本發(fā)明涉及智能軌道交通，尤其涉及一種基于語義分割的軌道線路檢測方法。

背景技術(shù)：

1、隨著鐵路、磁浮、管道等高速軌道交通線路的不斷開通，軌道交通的安全性越來越受到人們的重視，而軌道軌面損傷檢測、軌道異物侵限等不安全因素嚴(yán)重影響列車高速或超高速運行，不僅會造成軌道交通運行秩序的紊亂，還有可能會造成巨大的經(jīng)濟損失，因此及時發(fā)現(xiàn)軌道軌面損傷、軌道內(nèi)異物侵限等問題對列車安全運行具有重要意義。

2、隨著人工智能、計算機視覺技術(shù)的快速發(fā)展，使鐵路智能化巡檢逐步由構(gòu)想、規(guī)劃到技術(shù)落地。在智能化軌道交通巡檢中，軌道線路的檢測為相對關(guān)鍵的一步，不僅可以為軌道表面損傷檢測功能提供檢測區(qū)域，而且也可以為軌道異物侵限提供侵限的危險區(qū)域。因此，軌道線路檢測技術(shù)是各個安全檢測功能的基礎(chǔ)，該技術(shù)為軌道軌面損傷檢測、軌道內(nèi)異物侵限檢測等功能提供安全保障。傳統(tǒng)的檢測方法對復(fù)雜背景、陰影、光照等環(huán)境檢測精度和魯棒性能不佳，而且無法適應(yīng)高速或超高速運行的列車。

3、當(dāng)前針對軌道線檢測的方法主要包括邊緣檢測、模板匹配等方法。邊緣檢測法的流程是基于梯度圖像的霍夫(hough)變換，估計軌道的主方向，然后結(jié)合判定準(zhǔn)則進行軌道的檢測和定位。模板匹配法主要是基于軌道的橫向和縱向幾何特征，選擇軌道的關(guān)鍵點，構(gòu)建軌道橫截面模型進行模板匹配確定軌道位置，根據(jù)軌道縱向的連續(xù)性和單軌之間的軌距等幾何信息，最終定位軌道位置。

4、然而，基于邊緣檢測的軌道線進行識別方法的魯棒性能差。邊緣檢測針對物體的邊緣的幾何特征，當(dāng)背景復(fù)雜、光照不均或者陰雨天時，邊緣檢測會產(chǎn)生很多無用的邊緣，從而導(dǎo)致無法有效的檢測出軌道線?；谀０迤ヅ涞能壍谰€檢測方法泛化能力較差。模板匹配法需要手動提取圖像特征，建立直線、拋物線、曲線等局部或全局線性模型，對不同軌道線路具有一定的針對性，利用同一模型檢測不同軌道線路會造成檢測精度不高。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種基于語義分割的軌道線路檢測方法，能夠解決現(xiàn)有技術(shù)中的技術(shù)問題。

2、本發(fā)明提供了一種基于語義分割的軌道線路檢測方法，其中，該方法包括：

3、利用激光攝像機采集軌道線圖像，并利用預(yù)處理模塊對采集的軌道線圖像進行預(yù)處理得到預(yù)處理后圖像；

4、通過骨干網(wǎng)絡(luò)根據(jù)預(yù)處理后圖像提取軌道線特征；

5、利用二值分割模塊對提取的軌道線特征進行二值化分割，利用軌道嵌入模塊對提取的軌道線特征進行軌道區(qū)域劃分，并利用對分割結(jié)果和劃分結(jié)果將屬于同一條軌道線的所有像素進行聚類；

6、利用最小二乘法后處理模塊將聚類后的像素進行擬合，輸出完整的可視化的軌道線。

7、優(yōu)選地，對采集的軌道線圖像進行預(yù)處理得到預(yù)處理后圖像包括：

8、對采集的軌道線圖像進行相機標(biāo)定；

9、對標(biāo)定后的軌道線圖像進行逆透視變換，得到俯視圖。

10、優(yōu)選地，對采集的軌道線圖像進行相機標(biāo)定包括：

11、對采集的軌道線圖像按照世界坐標(biāo)系、相機坐標(biāo)系、圖像坐標(biāo)系和圖像像素坐標(biāo)系的順序進行轉(zhuǎn)換。

12、優(yōu)選地，對提取的軌道線特征進行二值化分割包括：

13、采用加權(quán)交叉熵?fù)p失函數(shù)、方差損失函數(shù)和距離損失函數(shù)對提取的軌道線特征進行二值化分割。

14、優(yōu)選地，通過resnet34骨干網(wǎng)絡(luò)根據(jù)預(yù)處理后圖像提取軌道線特征，resnet34骨干網(wǎng)絡(luò)包括卷積注意力模塊，提取的軌道線特征包括局部特征和全局特征。

