铁路道岔间距检测方法、装置及系统

1.本技术涉及铁路轨道技术领域，尤其是涉及一种铁路道岔间距检测方法、装置及系统。


背景技术：

2.道岔是列车转入或越过另一股轨道的必要机械设备，是铁路运行的重要组成部分。然而列车在驶过道岔时，会对道岔产生很大的冲击力，造成道岔基本轨与尖轨的位置偏移，改变道岔基本轨与尖轨的内侧间距(即道岔间距)，降低了道岔的使用寿命和安全性，甚至可能引发交通事故，所以测量道岔间距是保障铁路安全的重要前提。
3.目前，对道岔间距的检测主要分为以下两种方式，一种方式是监测道岔及其转换设备在运行过程中的各种信号参数和环境参数，为道岔的维护和检修提供参考依据；这种方式主要是通过采集分析铁路设备电信号来判断其是否正常工作，而电信号在采集、传输过程中容易受通信带宽限制和其他线缆的干扰，数据的准确性和实时性会降低。另一种是利用采集的铁路轨道数据，通过相应的处理技术，提取需要的结构特征信息，计算铁路轨道相关参数并判断是否符合安全标准。这种方式受光照影响大，且普通轨道的数量远远大于道岔的数量，而道岔图像混杂在普通轨道图像中，导致道岔图像的筛选效率低。


技术实现要素：

4.本技术的目的在于提供一种铁路道岔间距检测方法、装置及系统，从而解决现有技术中道岔间距检测效率低的问题。
5.为了达到上述目的，本技术提供一种铁路道岔间距检测方法，包括：
6.获取铁路轨道的3d图像数据；
7.基于预先训练的道岔场景识别网络，识别所述3d图像数据中的道岔场景；
8.提取所述道岔场景的道岔钢轨的边缘像素点；
9.根据所述边缘像素点，检测道岔间距。
10.可选地，获取铁路轨道的3d图像数据之后，所述方法还包括：
11.对所述3d图像数据进行直方图均衡化处理。
12.可选地，所述道岔场景识别网络的训练过程包括：
13.基于卷积神经网络建立所述道岔场景识别网络；
14.将预设训练样本输入至所述道岔场景识别网络，输出预测概率；
15.将所述预测概率输入至预先设置的损失函数，计算所述道岔场景识别网络的损失值；
16.根据所述损失值，采用预先设置的优化算法，对所述道岔场景识别网络的参数进行优化。
17.可选地，所述3d图像数据包括强度图像数据；
18.基于预先训练的道岔场景识别网络，识别所述3d图像数据中的道岔场景，包括：
19.将所述强度图像数据输入至所述道岔场景识别网络；
20.提取所述强度图像数据中的特征信息；
21.根据所述特征信息，计算表征所述道岔场景的概率，以识别所述3d图像数据中的道岔场景。
22.可选地，所述3d图像数据包括深度图像数据；
23.提取所述道岔场景的道岔钢轨的边缘像素点，包括：
24.对所述深度图像数据进行轨面区域分割处理；
25.根据区域分割处理后的所述深度图像数据，获得道岔二值化图像；
26.利用边缘检测算子，检测所述道岔二值化图像的边缘像素点。
27.可选地，根据所述边缘像素点，检测道岔间距，包括：
28.基于霍夫变换特征检测算法和所述边缘像素点确定道岔钢轨的多条边缘直线段；
29.基于最小二乘法分别对多条所述边缘直线段进行拟合；
30.根据拟合后的边缘直线，检测所述道岔间距。
31.可选地，根据拟合后的边缘直线，检测所述道岔间距，包括：
32.根据拟合后的边缘直线与参数空间的原点之间的距离，选取用于计算道岔间距的第一边缘直线和第二边缘直线；
33.接收用户输入的位置参数；
34.根据所述位置参数、所述第一边缘直线和所述第二边缘直线，确定与用户输入的位置参数相对应的位置的道岔间距。
35.本技术实施例还提供一种铁路道岔间距检测装置，包括：
36.获取模块，用于获取铁路轨道的3d图像数据；
37.识别模块，用于基于预先训练的道岔场景识别网络，识别所述3d图像数据中的道岔场景；
38.提取模块，用于提取所述道岔场景的道岔钢轨的边缘像素点；
39.检测模块，用于根据所述边缘像素点，检测道岔间距。
40.可选地，所述装置还包括：
41.处理模块，用于对所述3d图像数据进行直方图均衡化处理。
42.可选地，所述装置还包括：
43.训练模块，用于训练所述道岔场景识别网络；其中，所述训练模块包括：
44.建立子模块，用于基于卷积神经网络建立所述道岔场景识别网络；
45.输出子模块，用于将预设训练样本输入至所述道岔场景识别网络，输出预测概率；
