方法可以精确检测到螺母的位置和螺母顶点的位置，再通过不同时间前后两次结果对比可以解决检测指型板缺陷的工程问题。
以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。