【技术实现步骤摘要】
本专利技术涉及转辙机，尤其涉及一种转辙机机器视觉监测方法、系统及可读存储介质。
技术介绍
1、转辙机是铁路信号系统的基础设备，用来控制道岔转换、锁闭及监督，实现改变车辆在主线方向或侧向方向的行驶路径。随着城市轨道交通建设规模的不断扩大，速度和运量不断增加，转辙机的故障率呈现上升趋势，容易导致道岔的不表示、不动作、不完全动作，严重影响轨道交通的运营效率。
2、由于转辙机安装在轨道旁，且在工作时处于密封状态。受交通运营时效影响，在转辙机出现故障时，第一时间了解转辙机内部部件状态和位置信息实现加快问题分析与处理至关重要。
3、自动开闭器是转辙机上负责动作控制与状态表示的关键部件，自动开闭器通常由左侧静接点片、右侧静接点片及位于左侧静接点片与右侧静接点片之间的动接点等部件组成，左侧静接点片、右侧静接点片及动接点均通过螺丝进行安装固定，动接点能够在左侧静接点片与右侧静接点片之间移动。其动接点与两侧静接点片的接触深度直接影响控制与表示电路的导通。因此，如何监测其接触深度具有非常重要的意义。
4、目前采用的方法主要是通过人工定期巡检，通过肉眼检查关键部件是否完好，手动测量动静接点的接触深度，这种检查方法效率低，消耗大量的人力物力。而由于检测目标小且静接点片形状不规则导致静接点片端部识别困难，容易造成漏检、误检，再加上灰尘、油渍、反光等干扰因素，导致人工识别方法准确度不高。
技术实现思路
1、本专利技术的目的在于提供一种转辙机机器视觉监测方法、系统及可读存储介质
2、为达到上述目的，本专利技术提供一种转辙机机器视觉监测方法，包括：
3、在自动开闭器的动静接点处设置若干标记，采集所述动静接点处的若干初始图像，并对所述初始图像中关键部位的轮廓和类别进行标注得到训练图像，构建深度学习网络模型并利用所述训练图像进行训练；
4、获取所述动静接点处的实时监测图像，并利用训练好的深度学习网络模型对所述实时监测图像进行处理，得到各个关键部位的模板图像；
5、基于所述模板图像计算相接触的动接点与静接点片上的固定螺丝之间的像素距离，并根据所述像素距离计算所述动接点与所述静接点片的接触深度。
6、可选的，利用训练好的深度学习网络模型对所述实时监测图像进行处理的步骤具体包括：
7、根据类别名，识别出所述标记的坐标点；
8、根据所述坐标点的位置及标记的尺寸，对所述实时监测图像进行校正。
9、可选的，利用训练好的深度学习网络模型对所述实时监测图像进行处理的步骤还包括：
10、对所述校正后的实时监测图像进行处理，根据所述类别名生成多个模板图像，每个模板图像只保留与当前类别名相对应的关键部位。
11、可选的，所述转辙机机器视觉监测方法还包括判断固定螺丝是否松动及脱落，具体包括：
12、基于所述模板图像计算所述动接点与所述静接点片上的固定螺丝的数量是否达到第一设定值以判断所述固定螺丝是否发生脱落；
13、首次运行所述深度学习网络模型时，将用于识别固定螺丝的图像设定为参考图像；
14、将对应关键部位的所述模板图像与所述参考图像进行比对分析，通过结构相似性指数、均方误差及峰值信噪比的值判断所述固定螺丝是否发生松动。
15、可选的，所述静接点片包括分别位于所述动接点两侧的两个静接点片，所述转辙机机器视觉监测方法还包括：
16、基于所述模板图像分别计算所述动接点上的固定螺丝与两个所述静接点片上的固定螺丝的第一像素距离和第二像素距离，并基于所述第一像素距离与所述第二像素距离的比值判断所述动接点与哪一侧的静接点片接触；
17、基于所述模板图像计算未与所述动接点接触的静接点片上的数量是否达到第二设定值以判断所述静接点片是否完好。
18、基于同一技术构思，本专利技术还提供了一种转辙机机器视觉监测系统，包括：
19、模型训练模块，被配置为在自动开闭器的动静接点处设置若干标记，采集所述动静接点处的若干初始图像，并对所述初始图像中关键部位的轮廓和类别进行标注得到训练图像，构建深度学习网络模型并利用所述训练图像进行训练；
20、图像处理模块，被配置为获取所述动静接点处的实时监测图像，并利用训练好的深度学习网络模型对所述实时监测图像进行处理，得到各个关键部位的模板图像；
21、计算模块，被配置为基于所述模板图像计算相接触的动接点与静接点片上的固定螺丝之间的像素距离，并根据所述像素距离计算所述动接点与所述静接点片的接触深度。
22、可选的，所述图像处理模块包括：
23、校正单元，被配置为根据类别名，识别出所述标记的坐标点，以及根据所述坐标点的位置及标记的尺寸，对所述实时监测图像进行校正；