46.计算子模块，用于将所述预测概率输入至预先设置的损失函数，计算所述道岔场景识别网络的损失值；
47.优化子模块，用于根据所述损失值，采用预先设置的优化算法，对所述道岔场景识别网络的参数进行优化。
48.可选地，所述3d图像数据包括强度图像数据；
49.所述识别模块包括：
50.输入子模块，用于将所述强度图像数据输入至所述道岔场景识别网络；
51.提取子模块，用于提取所述强度图像数据中的特征信息；
52.识别子模块，用于根据所述特征信息，计算表征所述道岔场景的概率，以识别所述3d图像数据中的道岔场景。
53.可选地，所述3d图像数据包括深度图像数据；
54.所述提取模块包括：
55.处理子模块，用于对所述深度图像数据进行轨面区域分割处理；
56.获取子模块，用于根据区域分割处理后的所述深度图像数据，获得道岔二值化图像；
57.第一检测子模块，用于利用边缘检测算子，检测所述道岔二值化图像的边缘像素点。
58.可选地，所述检测模块包括：
59.确定子模块，用于基于霍夫变换特征检测算法和所述边缘像素点确定道岔钢轨的多条边缘直线段；
60.拟合子模块，用于基于最小二乘法分别对多条所述边缘直线段进行拟合；
61.第二检测子模块，用于根据拟合后的边缘直线，检测所述道岔间距。
62.可选地，所述第二检测子模块包括：
63.选取单元，用于根据拟合后的边缘直线与参数空间的原点之间的距离，选取用于计算道岔间距的第一边缘直线和第二边缘直线；
64.接收单元，用于接收用户输入的位置参数；
65.确定单元，用于根据所述位置参数、所述第一边缘直线和所述第二边缘直线，确定与用户输入的位置参数相对应的位置的道岔间距。
66.本技术实施例还提供一种铁路道岔间距检测系统，包括：处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上所述的铁路道岔间距检测方法的步骤。
67.本技术实施例还提供一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如上所述的铁路道岔间距检测方法的步骤。
68.本技术的上述技术方案至少具有如下有益效果：
69.本技术实施例的铁路道岔间距检测方法，首先，获取铁路轨道的3d图像数据；其次，基于预先训练的道岔场景识别网络，识别所述3d图像数据中的道岔场景；再次，提取所述道岔场景的道岔钢轨的边缘像素点；最后，根据所述边缘像素点，检测道岔间距。如此，通过利用道岔场景识别网络对3d图像数据进行识别，提高了道岔场景的识别速度和准确度，从而提升了道岔间距检测效率。
附图说明
70.图1为本技术实施例的铁路道岔间距检测方法的流程示意图；
71.图2为本技术实施例的道岔场景识别网络的结构示意图；
72.图3a为本技术实施例的直角坐标系中的直线示意图；
73.图3b为本技术实施例的参数空年检坐标系中的曲线示意图；
74.图4为本技术实施例的道岔场景识别网络训练的流程示意图；
75.图5为本技术实施例的训练迭代次数与损失值的关系图；
76.图6为本技术实施例的训练迭代次数与精准率的关系图；
77.图7为本技术实施例的训练结果的roc曲线和auc值；
78.图8为本技术实施例的铁路道岔间距检测装置的结构示意图。
具体实施方式
79.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
80.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
81.下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的铁路道岔间距检测方法进行详细地说明。
82.如图1所示，为本技术实施例的铁路道岔间距检测方法的流程示意图之一，该方法包括：
83.步骤101：获取铁路轨道的3d图像数据；
84.这里，需要说明的是，本步骤中的3d图像数据可以是由ranger3 3d相机采集的数据，该相机能捕获整个场景的深度信息和强度信息，包含钢轨、扣件和枕木三个部分。其中，深度信息包含更多的轨道位置信息，可以用于钢轨轨面分割和边缘提取。强度信息包含更多的语义信息，可以用于神经网络分类识别道岔场景。
