本技术涉及铁路工程检测，尤其涉及一种基于计算机视觉技术的轨道线路感应板车载动态检测方法。
背景技术：
1、目前，我国城市轨道交通中采用直线电机感应板制式的线路已有多条，在运营过程中，感应板异常的及时发现与维护对于行车安全起着至关重要的作用。目前这些线路的感应板表面状态、几何参数等均依靠人工巡视和手工测量，不但效率低下且占用了大量的人力资源和天窗点。因此，具有感应板检测功能的装置也被不断开发出来，其中，cn111123282a及cn101513883a发明申请利用2个点激光测距传感器或超声波测距传感器测量感应板高度值；而cn215706365u实用新型专利则提出了一种基于3d图像识别的感应板异物检测装置。然而，这些装置均是搭载在手推小车上，只能测量感应板高度情况，在检测过程中未考虑消除小车行驶过程中的振动带来的误差，存在检测精度和效率不高的技术问题。
2、在现有技术中，主要有以下文献与本技术相关：
3、文献1为北京交通大学于2018年03月12日申请，并于2021年11月02日公开，公开号为cn108573213a的中国发明申请。该申请公开了一种轨道扣件缺损状态自动检测系统及方法，系统包括：第一定位模块；第二定位模块；分割模块；处理模块；检测模块；在本方面提供的系统及方法中，能够实现对扣件不同状态下的自动定位判定，解决了传统人工方法难以保证的漏检以及检测结果的客观准确性，同时为扣件异常状态自动化检测设备的设计提供了新方法和新思路。该申请可以准确有效地识别出轨道线路中存在的异常缺损扣件，显著提高了检测效率，为满足轨道交通线路安全高效地在线检测提供了良好的基础。系统能实现在线检测，检测速度高，在充足光源下能适应不同时间段的检测需求，系统可靠性强，准确率高。
4、文献2为苏州立创致恒电子科技有限公司于2022年08月08日申请，并于2022年09月16日公开，公开号为cn115063416a的中国发明申请。该申请公开了一种铁轨扣件状态检测方法及系统，铁轨扣件状态检测方法包括获取待识别铁轨扣件图像，并输入至第一铁轨环境分割模型及第二铁轨环境分割模型，得到螺母、铁轨及扣件的中心点坐标信息以及轮廓点坐标信息；根据扣件的中心点及轮廓点坐标信息得到待识别铁轨扣件局部图像，输入至扣件状态检测模型，得到初始预测状态；根据螺母、铁轨及扣件的中心点及轮廓点坐标信息，得到状态辅助判断信息，进一步得到待识别铁轨扣件图像的状态类别。该申请提供的检测方法通过螺母、铁轨以及扣件的中心点及轮廓点坐标信息得到扣件的位置以及形态，得到状态辅助判断信息，结合扣件的初始预测状态，实现铁轨扣件状态的高精度检测。
5、文献3为西南交通大学于2019年03月14日申请，并于2019年06月28日公开，公开号为cn109948690a的中国发明申请。该申请公开了一种基于深度学习和结构信息的高铁场景感知方法，包括以下：步骤1：获取轨道图像，分为训练集和测试集，对训练集中的图像进行标注形成数据集；步骤2：构建ssd网络模型，并构造损失函数；步骤3：采用步骤1形成的数据集，对步骤2得到的网络进行迭代训练得到训练模型；步骤4：对需要检测感知的视频按帧输入到步骤3得到的训练模型中，提取特征，得到扣件和挡肩的位置和类别信息，根据扣件和挡肩的位置和类别信息区分道岔和普通轨道；步骤5：分别对步骤4中定位结果的位置信息进行聚类，完成钢轨和轨枕的感知。该申请可对道岔区域的轨道部件进行检测和语义分割，检测精度高，检测速度快。
6、由于感应板的病害种类较多，上述文献1～3均未涉及检测感应板表观状态、位移、错牙及螺栓缺失松脱等异常情况，无法实现感应板状态的系统性检测覆盖，也缺乏相应完整的智能检测算法。