24、分类单元，被配置为对所述校正后的监测图片进行处理，根据所述类别名生成多个模板图像，每个模板图像只保留与当前类别名相对应的关键部位。
25、可选的，所述转辙机机器视觉监测系统还包括松脱判断模块，所述松脱判断模块被配置为：
26、基于所述模板图像计算所述动接点与所述静接点片上的固定螺丝的数量是否达到第一设定值以判断所述固定螺丝是否发生脱落；
27、首次运行所述深度学习网络模型时，将用于识别固定螺丝的图像设定为参考图像；
28、将对应关键部位的所述模板图像与所述参考图像进行比对分析，通过结构相似性指数、均方误差及峰值信噪比的值判断所述固定螺丝是否发生松动。
29、可选的，所述静接点片包括分别位于所述动接点两侧的两个静接点片，所述转辙机机器视觉监测系统还包括静接点片判断模块，所述静接点片判断模块被配置为：
30、基于所述模板图像分别计算所述动接点上的固定螺丝与两个所述静接点片上的固定螺丝的第一像素距离和第二像素距离，并基于所述第一像素距离与所述第二像素距离的比值判断所述动接点与哪一侧的静接点片接触；
31、基于所述模板图像计算未与所述动接点接触的静接点片上的数量是否达到第二设定值以判断所述静接点片是否完好。
32、基于同一技术构思，本专利技术还提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被执行时能实现如上所述的转辙机机器视觉监测方法。
33、在本专利技术提供的一种转辙机机器视觉监测方法、系统及可读存储介质中，至少具有以下有益效果之一：
34、1)通过构建深度学习网络模型对动静接点处的关键部位进行特征学习和提取，然后利用训练好的深度学习网络模型对实时监测图像进行处理得到对应的模板图像，进而基于模板图像计算得到动静接点的接触深度，本专利技术提供的转辙机机器视觉监测方法可用于对自动开闭器的动作状态进行实时监测，提高了识别的准确度及效率；
35、2)解决了现有转辙机出现故障时，不能即刻可视化查看内部状态信息，影响分析及解本文档来自技高网...
【技术保护点】
1.一种转辙机机器视觉监测方法，其特征在于，包括：
2.根据权利要求1所述的转辙机机器视觉监测方法，其特征在于，利用训练好的深度学习网络模型对所述实时监测图像进行处理的步骤具体包括：
3.根据权利要求2所述的转辙机机器视觉监测方法，其特征在于，利用训练好的深度学习网络模型对所述实时监测图像进行处理的步骤还包括：
4.根据权利要求3所述的转辙机机器视觉监测方法，其特征在于，所述转辙机机器视觉监测方法还包括判断固定螺丝是否松动及脱落，具体包括：
5.根据权利要求1所述的转辙机机器视觉监测方法，所述静接点片包括分别位于所述动接点两侧的两个静接点片，其特征在于，所述转辙机机器视觉监测方法还包括：
6.一种转辙机机器视觉监测系统，其特征在于，包括：
7.根据权利要求6所述的转辙机机器视觉监测系统，其特征在于，所述图像处理模块包括：
8.根据权利要求7所述的转辙机机器视觉监测系统，其特征在于，所述转辙机机器视觉监测系统还包括松脱判断模块，所述松脱判断模块被配置为：
9.根据权利要求6所述的转辙机机
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时能实现根据权利要求1-5中任一项所述的转辙机机器视觉监测方法。
...【技术特征摘要】
1.一种转辙机机器视觉监测方法，其特征在于，包括：
2.根据权利要求1所述的转辙机机器视觉监测方法，其特征在于，利用训练好的深度学习网络模型对所述实时监测图像进行处理的步骤具体包括：
3.根据权利要求2所述的转辙机机器视觉监测方法，其特征在于，利用训练好的深度学习网络模型对所述实时监测图像进行处理的步骤还包括：
4.根据权利要求3所述的转辙机机器视觉监测方法，其特征在于，所述转辙机机器视觉监测方法还包括判断固定螺丝是否松动及脱落，具体包括：
5.根据权利要求1所述的转辙机机器视觉监测方法，所述静接点片包括分别位于所述动接点两侧的两个静接点片，其特征在于，所述转辙机机器视觉监测方法还包括：
...
【专利技术属性】
技术研发人员：凌光清，付强，李中羽，克高兵，李悦富，叶富智，邓俊，苏航，谭波，姚贯岳，孟凡江，张楚潘，李定国，刘婷闻，
申请(专利权)人：广州地铁集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。