85.步骤102：基于预先训练的道岔场景识别网络，识别所述3d图像数据中的道岔场景；
86.这里，需要说明的是，预先训练的道岔场景识别网络为满足预设条件的道场场景识别网络，其中，该预设条件可以为道岔场景识别网络的识别误差、识别速度等。
87.本步骤，道岔场景识别网络是基于alexnet网络的道岔场景识别网络；通过将深度学习运用到铁路道岔的识别上，将预处理的铁路数据输入给神经网络进行识别预测，有效的利用了大量铁路数据，弥补了机器视觉对于处理大量数据不灵活的缺点，实现了普通轨道和道岔的准确分类识别。
88.步骤103：提取道岔场景的道岔钢轨的边缘像素点；
89.由于道岔间距为两条钢轨之间的距离，因此，本步骤中需要首先获取能够表征道岔钢轨的边缘的像素点。
90.步骤104：根据边缘像素点，检测道岔间距。
91.这里，需要说明的是，将铁路数据处理，识别分类和特征检测三个处理模块一体化，集成为一个整体。输入铁路数据，输出检测结果，操作简单，提高了道岔检测的效率。
92.本技术实施例的铁路道岔间距检测方法，首先，获取铁路轨道的3d图像数据；其次，基于预先训练的道岔场景识别网络，识别3d图像数据中的道岔场景；再次，提取道岔场
景的道岔钢轨的边缘像素点；最后，根据边缘像素点，检测道岔间距。如此，通过利用道岔场景识别网络对3d图像数据进行识别，提高了道岔场景的识别速度和准确度，从而提升了道岔间距检测效率。
93.这里，需要说明的是，轨道轨面与扣件、枕木之间存在分界。采集的3d图像数据中轨面表面灰度较高，轨道的各结构特征信息明显。但是，由于铁路轨道是室外设备，数据的采集受环境因素的影响较大，通常会存在各种随机信号的干扰，导致采集的3d图像数据中不同结构之间的分界面不易区分，图像局部之间的对比度还有待提高。因此，作为一种可选的实现方式，步骤101，获取铁路轨道的3d图像数据之后，该方法还包括：
94.对3d图像数据进行直方图均衡化处理。
95.这里，需要说明的是，直方图均衡化又称直方图平坦化，属于图像增强算法中基于空间域法的点运算算法，其原理是重新调整图像灰度级的分布，对频数高的灰度级进行展宽，对频数低的灰度级进行合并，即将集中在低灰度区域或高灰度区域的像素灰度级变成在全部灰度范围内的均匀分布，使图像各个灰度级的数量大致相同，从而增大图像对比度，使图像视觉效果变得更清晰。直方图均衡化的函数如下公式所示：
[0096][0097]
其中，n是图像中像素总数，ni是第i个灰度级的像素数，l是图像灰度级总数。经过变化后灰度值为g(x,y)，公式如下所示：
[0098]
g(x,y)＝p*s(k)
[0099]
其中p为图像灰度级深度，一般为255。
[0100]
这里，需要说明的是，针对整体对比度接近而局部特征信息之间区分度不明显的图像，可以使用直方图均衡化，在不影响图像整体的情况下改善图像的视觉效果。
[0101]
本可选实现方式中，通过对3d图像数据运用灰度变换、中值滤波和直方图均衡化，对3d图像数据进行了特征增强，减弱了干扰信号对图像质量的影响，增加铁路各特征之间的区分度，提高计算机特征提取，场景识别和检测的准确率。
[0102]
这里，首先需要说明的是，深度学习能有效利用大量数据，模仿人类大脑的学习过程，通过多层结构逐次提取数据的结构特征，进而分析这些数据。基于此，为了解决筛选道岔数据效率低的问题，本技术实施例提出了使用基于alexnet网络的道岔场景识别网络，从大量铁路数据中学习道岔结构特征，完成道岔数据的快速识别。
[0103]
因此，作为一个可选的实现方式，道岔场景识别网络的训练过程包括：
[0104]
(a)基于卷积神经网络建立道岔场景识别网络；
[0105]
这里，需要说明的是，如图2所示，道岔场景识别网络包含8层网络层，前5层(图2中从左侧开始的五个方框结构)为卷积层，后3层为全连接层，最后一层全连接层输出一个二维向量，表示分类评分结果(预测概率)。
[0106]
其中，卷积层一般由卷积操作、激活操作和池化操作构成。具体的：
[0107]
卷积操作通过卷积核将神经元与输入数据的部分区域相连，提取输入数据的特征，如此，解决了以往神经网络参数数量巨大，计算量巨大的问题。这里，需要说明的是，在本技术实施例中，不同的卷积核提取不同的特征，低层次的卷积层提取一些如角和线条等低级的特征，而高层次的卷积层提取一些更复杂的特征。