15、本發(fā)明還提供了一種基于語義分割的軌道線路檢測系統(tǒng)，其中，該系統(tǒng)包括：

16、激光攝像機，用于采集軌道線圖像；

17、預(yù)處理模塊，用于對采集的軌道線圖像進行預(yù)處理得到預(yù)處理后圖像；

18、骨干網(wǎng)絡(luò)，用于根據(jù)預(yù)處理后圖像提取軌道線特征；

19、二值分割模塊，用于對提取的軌道線特征進行二值化分割；

20、軌道嵌入模塊，用于對提取的軌道線特征進行軌道區(qū)域劃分；

21、聚類模塊，用于利用對分割結(jié)果和劃分結(jié)果將屬于同一條軌道線的所有像素進行聚類；

22、最小二乘法后處理模塊，用于將聚類后的像素進行擬合，輸出完整的可視化的軌道線。

23、優(yōu)選地，利用預(yù)處理模塊對采集的軌道線圖像進行預(yù)處理得到預(yù)處理后圖像包括：

24、對采集的軌道線圖像進行相機標(biāo)定；

25、對標(biāo)定后的軌道線圖像進行逆透視變換，得到俯視圖。

26、優(yōu)選地，對采集的軌道線圖像進行相機標(biāo)定包括：

27、對采集的軌道線圖像按照世界坐標(biāo)系、相機坐標(biāo)系、圖像坐標(biāo)系和圖像像素坐標(biāo)系的順序進行轉(zhuǎn)換。

28、優(yōu)選地，利用二值分割模塊對提取的軌道線特征進行二值化分割包括：

29、利用二值分割模塊采用加權(quán)交叉熵?fù)p失函數(shù)、方差損失函數(shù)和距離損失函數(shù)對提取的軌道線特征進行二值化分割。

30、優(yōu)選地，骨干網(wǎng)絡(luò)為resnet34骨干網(wǎng)絡(luò)，resnet34骨干網(wǎng)絡(luò)包括卷積注意力模塊，提取的軌道線特征包括局部特征和全局特征。

31、通過上述技術(shù)方案，可以通過語義分割將軌道線類別和背景類別進行區(qū)分，并對每條軌道線類別進行區(qū)分，在保證軌道線擬合精確的基礎(chǔ)上，保證識別的時效性，與傳統(tǒng)邊緣檢測法相比其檢測準(zhǔn)確度更優(yōu)，時效性更好，滿足實際針對軌道線檢測的高精度和高實時性要求。也就是，本發(fā)明能夠提高軌道線檢測的魯棒性能、檢測精度和實時性。

技術(shù)特征：

1.一種基于語義分割的軌道線路檢測方法，其特征在于，該方法包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，對采集的軌道線圖像進行預(yù)處理得到預(yù)處理后圖像包括：

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，對采集的軌道線圖像進行相機標(biāo)定包括：

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，對提取的軌道線特征進行二值化分割包括：

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，通過resnet34骨干網(wǎng)絡(luò)根據(jù)預(yù)處理后圖像提取軌道線特征，resnet34骨干網(wǎng)絡(luò)包括卷積注意力模塊，提取的軌道線特征包括局部特征和全局特征。

6.一種基于語義分割的軌道線路檢測系統(tǒng)，其特征在于，該系統(tǒng)包括：

7.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，利用預(yù)處理模塊對采集的軌道線圖像進行預(yù)處理得到預(yù)處理后圖像包括：

8.根據(jù)權(quán)利要求7所述的系統(tǒng)，其特征在于，對采集的軌道線圖像進行相機標(biāo)定包括：

9.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，利用二值分割模塊對提取的軌道線特征進行二值化分割包括：

10.根據(jù)權(quán)利要求9所述的系統(tǒng)，其特征在于，骨干網(wǎng)絡(luò)為resnet34骨干網(wǎng)絡(luò)，resnet34骨干網(wǎng)絡(luò)包括卷積注意力模塊，提取的軌道線特征包括局部特征和全局特征。

技術(shù)總結(jié)
本發(fā)明涉及智能軌道交通技術(shù)領(lǐng)域，公開了一種基于語義分割的軌道線路檢測方法。其中，該方法包括：利用激光攝像機采集軌道線圖像，并利用預(yù)處理模塊對采集的軌道線圖像進行預(yù)處理得到預(yù)處理后圖像；通過骨干網(wǎng)絡(luò)根據(jù)預(yù)處理后圖像提取軌道線特征；利用二值分割模塊對提取的軌道線特征進行二值化分割，利用軌道嵌入模塊對提取的軌道線特征進行軌道區(qū)域劃分，并利用對分割結(jié)果和劃分結(jié)果將屬于同一條軌道線的所有像素進行聚類；利用最小二乘法后處理模塊將聚類后的像素進行擬合，輸出完整的可視化的軌道線。由此，能夠提高軌道線檢測的魯棒性能、檢測精度和實時性。

技術(shù)研發(fā)人員：毛凱,張艷清,李少偉,盛博文,蔣沁宇,李萍
受保護的技術(shù)使用者：中國航天科工飛航技術(shù)研究院（中國航天海鷹機電技術(shù)研究院）
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/19