技术实现思路
1、有鉴于此，本技术的目的在于提供一种轨道线路感应板车载动态检测方法，以解决现有检测方法检测效率不高，检测精度不足，检测内容不全面的技术问题。
2、为了实现上述发明目的，本技术具体提供了一种轨道线路感应板车载动态检测方法的技术实现方案，包括以下步骤：
3、s1）2d图像采集模块采集感应板、支架及螺栓区域的图像数据i，得到原始感应板图像；
4、s2）3d点云采集模块采集感应板、左右钢轨区域的三维点云数据p（x，y，z，i），x为x轴坐标，y为y轴坐标，z为z轴坐标，i为点云的反射强度；
5、s3）采集编码器脉冲信号以及部署在线路上的射频标签信号，实现与线路里程同步，同时控制所述2d图像采集模块及3d点云采集模块等间隔采集数据；
6、s4）感应板表观缺陷检测：对采集的感应板图像数据进行智能检测分析，获取包括感应板裂纹、支架裂纹、螺栓缺失、螺栓松脱在内的缺陷信息；
7、感应板几何参数检测：对采集的感应板点云数据进行处理，获取每块感应板的区域、高度、纵向位移及错牙信息。
8、进一步的，所述3d点云采集模块包括三组相机组件，其特征在于，所述步骤s2）包括：
9、s21）首先获取点云数据后进行滤波预处理，搜索相邻相机组件在同一里程下的两帧点云之间属于同一目标的点云；
10、s22）再通过点云特征配准计算出两帧点云之间的旋转矩阵r及平移矩阵t。
11、进一步的，所述步骤s22）中的点云特征配准包括以下过程：
12、s221）对pa及pb两个点云数据进行初步的粗配准，得到一个初始的旋转矩阵r’及平移矩阵t’，对pb进行相应的变换得到pb’=pb*r’+t’；
13、其中，pa为左侧相机组件的点云数据，pb为与左侧相机组件相邻相机组件的点云数据；
14、s222）对点云pa进行采样，得到一组采样点；
15、s223）在点云pb1中寻找与采样点最近的点，得到一组匹配点；
16、s224）根据匹配点计算更新的旋转矩阵r’及平移矩阵t’，对pb’进行相应的变换得到pb’=pb*r’+t’；
17、s225）重复执行步骤s222）～s224），采用均方差损失作为目标函数计算配准误差，当配准误差小于设定阈值t或迭代次数等于最大迭代次数时配准结束，保存得到的旋转矩阵r及平移矩阵t，以此实现点云特征配准。
18、进一步的，轨道检测列车的车轮中安装有光电编码器，轨道检测列车的车底下方安装有射频标签阅读器，所述步骤s3）包括以下过程：
19、s31）在轨道检测列车行驶过程中，处理板采集光电编码器发出的等间隔脉冲波形，并将脉冲波形进行倍频、分频后作为2d图像采集模块及3d点云采集模块采样触发的输入源，并依此计算出初步里程；
20、s32）以设定的采样频率扫描射频标签信号，若感应到射频标签信号，则在标签id与实际里程对照表中查询该标签代表的真实里程信息，再将此真实里程信息映射至各个脉冲信号上，实现与线路里程的同步。
21、进一步的，在所述步骤s3）中按照以下公式对所处的线路里程进行校正：
22、设相邻两个射频标签的真实里程分别为m1、mn，对应的触发脉冲计数为n1、nn，则在n1和nn之间的真实里程mi=m1+(ni-n1)*(mn-m1)/(nn-n1)，i=1，2，3……n。
23、进一步的，所述步骤s4）中的智能检测分析结合目标检测网络及分类网络进行判断；所述缺陷信息包括缺陷类别、所处里程、在图像中的矩形框坐标（x，y，w，h）、以及实际物理尺寸、缺陷严重等级。
24、进一步的，所述步骤s4）的感应板表观缺陷检测包括以下过程：