[0108]
激活操作能够增加模型的非线性能力，提高表达能力和泛化能力，在实际运用中紧跟卷积操作之后。
[0109]
池化操作，即下采样，目的是减小神经网络中数据的空间尺寸，减少参数数量，节省计算资源，加快计算速度，同时也能有效避免神经网络陷入过拟合。池化操作对每个深度切片的相互独立，一般有两种池化操作方法：最大池化和均值池化。
[0110]
卷积、激活和池化操作将原始数据映射到低维度的特征空间，经过多次操作后输出数据是抽象的高级特征，而全连接层能够对这些特征进行整合，将学到的分布式特征表示映射到样本标记空间，对各种分类标记情况输出一个概率，为后面的分类器分类提供决策依据。
[0111]
(b)将预设训练样本输入至所述道岔场景识别网络，输出预测概率；
[0112]
本步骤中，预设训练样本为预先已分类的多个3d图像数据，其中，“已分类”可以为预先根据3d图像数据为道岔场景的图像数据或普通铁路的图像数据对多个3d图像数据进行分类后的图像数据，也就是说，输入至道道岔场景识别网络中的训练样本中携带有表征其类型的参数；预测概率为表示是否为道岔的概率。
[0113]
这里，需要说明的是，如图2所示，在使用道岔场景识别网络进行道岔识别时，将铁路强度图像调整为227
×
227
×
3大小，作为输入数据，利用第一层卷积和池化操作将其扩展为27
×
27
×
96，每次卷积之后使用relu激活函数。再经过4个这样的卷积层(如图2所示，3层和4层只有卷积，没有池化)，得到6
×6×
256的数据，随后使用两个全连接层将数据展开，输出数据的尺度为4096
×
1。最后经过输出层，即两个滤波器的全连接层，输出2
×
1的预测结果，输出的预测结果中，每一行的值表示该分类的评估分数(道岔场景的评分估计(概率)和普通铁路场景的评分估计(概率))，分数高的这一类即为输入数据的分类结果。将3d图像数据输入至道岔场景识别网络，输出每个数据的标签，即是否是道岔。
[0114]
(c)将预测概率输入至预先设置的损失函数，计算道岔场景识别网络的损失值；
[0115]
这里，需要说明的是，道岔识别问题属于二分类问题，在神经网络中，一般采用交叉熵作为损失函数。交叉熵能量化模型预测的分布与真实样本分布之间的差距，指导神经网络的优化方向，表示网络区分样本的能力。在本技术实施例中收集的大量铁路数据(3d数据图像)中，普通轨道的数据占绝大部分，道岔轨道数据仅占一小部分，为了解决正负样本数量不均衡的问题，本技术实施例使用focal loss(以下简称fl)作为损失函数。
[0116]
fl建立在交叉熵的基础上，增加权重因子控制正负样本对总的损失的贡献。二分类的交叉熵损失函数如下：
[0117][0118]
其中，表示模型的预测概率，表示标签值。则fl损失函数如下：
[0119][0120]
α为正负样本的权重因子，由正负样本的比例计算得到，控制正样本和负样本对损失的贡献，即削弱多数样本的损失，增加少量样本的损失。γ为学习难易样本的权重因子，即增强对难样本的学习，减弱简单样本的学习，本技术实施例中，γ设置为2。
[0121]
(d)根据所述损失值，采用预先设置的优化算法，对道岔场景识别网络的参数进行
优化。
[0122]
本步骤中，选用adam优化算法对道岔场景识别网络进行优化。
[0123]
这里，需要说明的是，神经网络在向最优模型优化的过程中经常会产生两个问题：局部最小值和鞍点。他们都会造成梯度弥散而使神经网络无法继续向最优解优化。为了解决这两个问题，adam优化算法结合adagrad算法和rm-sprop算法，通过训练次数自动调整每个参数的学习率，同时使用动量为参数更新方向的前进趋势提供依据，减少了神经网络陷入局部最优解的情况。
[0124]
adam优化算法的原理是通过使用梯度的带权均值和带权有偏方差计算历史梯度衰减。公式如下：
[0125][0126]mt
＝β1m
t-1
+(1-β1)g
t
[0127]vt
＝β2v
t-1
+(1-β2)g
t2
[0128]
其中，g
t
指t时刻的θ参数的梯度，m
t
指梯度的带权均值，v
t
指带权有偏方差，m
t
和v
t
的初始值为0。β1和β2是设定的衰减因子系数，为常值。由于在计算过程中，m
t
和v
