一种基于深度学习的钢轨磨损检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109840907A(43)申请公布日2019.06.04(21)申请号201910084765.0(22)申请日2019.01.29(71)申请人西安理工大学地址710048陕西省西安市金花南路5号(72)发明人赵太飞宋世渊史海泉姜卓秀(74)专利代理机构西安弘理专利事务所61214代理人王蕊转(51)Int.Cl.G06T7/00(2017.01)G06K9/66(2006.01)权利要求书1页说明书3页附图3页(54)发明名称一种基于深度学习的钢轨磨损检测方法(57)摘要本发明公开了一种基于深度学习的钢轨磨损检测方法，具体包括如下步骤：步骤1，采用已有磨损的钢轨构建实验模型；步骤2，建立深度学习框架；步骤3，基于步骤2建立的学习框架对钢轨的实际磨损程度进行测量。采用深度学习框架对钢轨的轮廓图进行训练，获得钢轨磨损测试的模型，可以快速检测出该轮廓图属于何种磨损程度，并且可以记录当前位置以便钢轨磨损实际路线图的生成。相比于传统的测量方式有了极大的提高，减少了大量繁琐的计算过程，节省了人力物力，最终实现快速、定期、智能化、信息化的钢轨磨损检测。CN109840907ACN109840907A权利要求书1/1页1.一种基于深度学习的钢轨磨损检测方法，其特征在于：具体包括如下步骤：步骤1，采用已有磨损的钢轨构建实验模型；步骤2，建立深度学习框架；步骤3，基于步骤2建立的学习框架对钢轨的实际磨损程度进行测量。2.根据权利要求1所述的一种基于深度学习的钢轨磨损检测方法，其特征在于：所述步骤1构建的实验模型为：包括两条已有磨损的钢轨，在两条钢轨上均安装一对平行设置的推轴，在每对推轴中，两个推轴的一端与测距轮连接，测距轮设置在钢轨上，两个推轴的另一端之间通过连杆连接，两个连杆之间通过支架连接，支架上分别设有电脑和GPS定位器，连杆上安装有激光轮廓传感器，测距轮、GPS定位器及激光轮廓传感器均与电脑连接。3.根据权利要求1所述的一种基于深度学习的钢轨磨损检测方法，其特征在于：所述步骤2的具体过程为：步骤2.1，预先采集训练模型，对训练模型进行深度学习训练，获得学习模型；步骤2.2，将训练好的模型导入电脑，设置人工操作界面，对上传的数据进行处理、显示、存储。4.根据权利要求3所述的一种基于深度学习的钢轨磨损检测方法，其特征在于：所述步骤3的具体过程为：步骤3.1，将仪器单位、作业人员名称、起始里程、行程区间、钢轨型号选择、钢轨测量间隔这些基本信息输入电脑中；步骤3.2，激光轮廓传感器的光幕与钢轨截面平行，激光轮廓传感器的光幕相对于钢轨剖面中心线偏斜45°角,扫出一条亮线，激光轮廓传感器自动测量出这条亮线上的每一个点的(Z,X)值，并传输到电脑内，通过电脑内的计算机软件将这一组数据换算成钢轨剖面的x轴与y轴的值，由于钢轨磨损发生到钢轨轨面和钢轨内侧，所以，只检测钢轨轨面及钢轨内侧即可的磨损程度即可，将扫描的钢轨磨损后的切面轮廓线与标准轮廓进行对比，得到钢轨垂直磨损和内侧磨损量，总磨损量为垂直磨损和内侧磨损量之和。2CN109840907A说明书1/3页一种基于深度学习的钢轨磨损检测方法技术领域[0001]本发明属于光电信息技术领域，涉及一种基于深度学习的钢轨磨损检测方法。背景技术[0002]随着我国经济的快速发展，对于铁路事业的发展也带来了新的挑战和机遇。重载运输成为铁路未来发展的主要趋势之一，然而，重载火车必然会增加火车自身的重量，铁路钢轨的磨损速度也会加快，随着火车运行速度的不断提升，这种破坏作用更加明显。[0003]钢轨在自然条件、列车的轮轨及其他不可抗因素作用下，不可避免地会产生铁路钢轨的锈蚀、磨损等状况。在通常情况下，轮轨相互作用是引起钢轨磨损主要原因，特别是处于小半径曲线上的钢轨，磨损问题尤为严重。养护维修要求在钢轨磨损达到一定限度就更换钢轨，以保证列车运营安全。由于公司辖区铁路普遍存在自然环境差、养护维修人员少的特点，对及时更换磨损钢轨带来很大困难，同时也会大幅提高线路养护维修成本。发明内容[0004]本发明的目的是提供一种基于深度学习的钢轨磨损检测方法，该方法利用激光轮廓传感器测量钢轨的磨损，对铁轨的受损状况与使用寿命做出预测。[0005]本发明所采用的技术方案是，一种基于深度学习的钢轨磨损检测方法，具体包括如下步骤：[0006]步骤1，采用已有磨损的钢轨构建实验模型；[0007]步骤2，建立深度学习框架；[0008]步骤3，基于步骤2建立的学习框架对钢轨的实际磨损程度进行测量。[0009]本发明的特点还在于，[0010]步骤1构建的实验模型为：包括两条已有磨损的钢轨，在两条钢轨上均安装一对平行设置的推轴，在每对推轴中，两个推轴的一端与测距轮连接，测距