25、s41）对采集的感应板图像数据进行智能检测分析，获取包括感应板裂纹、支架裂纹、螺栓缺失、螺栓松脱在内的缺陷信息；
26、s42）首先通过目标检测网络模型检测感应板裂纹、支架裂纹、螺栓缺失及正常螺栓，再将正常螺栓子图像送入分类网络模型中判断是否松脱。
27、进一步的，所述目标检测网络模型将原始感应板图像进行目标检测框标注，分为训练集和验证集。目标检测框标注的标签类别包括感应板裂纹、支架裂纹、螺栓缺失及正常螺栓，分别采用0、1、2、3表示类别id，整个数据集划分80%样本作为训练集，20%样本作为验证集。
28、进一步的，在所述步骤s42）中，基于yolov10构建目标检测网络模型，特征提取部分采用cspdarknet作为骨干网络，采用路径聚合网络作为颈部网络，采用大卷积核及分区注意力增强模型的上下文学习能力，通过空间-通道解耦下采样和基于秩引导的模块提供模型整体效率。
29、进一步的，所述目标检测网络模型的输入尺寸为1280，目标检测网络模型的输出检测框包括目标类别、目标框及置信度。加载训练集送入目标检测网络模型进行迭代训练，设定最大迭代次数epoch=400，训练10个epoch之后关闭maosic增强操作，而只保留包括水平翻转、垂直翻转及色度变换在内的常规图像增强操作，每完成1个epoch迭代进行一次验证集的测试，并记录验证集的平均准确度map信息，同时保存整个迭代训练过程中平均准确度map最高的模型参数至本地磁盘，文件命名为best.pt，最新一轮迭代训练得到的模型参数保存为last.pt文件。将每一张待检测的图像i输入至加载参数best.pt的网络模型中进行前向推理，得到若干个目标检测框，目标类别0、1、2、3分别对应感应板裂纹、支架裂纹、螺栓缺失、正常螺栓。利用目标类别为3的目标检测框在图像i中截取roi区域，得到螺栓子图像si，i=1，2，3……n，n为目标类别为3的目标检测框的个数，si分别送入到分类网络模型中判断螺栓是否松脱。所述分类网络模型将感应板螺栓子图像数据集及划分为正常螺栓和螺栓松脱两个类别，对应的标签分别为0、1，将正常螺栓及螺栓松脱图像的80%作为分类训练集，剩下的20%作为分类验证集。分类网络模型加载感应板螺栓子图像数据集进行迭代训练，最大迭代次数设置为300，学习率设置为0.001，采用随机旋转、水平翻转、垂直翻转、色度变换图像增强操作，每完成1个epoch迭代进行一次验证集的测试，记录分类准确率acc信息，并将整个迭代训练过程中准确率acc最大的模型参数保存为best.param文件，最新一轮迭代训练得到的模型参数保存为last.param文件。螺栓子图像si输入至加载best.param的分类模型推理后得到属于类别0的置信度conf0及属于类别1的置信度conf1，若conf0<conf1则此螺栓为松脱，反之则为正常螺栓。
30、进一步的，所述步骤s4）中的点云处理根据感应板的分布特性，通过边缘检测提取每块感应板的前、后、左、右边缘位置，从而分割出每块感应板的点云，由点云的坐标z进一步得到感应板每个位置的高度信息。通过对相邻两块感应板之间的间隙超出标准值区间的偏移量计算得到感应板的纵向位移信息。所述感应板错牙信息包括相邻感应板之间的横向差、高度及角度偏差，通过感应板的边界交点得到感应板的顶点，比较相邻感应板对应顶点之间的坐标x偏差、坐标z偏差得到感应板的横向及高度偏差，然后通过拟合计算的感应板平面法向量求解出角度偏差。
31、进一步的，所述步骤s4）中的感应板几何参数检测包括以下过程：
32、s411）首先将感应板按块分割，通过梯度边缘检测提取感应板的上、下、左、右边缘位置，从而分割出每块感应板的点云psbn，n=1，2，3……n；