t
有向0接近的趋势，所以将m
t
和v
t
的公式进行修正，如下所示：
[0129][0130]
所以adam优化算法的参数更新方式为：
[0131][0132]
其中，η是学习率，ε为防止分母为0设置的偏置参数。
[0133]
作为一个可选的实现方式，3d图像数据包括强度图像数据；
[0134]
步骤102，基于预先训练的道岔场景识别网络，识别3d图像数据中的道岔场景，包括：
[0135]
将强度图像数据输入至道岔场景识别网络；
[0136]
本步骤中，强度图像数据包含较多的语义信息，通过将强度图像数据输入至道岔场景识别网络，能够实现根据这些语义信息进行道岔场景的识别。
[0137]
提取强度图像数据中的特征信息；
[0138]
本步骤中，这些特征信息包括如角度、线条等低级的特征，以及，其他更复杂的特征。具体的，可以由道岔场景识别网络中的多个卷积层提取这些特征信息，多个卷积层最终输出抽象的高级特征。
[0139]
根据特征信息，计算表征所述道岔场景的概率，以识别3d图像数据中的道岔场景。
[0140]
本步骤中，首先，由道岔场景识别网络中的全连接层对这些特征进行整合，将学到的分布式特征表示映射到样本标记空间，对各种分类标记情况输出一个概率；然后，根据输出的概率以确定该3d图像数据是否为道岔场景。具体的，当输出的概率大于预设概率的情况下，则确定该3d图像数据为道岔场景。
[0141]
这里，需要说明的是，铁路场景只包括道岔场景和普通轨道场景。
[0142]
作为一种可选的实现方式，3d图像数据包括深度图像数据；
[0143]
这里，需要说明的是，深度图像数据包含轨道位置信息，可以用于钢轨轨面分割和
边缘提取等。
[0144]
步骤103：提取3d图像数据中的道岔钢轨的边缘像素点，包括：
[0145]
对深度图像数据进行轨面区域分割处理；
[0146]
本步骤中，铁路轨道数据的采集特点可知，采集3d图像数据的相机与钢轨的相对距离大致不变，因此钢轨轨面的深度在一个固定的范围内，本技术实施例中设定相应的深度阈值，对道岔的深度数据进行轨面区域分割，以构建点云图；
[0147]
根据区域分割处理后的所述深度图像数据，获得道岔二值化图像；
[0148]
本步骤具体可以为：将区域分割处理后的所述深度图像数据投影到二维平面上，再使用二值化操作得到道岔二值化图像
[0149]
这里，需要说明的是，轨面绝大部分的点云数据是连续且均匀分布的，但是由于线阵工业相机(采集3d图像数据的相机)的安装位置和采集时的扰动等因素，轨道的边缘数据出现不连续和噪点，在道岔二值化图像中可以明显看出这种现象，因此，本技术实施例提出在获得道岔二值化图像之后，使用中值滤波进行平滑处理，以改善边缘的连续性，从而便于进行后续边缘检测。
[0150]
利用边缘检测算子，检测道岔二值化图像的边缘像素点。
[0151]
这里，需要说明的是，边缘检测算法可以为canny检测算子。
[0152]
本步骤中，可以通过设置一定条件，如像素跃变，检测图像中所有边缘像素点，并合并为一个集合，用于区分图像中不同的物体。canny算子是在边缘检测中最为常用的一种检测算子，它使用非最大值抑制算法和双阈值算法，提高了检测边缘的准确性，降低边缘的漏检率。
[0153]
具体的，canny检测算子检测过程主要分四步进行：
[0154]
(1)高斯滤波，去除噪声，提高图像检测结果的准确性。
[0155]
(2)通过不同方向的梯度算子，计算图像灰度梯度的幅值和方向。
[0156]
(3)对梯度采用非极大值抑制，确定边缘的准确位置，排除非边缘信息，将局部梯度最大的点保留。
[0157]
(4)使用双阈值法确定边缘，得到高精度高连续性的边缘像素点。
[0158]
通过canny算子的处理，使得钢轨边缘点呈直线分布，这与实际情况是相符合的。
[0159]
作为一种可选的实现方式，步骤104，根据边缘像素点，检测道岔间距，包括：
[0160]
步骤一：基于霍夫变换特征检测算法和所述边缘像素点确定道岔钢轨的多条边缘直线段；
[0161]
霍夫变换是通过将直角坐标系空间中的曲线转换为参数空间中的一个点，将检测目标形状的问题转化为统计参数空间中聚集点的峰值问题。本技术实施例通过使用霍夫变换处理经过canny算子检测的边缘图像，提取道岔钢轨的边缘直线段。
