【技術實現步驟摘要】
本專利技術涉及軌道交通，具體來說，涉及基于多源圖像數據融合的地鐵車身缺陷檢測方法及系統。
技術介紹
1、隨著我國軌道交通行業高速發展，目前地鐵列車故障檢測和預防大多采用人工巡檢的方式，處于定期維修與故障維修的模式。列車結構復雜、部件多造成了人工巡檢效率低下，檢測結果依賴巡檢員主觀感受和個人經驗，無法保證檢修質量。
2、隨著開行線路密集、列車數量的不斷增加，傳統的地鐵運營方式已經不能滿足地鐵行業發展的急迫需求，采用機器視覺技術運用到列車故障檢測成為新的研究方向。地鐵列車360°外觀圖像故障檢測系統針對地鐵列車人工日檢/四日檢安全及維護重要項檢查，采集包括受流、走行部、牽引、制動供風、車鉤等關鍵部件高清圖像，形成多元的車體外觀圖像感知數據。通過模式識別、計算機視覺和基于數據驅動的分級預警等技術，將機器視覺、模式識別等技術運用到地鐵列車故障檢測中，實現列車關鍵部件故障診斷分析，實現從“人檢”向“機檢”轉變，降低運維成本，為列車全面自動化檢測奠定基礎。
3、現有大部分360°外觀圖像故障檢測系統受限于列車速度影響，對車側、車頂和車底進行檢測的效果有限。同時，由于檢測場景限制，360°系統無法對特定局部位置進行二次檢測，導致檢測準確率難以提升。
4、針對相關技術中的問題，目前尚未提出有效的解決方案。
技術實現思路
1、針對相關技術中的問題，本專利技術提出基于多源圖像數據融合的地鐵車身缺陷檢測方法及系統，以克服現有相關技術所存在的上述技術問題。
3、根據本專利技術的一個方面，提供了基于多源圖像數據融合的地鐵車身缺陷檢測方法，該方法包括以下步驟：
4、s1、采集地鐵外觀圖像數據，并將地鐵外觀圖像數據輸入至預先構建的外觀圖像故障監測模型中，得到地鐵快檢檢測結果；
5、s2、將采集到的地鐵檢測數據與地鐵外觀圖像數據相融合，并從融合數據中提取據融合特征；
6、s3、基于融合特征構建地鐵車身缺陷檢測模型，并將融合數據輸入至地鐵車身缺陷檢測模型中，得到地鐵全檢檢測結果；
7、s4、結合地鐵快檢檢測結果與地鐵全檢檢測結果，對地鐵所需維修位置進行定點檢測，并對維修后局部位置進行復檢。
8、進一步的，采集地鐵外觀圖像數據，并將地鐵外觀圖像數據輸入至預先構建的外觀圖像故障監測模型中，得到地鐵快檢檢測結果包括以下步驟：
9、s11、利用龍門架對地鐵外觀進行圖像采集，獲取地鐵外觀圖像數據；
10、s12、對獲取的地鐵外觀圖像數據進行預處理；
11、s13、將預處理后的地鐵外觀圖像數據作為輸入，結合預先構建的外觀圖像故障監測模型，得到地鐵快檢檢測結果，其中，外觀圖像故障監測模型基于預處理后的地鐵外觀圖像數據，利用神經網絡模型進行訓練。
12、進一步的，對獲取的地鐵外觀圖像數據進行預處理包括以下步驟：
13、s121、將獲取的地鐵外觀圖像數據中的顏色圖像進行灰度圖轉換，得到灰度圖像；
14、s122、對得到的灰度圖像進行配對，并基于配對結果調整地鐵外觀圖像數據的像素。
15、進一步的，調整后地鐵外觀圖像數據的像素為256*256。
16、進一步的，將采集到的地鐵檢測數據與地鐵外觀圖像數據相融合，并從融合數據中提取據融合特征包括以下步驟：
17、s21、運用檢測機器人對地鐵進行巡檢，獲取地鐵檢測數據，并對地鐵檢測數據進行預處理；
18、s22、將預處理后的地鐵檢測數據與地鐵外觀圖像數據進行融合，得到融合數據集；
19、s23、利用圖像處理技術對融合數據集進行處理，并結合卷積神經網絡算法從處理后的融合數據集中提取融合特征。
20、進一步的，地鐵檢測數據包括地鐵車側檢測數據及地鐵車底檢測數據。
21、進一步的，基于融合特征構建地鐵車身缺陷檢測模型，并將融合數據輸入至地鐵車身缺陷檢測模型中，得到地鐵全檢檢測結果包括以下步驟：
22、s31、結合提取的融合特征與神經網絡算法，構建地鐵車身缺陷檢測模型；
23、s32、將融合數據輸入至構建完成后的地鐵車身缺陷檢測模型中，得到地鐵全檢檢測結果。
24、進一步的，結合提取的融合特征與神經網絡算法，構建地鐵車身缺陷檢測模型包括以下步驟：
25、s321、基于提取的融合特征，選取基本網絡作為神經網絡主體，基本網絡包括若干次下采樣與若干次上采樣；
26、s322、利用拼接技術將下采樣中的特征與上采樣中的特征相結合，并在每層采樣之前，將對應擴散步長的正弦位置編碼信息嵌入至神經網絡中；
27、s323、在嵌入正弦位置編碼信息后的神經網絡中間層引入線性注意力機制，并將線性注意力機制的輸出與當前層的特征相融合；
28、s324、基于融合特征、正弦位置編碼信息及線性注意力機制處理后的特征，構建地鐵車身缺陷檢測模型；
29、s325、利用處理后的融合數據集對地鐵車身缺陷檢測模型進行訓練并評估，獲取最終的地鐵車身缺陷檢測模型。
30、進一步的，利用處理后的融合數據集對地鐵車身缺陷檢測模型進行訓練并評估，獲取最終的地鐵車身缺陷檢測模型包括以下步驟：