33、s412）对点云psb进行双边滤波消除噪声得到psbn’，感应板点云psb’中每个点的z坐标即为感应板各个位置的高度值，提取psbn’中z坐标的最大值max和最小值min；
34、s413）若最大值max>所允许的超高值，则判定该感应板超高异常，反之则判断最小值min<所允许的超低值是否成立，若成立则判定为感应板过低异常，反之则感应板高度正常；
35、s414）通过对相邻两块感应板之间的间隙超出标准值区间的偏移量计算得到感应板的纵向位移信息，d1为第一块感应板psb1’与第二块感应板psb2’之间的纵向位移，d2为第二块感应板 psb2’与第三块感应板psb3’之间的纵向位移；
36、s415）若满足所允许的最小位移量offsetmin<d1<所允许的最大位移量offsetmax，则判断第一块感应板纵向位移正常，反之则判断第一块感应板纵向位移异常。
37、进一步的，所述感应板错牙信息包括相邻感应板之间的横向、高度及角度偏差，所述步骤s4）中的感应板几何参数检测包括以下过程：
38、s421）通过感应板的边界交点得到感应板顶点，第一块感应板的顶点为a1、b1、c1、d1，第二块感应板的顶点为a2、b2、c2、d2，依次类推，每个顶点均包括x，y，z坐标；
39、s422）c1为第一块感应板与第二块感应板之间的横向偏差，由d1的x轴坐标d1(x)与c2的x轴坐标c2(x)作差后取绝对值得到，即|d1(x)-c2(x)|，c2为第二块感应板与第三块感应板之间的横向偏差，若横向偏差大于横向偏差阈值tx则认为错牙，反之则判定为横向偏差正常；
40、s423）高度偏差为相邻感应板对应顶点的坐标z作差后取绝对值得到，第一块感应板与第二块感应板的高度偏差为|d1(z)-c2(z)|和|b1(z)-a2(z)|，若高度偏差大于高度偏差阈值tz则判定为错牙，反之则判定为高度偏差正常。
41、进一步的，所述步骤s423）包括：
42、通过第一块感应板的顶点a1、b1、c1、d1设定框出第一块感应板的点云，然后通过基于随机采样一致的平面拟合算法迭代计算出感应板表面的平面方程ax+by+cz+d=0，其法向量为n1（a，b，c），并计算出第二块感应板的法向量n2（a，b，c）；再由拟合计算的感应板平面法向量，通过向量内积求解出角度偏差，若角度偏差>角度偏差阈值则判定为错牙，反之则正常。
43、进一步的，所述方法包括：
44、s5）经所述步骤s4）计算得到检测结果后，将检测结果信息及相应原始数据传输至地面用户终端，并通知作业人员指定作业计划。
45、通过实施上述本技术提供的轨道线路感应板车载动态检测方法的技术方案，具有如下有益效果：
46、（1）本技术轨道线路感应板车载动态检测方法，通过对感应板三维点云数据自动处理，解析得到感应板高度异常、纵向位移、错牙等感应板几何参数信息，为感应板运维提供可靠依据，实现了轨道交通感应板车载动态检测，大大提升了检测效率和精度，全方位覆盖了感应板表观、几何参数的检测；
47、（2）本技术轨道线路感应板车载动态检测方法，采用目标检测网络和分类网络智能分析感应板表面裂纹、螺栓缺失、松脱病害，实现了感应板表面缺陷端到端检测，进一步提升了检测效率和准确度；
48、（3）本技术轨道线路感应板车载动态检测方法，利用2d相机组件采集感应板本体、支架表面纹理特征，3d相机组件采集钢轨轮廓和感应板三维点云信息，可搭载在列车上高速采集、处理感应板数据，实现感应板表面缺陷、感应板几何参数自动、高效检测，指导相关管理、作业人员进行感应板的维护。