[0162]
霍夫变换的基本原理是将直角坐标系空间里的直线y＝kx+b的参数和变量互相交换，也就是将k,b作为变量，x,y作为已知量，所以在直角坐标系空间的直线y＝kx+b转换到参数空间时表示一个点(k,b)。同理，在直角坐标系下的一个点在参数空间表示一条曲线，其原理如图3a和图3b。
[0163]
将直角坐标系下的道岔边缘点转换为参数空间下的曲线，其中属于同一条直线的边缘点在参数空间中曲线必然相交于同一点。因此将寻找道岔钢轨边缘直线的任务转化为
寻找在参数空间中最多曲线相交的交点。
[0164]
步骤二：基于最小二乘法分别对多条所述边缘直线段进行拟合；
[0165]
这里，需要说明的是，对铁路道岔检测的主要目的是测量道岔间距是否符合铁路安全规范的标准。由上述分析可知，道岔边缘是直线，而直线的解析式是计算道岔间距的基础。其中，经过canny算子和霍夫变换得到的边缘直线为直线段，其完整性与本技术实施例需要的道岔边缘直线还有一定的差距。所以在此基础上，本技术实施例使用最小二乘法拟合直线段得到完整的道岔边缘直线。
[0166]
假设原始数据点的分布汇集在一条直线附近，令这条直线的表达式如下：
[0167]
yj＝a0+a1x
[0168]
其中，a0和a1是任意实数。
[0169]
最小二乘的基本原理是将实测值yi与计算值yj的差的平方和作为评判直线的标准，的表达式如下：
[0170][0171]
当取到最小值时，得到的直线是考虑已知数据点到该直线的距离平方和最小的直线，是算法寻找的最佳匹配函数。
[0172]
本步骤具体是通过将经过canny算子和霍夫变换得到的直线段数据作为输入，使用最小二乘法计算直线解析式。
[0173]
步骤三：根据拟合后的边缘直线，检测道岔间距。
[0174]
作为一个可选的实现方式，根据拟合后的边缘直线，检测道岔间距，包括：
[0175]
根据拟合后的边缘直线与参数空间的原点之间的距离，选取用于计算道岔间距的第一边缘直线和第二边缘直线；
[0176]
这里，需要说明的是，基于最小二乘法分别对多条所述边缘直线进行拟合的结果包括四条边缘直线，而检测道岔的间距只需要道岔中间的两条边缘直线。本技术实施例利用四条直线在参数空间与原点的距离不同将这四条直线按距离从小到大进行排序，可以简单得出道岔中间的边缘直线在四条直线中与原点的距离排在第二，第三位。因此，对于直线拟合结果，只需要保留中间两条直线。也就是说，本步骤为，首先，计算拟合结果中的各条拟合直线与参数空间的原点之间的距离，其次，根据各个拟合直线与原点之间的距离选取用于计算道岔间距的第一边缘直线和第二边缘直线，其中，第一边缘直线和第二边缘直线为四条边缘直线中距离最近和距离最远的边缘直线以外的直线。
[0177]
接收用户输入的位置参数；
[0178]
本步骤中，该位置参数为用户当前需要检测的道岔间距的位置。本技术实施例根据用户选择的不同位置而测量当前位置的道岔间距，增加了道岔间距检测的灵活性，方便了不同的检测需求。
[0179]
根据位置参数、第一边缘直线和第二边缘直线，确定与用户输入的位置参数相对应的位置的道岔间距。
[0180]
本步骤具体可以为：获取人工选择的位置信息，返回坐标数据。将纵坐标值代入基本轨(接近水平或垂直)的直线解析式获得拟合直线上的横坐标，以这一点做该直线的垂线，交于另一条拟合直线(尖轨)上一点，这两点的距离就是我们所需要的当前选择位置的道岔间距信息。
[0181]
这里，需要说明的是，直接通过图像数据计算得到的道岔间距的单位是像素数，而实际道岔安全检测需要的数据是长度，单位是mm。为了满足检测需求，需要将测量数据像素数转换为实际长度。
[0182]
本技术实施例通过使用测量比将像素数转换为实际长度。测量比是指在机器视觉中标定物体的实际尺寸与其在图像中的像素尺寸的比值，标定物体与被测物体到摄像机的距离要求一致。
[0183]
这里，需要说明的是，同一条铁路的轨面宽度是一个确定值，同时轨面所在平面与道岔边缘直线所构成的平面是同一个平面，轨面与道岔边缘到摄像机的距离相同，符合测量比中标定物体的要求。因此本技术实施例将钢轨轨面作为该实验的标定物体，计算测量比，利用该测量比计算道岔间距的实际距离。此外，相机安装位置等外界因素对铁路图像中轨面和道岔边缘的影响程度是相同的，因此使用其他采集设备或从其他角度获取铁路数据，计算的道岔间距结果都是相同的，该方法对输入数据的鲁棒性强。