31、s3251、將處理后的融合數據劃分為訓練集與測試集；
32、s3252、基于劃分后的訓練集，結合n折交叉驗證算法訓練地鐵車身缺陷檢測模型；
33、s3253、利用測試集對訓練后的地鐵車身缺陷檢測模型進行驗證，評估地鐵車身缺陷檢測模型，獲取最終的地鐵車身缺陷檢測模型。
34、根據本專利技術的另一個方面，還提供了基于多源圖像數據融合的地鐵車身缺陷檢測系統，該系統包括地鐵快檢模塊、融合特征提取模塊、地鐵全檢模塊及地鐵復檢模塊；
35、地鐵快檢模塊、融合特征提取模塊、地鐵全檢模塊及地鐵復檢模塊依次連接；
36、地鐵快檢模塊，用于采集地鐵外觀圖像數據，并將地鐵外觀圖像數據輸入至預先構建的外觀圖像故障監測模型中，得到地鐵快檢檢測結果；
37、融合特征提取模塊，用于將采集到的地鐵檢測數據與地鐵外觀圖像數據相融合，并從融合數據中提取據融合特征；
38、地鐵全檢模塊，用于基于融合特征構建地鐵車身缺陷檢測模型，并將融合數據輸入至地鐵車身缺陷檢測模型中，得到地鐵全檢檢測結果；
39、地鐵復檢模塊，用于結合地鐵快檢檢測結果與地鐵全檢檢測結果，對地鐵所需維修位置進行定點檢測，并對維修后局部位置進行復檢。
40、本專利技術的有益效果為：
41、1、本專利技術通過地鐵檢測數據與地鐵外觀圖像數據的融合，能夠識別出潛在的問題和隱患，有效預防故障的發生，為地鐵的安全運營提供了堅實的支撐，確保了地鐵系統的穩定性和可靠性，從而為乘客創造了一個更加舒適和安全的出行環境。
42、2、本專利技術通過本文檔來自技高網...
【技術保護點】
1.基于多源圖像數據融合的地鐵車身缺陷檢測方法及系統，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的基于多源圖像數據融合的地鐵車身缺陷檢測方法，其特征在于，所述采集地鐵外觀圖像數據，并將地鐵外觀圖像數據輸入至預先構建的外觀圖像故障監測模型中，得到地鐵快檢檢測結果包括以下步驟：
3.根據權利要求2所述的基于多源圖像數據融合的地鐵車身缺陷檢測方法，其特征在于，所述對獲取的地鐵外觀圖像數據進行預處理包括以下步驟：
4.根據權利要求3所述的基于多源圖像數據融合的地鐵車身缺陷檢測方法，其特征在于，所述調整后地鐵外觀圖像數據的像素為256*256。
5.根據權利要求1所述的基于多源圖像數據融合的地鐵車身缺陷檢測方法，其特征在于，所述將采集到的地鐵檢測數據與地鐵外觀圖像數據相融合，并從融合數據中提取據融合特征包括以下步驟：
6.根據權利要求5所述的基于多源圖像數據融合的地鐵車身缺陷檢測方法，其特征在于，所述地鐵檢測數據包括地鐵車側檢測數據及地鐵車底檢測數據。
7.根據權利要求1所述的基于多源圖像數據融合的地鐵車
8.根據權利要求7所述的基于多源圖像數據融合的地鐵車身缺陷檢測方法，其特征在于，所述結合提取的融合特征與神經網絡算法，構建地鐵車身缺陷檢測模型包括以下步驟：
9.根據權利要求8所述的基于多源圖像數據融合的地鐵車身缺陷檢測方法，其特征在于，所述利用處理后的融合數據集對地鐵車身缺陷檢測模型進行訓練并評估，獲取最終的地鐵車身缺陷檢測模型包括以下步驟：
10.基于多源圖像數據融合的地鐵車身缺陷檢測系統，用于實現權利要求1-9中任一項所述的基于多源圖像數據融合的地鐵車身缺陷檢測方法，其特征在于，該系統包括地鐵快檢模塊、融合特征提取模塊、地鐵全檢模塊及地鐵復檢模塊；
...【技術特征摘要】
1.基于多源圖像數據融合的地鐵車身缺陷檢測方法及系統，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的基于多源圖像數據融合的地鐵車身缺陷檢測方法，其特征在于，所述采集地鐵外觀圖像數據，并將地鐵外觀圖像數據輸入至預先構建的外觀圖像故障監測模型中，得到地鐵快檢檢測結果包括以下步驟：
3.根據權利要求2所述的基于多源圖像數據融合的地鐵車身缺陷檢測方法，其特征在于，所述對獲取的地鐵外觀圖像數據進行預處理包括以下步驟：
4.根據權利要求3所述的基于多源圖像數據融合的地鐵車身缺陷檢測方法，其特征在于，所述調整后地鐵外觀圖像數據的像素為256*256。
5.根據權利要求1所述的基于多源圖像數據融合的地鐵車身缺陷檢測方法，其特征在于，所述將采集到的地鐵檢測數據與地鐵外觀圖像數據相融合，并從融合數據中提取據融合特征包括以下步驟：
6.根據權利要求5所述的基于多源圖像數據融合的地鐵車身缺陷檢測方法，其特征在于...
【專利技術屬性】
技術研發人員：蔡玉萍，王健，毛建，王贊農，陳祺，田興麗，張亦然，唐超偉，劉錳，孫小康，尹苗苗，李潤柳，諸文輝，鄧超，孫浩楠，吳遙，齊麗娜，易晨陽，姚啟航，蘭媛媛，
申請(專利權)人：南京地鐵集團有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。