在地鐵線路道岔轉(zhuǎn)轍機工作過程中,需要定期檢測其動靜接點的接觸狀態(tài),及時發(fā)現(xiàn)和排除工作狀態(tài)的異常。對道岔轉(zhuǎn)轍機動靜接點接觸狀態(tài)的現(xiàn)有檢測方法是依靠人工肉眼識別。該方法存在測量偏差大、容易漏警、實時性不強等不足。提出一種基于圖像處理和深度學習的道岔轉(zhuǎn)轍機動靜接點狀態(tài)檢測技術,在采集大量道岔轉(zhuǎn)轍機動靜接點圖像的基礎上,利用神經(jīng)網(wǎng)絡深度學習方法,對機器進行大量的訓練,找出檢測點的特征參數(shù);再結(jié)合圖像處理方法,得到所需的測量參數(shù);同時結(jié)合智能手機應用程序,實現(xiàn)對道岔轉(zhuǎn)轍機動靜接點的實時檢測。該方法可以實現(xiàn)對道岔轉(zhuǎn)轍機動靜接點狀態(tài)的便捷、快速、準確檢測,提升對動靜接點狀態(tài)判斷的準確性,從而提高道岔轉(zhuǎn)轍機的維護效率和維護質(zhì)量,確保列車的安全運行。 

【文章來源】：城市軌道交通研究. 2020,23(S2)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

動靜接點圖

基于圖像處理的道岔轉(zhuǎn)轍機動靜接點狀態(tài)檢測流程圖

3）動靜接點的目標檢測定位：SSD（單發(fā)多盒探測器）目標算法模型是基于卷積神經(jīng)網(wǎng)絡設計搭建的。該模型具有快速預測，且能相對準確地獲取目標位置的特點。數(shù)據(jù)準備階段，拍攝大量道岔轉(zhuǎn)轍機動靜接點照片做標記。標記信息包括檢測目標分類、圖像坐標、真實外邊框等。數(shù)據(jù)訓練階段，可在每個特征層上都預置不同尺寸的預測邊框，使用目標偏移、分類別預測去匹配真實邊框，通過反復訓練來優(yōu)化權(quán)值，以提高最終目標檢測的穩(wěn)定性。本文在現(xiàn)有算法的基礎上，根據(jù)動靜接點的安裝位置及運動特點，預估了在圖片中可能出現(xiàn)的位置，縮小檢測范圍，提升了訓練效果。在進行了5萬次訓練后，成功提取到圖3動接點圓柱頂端的圓形輪廓。采用同樣的方法，對6組靜接點簧片進行了檢測定位。4）接觸深度計算：如圖4所示，首先提取檢測到的動接點組頂端圓面的圓心像素坐標[6]，提取靜接點柱簧片的末端像素坐標，計算出兩坐標的像素距離S。檢修標準中的要求是測量動接點和簧片的有效接觸深度，實際像素接觸深度略小于S，根據(jù)試驗測量，計算出比例系數(shù)k，得到實際像素接觸深度S實=k S。再依據(jù)像素尺度校準后計算出真實值，要求接觸深度不小于4 mm。

【參考文獻】：
期刊論文
[1]實現(xiàn)道岔轉(zhuǎn)換動態(tài)監(jiān)測功能探討[J]. 李偉,陽彬.  科學技術創(chuàng)新. 2019(13)
[2]應用圖像數(shù)據(jù)分析技術實現(xiàn)道岔轉(zhuǎn)轍機運行狀態(tài)遠程監(jiān)測[J]. 夏志梁.  城市軌道交通研究. 2018(11)
[3]基于快速貝葉斯網(wǎng)絡的S700K轉(zhuǎn)轍機故障診斷研究[J]. 肖蒙,翟琛,潘翠亮.  鐵道科學與工程學報. 2015(02)



本文編號：3509560