[0184]
本技术实施例的铁路道岔间距检测方法，首先，获取铁路轨道的3d图像数据；其次，基于预先训练的道岔场景识别网络，识别3d图像数据中的道岔场景，如此，提高了道岔场景的识别效率和准确率；再次，基于canny算子的边缘检测方法提取道岔场景的道岔钢轨的边缘像素点；然后，根据边缘像素点，基于霍夫变换提取边缘直线段并利用最小二乘法对边缘直线进行拟合，以获得拟合后的直线，最后根据拟合后的直线和用户选择的位置参数检测道岔间距，如此，增加了间距检测的灵活性且便于满足用户的不同需求。
[0185]
下面，对采用本技术实施例的铁路道岔间距检测方法进行间距检测的结果的验证过程进行说明。
[0186]
首先，对验证系统进行说明：
[0187]
本技术实施例设计的道岔场景识别及间距检测系统在个人计算机上完成，操作系统为windows10，采用matlab和python作为编程语言，使用matlab和pycharm作为开发工具，同时使用matlab图像处理工具箱，pytorch机器学习库和visdom可视化工具作为辅助工具，辅助检测系统的开发。整个实验的开发环境如表1所示。
[0188]
表1：道岔场景的识别和边缘检测系统开发环境
[0189][0190]
本技术实施例所使用的铁路数据来自中国铁路科学研究院(以下简称铁科院)，铁科院以专业的检测车为搭载平台，使用高铁基础设施综合巡检系统获取铁路信息，同时根据检测车与铁路轨道基础设施之间的空间分布关系，将图像采集系统的前段成像组件分散布置，对线路基础设施实现覆盖采集。图像采集系统主要设备包含线阵工业相机、辅助光源、电源模块、plc控制器等各类硬件设备。
[0191]
其次，对验证过程进行说明：
[0192]
本技术实施例提出的基于深度学习的道岔检测流程主要包括特征增强、分类识别
和道岔间距计算三个部分，每个部分包含若干个处理流程。利用ranger33d相机采集铁路样本，其中包含深度信息和强度信息。利用强度信息进行滤波去噪和直方图均衡化增强铁路图像中各结构之间的特征。
[0193]
为了从大量铁路样本中快速识别出道岔数据，本技术实施例基于alexnet网络提出道岔分类识别网络，给铁路样本预测类别标签。本技术实施例采集的铁路样本中，基本轨493张，道岔307张，总计800张。并对他们进行放缩、旋转、中心裁剪、正则化等数据增强操作，增加样本数量，然后按照60％，20％，20％的比例将数据集划分为训练样本，验证样本和测试样本输入网络，训练流程如图4所示。batch_size设为32，epochs为60，初始学习率为2
×
10-4
。测试阶段，将一张铁路图像输入道岔场景识别网络。最后根据标签分离出道岔场景图像，并从图像中获取钢轨数据，进行钢轨边缘直线提取和间距计算。
[0194]
图5为训练迭代次数与损失值的关系曲线，图6为训练迭代次数与精确率的关系曲线。根据训练结果可知，随着训练迭代(epoch)次数的增加，损失值(loss)不断减小，准确率不断上升，在epoch为54左右时，loss达到最小，为0.0073，且与准确率都保持稳定，说明模型已经训练完成。
[0195]
如表2所示，道岔识别网络的精确率、召回率、f1分数和准确率都在0.91以上，其中准确率达到了93％。从图7的roc曲线和auc值可以看出，roc曲线主要集中在区域的左上角，auc等于0.98，大于0.5且接近于1，表明该模型的分类性能很好，预测结果准确。
[0196]
表2
[0197][0198]
针对道岔检测精度，本技术实施例在道岔转辙部分三个特征区域采集图像，对比人工检测与本技术实施例的检测的测量结果，验证精度。经过实验验证，本技术实施例的方法在图像中不同位置均能计算道岔间距，并且重复测量精度也满足实验要求。本文选取三个标记点，分别在现场人工测量和使用道岔间距检测系统测量，结果比较如表3所示。
[0199]
表3
[0200][0201]
从结果对比可以看出，人工测量与使用本技术实施例的方法的测量误差不超过0.2mm，符合铁路安全标准中道岔检测规定的范围，证明了该方法能满足道岔检测的需求。
[0202]
如图8所示，本技术实施例还提供一种铁路道岔间距检测装置，包括：
[0203]
获取模块801，用于获取铁路轨道的3d图像数据；
[0204]
识别模块802，用于基于预先训练的道岔场景识别网络，识别3d图像数据中的道岔场景；
[0205]
提取模块803，用于提取道岔场景的道岔钢轨的边缘像素点；
[0206]
检测模块804，用于根据边缘像素点，检测道岔间距。
[0207]
可选地，该装置还包括：
[0208]
处理模块，用于对3d图像数据进行直方图均衡化处理。
[0209]
可选地，该装置还包括：
[0210]
训练模块，用于训练道岔场景识别网络；其中，训练模块包括：
[0211]
建立子模块，用于基于卷积神经网络建立道岔场景识别网络；
[0212]
输出子模块，用于将预设训练样本输入至道岔场景识别网络，输出预测概率；
[0213]
计算子模块，用于将预测概率输入至预先设置的损失函数，计算道岔场景识别网络的损失值；
[0214]
优化子模块，用于根据损失值，采用预先设置的优化算法，对道岔场景识别网络的参数进行优化。
[0215]
可选地，3d图像数据包括强度图像数据；
[0216]
识别模块802包括：
[0217]
输入子模块，用于将所述强度图像数据输入至所述道岔场景识别网络；
[0218]
提取子模块，用于提取所述强度图像数据中的特征信息；
[0219]
识别子模块，用于根据所述特征信息，计算表征所述道岔场景的概率，以识别所述3d图像数据中的道岔场景。
[0220]
可选地，3d图像数据包括深度图像数据；
[0221]
提取模块803包括：
[0222]
处理子模块，用于对深度图像数据进行轨面区域分割处理；
[0223]
获取子模块，用于根据区域分割处理后的所述深度图像数据，获得道岔二值化图像；
[0224]
第一检测子模块，用于利用边缘检测算子，检测道岔二值化图像的边缘像素点。
[0225]
可选地，检测模块804包括：
[0226]
确定子模块，用于基于霍夫变换特征检测算法和边缘像素点确定道岔钢轨的多条边缘直线段；
[0227]
拟合子模块，用于基于最小二乘法分别对多条所述边缘直线段进行拟合；
[0228]
第二检测子模块，用于根据拟合后的边缘直线，检测所述道岔间距。
[0229]
可选地，第二检测子模块包括：
[0230]
选取单元，用于根据拟合后的边缘直线与参数空间的原点之间的距离，选取用于计算道岔间距的第一边缘直线和第二边缘直线；
[0231]
接收单元，用于接收用户输入的位置参数；
[0232]
确定单元，用于根据位置参数、第一边缘直线和第二边缘直线，确定与用户输入的位置参数相对应的位置的道岔间距。
[0233]
需要说明的是，本技术实施例提供的铁路道岔间距检测方法，执行主体可以为铁路道岔间距检测装置，或者该铁路道岔间距检测装置中的用于执行加载方法的控制模块。本技术实施例中以铁路道岔间距检测装置执行加载铁路道岔间距检测方法为例，说明本技术实施例提供的铁路道岔间距检测方法。
[0234]
本技术实施例提供的铁路道岔间距检测装置能够实现图1至图7的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0235]
本技术实施例还提供一种铁路道岔间距检测系统，包括：处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上所
述的铁路道岔间距检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0236]
本技术实施例还提供一种可读存储介质，可读存储介质上存储有程序，该程序被处理器执行时实现铁路道岔间距检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，该可读存储介质，如只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等。
[0237]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0238]
以上所述是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。