一种检测铁丝断裂和丢失的方法

技术领域

本发明涉及一种检测铁丝的方法，特别是涉及一种检测铁丝断裂和丢失的方法，属于铁丝检测技术领域。

背景技术

如附图1所示，地铁中螺栓的固定加绑铁丝进一步进行固定，但是在地铁投运后为了保障地铁的正常运行，都是尽最大程度减少地铁的故障，所以在检测螺栓上铁丝断裂和丢失的故障样本较少，故障样本过少导致深度学习模型的训练集过少，影响铁丝断裂和丢失判断的准确性，而且在地铁上螺栓的固定铁丝捆绑位置由于光线或者干扰物会形成很多的干扰阴影面，传统的拍照技术无法准确清晰发现铁丝的断裂和丢失，针对以上问题，本发明提出一种检测铁丝断裂和丢失的方法，基于深度学习技术和3D相机拍摄的图片检测地铁车厢上的铁丝断裂和丢失，解决了传统拍照技术无法准确清晰发现铁丝和丢失的不足，点云检测技术的加入能够获取精确的铁丝轮廓，避免光线问题以及干扰物对铁丝检测带来的不良影响，连续点斜率检测的设置以及深度学习模型的训练能够有效解决由于训练集样本数量不足导致铁丝断裂和丢失判断不准确的不足，便于及时发现螺栓上捆绑铁丝的断裂和丢失，避免铁丝断裂造成对地铁正常运行带来安全隐患。

发明内容

本发明的主要目的是为了解决检测螺栓上铁丝断裂和丢失的故障样本较少，导致深度学习模型的训练不充分，影响铁丝断裂和丢失判断的准确性，而且在地铁上螺栓的固定铁丝捆绑位置由于光线或者干扰物会形成很多的干扰阴影面，传统的拍照技术无法准确清晰发现铁丝的断裂和丢失，而提供的一种检测铁丝断裂和丢失的方法。

本发明的目的可以通过采用如下技术方案达到：

一种检测铁丝断裂和丢失的方法，包括如下步骤：

步骤一：利用3D相机拍摄100张铁丝绑法一致且平整的待测区域待测图片，形成样本集；

步骤二：设置检测图片中铁丝检测框的大小，使其涵盖铁丝所有轮廓线；

步骤三：基于深度学习技术提取铁丝外围轮廓线，获取铁丝外轮廓线的点云；

步骤四：去除点云中全零无效点，采用高斯滤波法去除点云中的离群点；

步骤五：连接点云中的相邻点并做编号，测量每两个相邻点之间的斜率，并对相邻的两个斜率求差值，再求出斜率差值对应的倾斜角差值；

步骤六：在训练集输入直线斜率差的判断角度范围，并识别每张图片中的倾斜角差，并记录倾斜角差超范围的段数，同时记录倾斜角差未超范围的图片数量；

步骤七：在判断倾斜角差未超范围的图片数量最大时，将判断角度范围进行记录作为下一次的训练初始输入；

步骤八：重复步骤一至步骤七，直至判断倾斜角差未超范围的图片超过90张，则判定铁丝未断裂或丢失。

作为本发明进一步的方案，所述步骤一中使检测框紧贴铁丝最外围轮廓线5毫米设置。

作为本发明进一步的方案，所述步骤三中对获取的点云间距进行设置，选取每隔4毫米获取点，在斜率变化较大的位置加密至每隔2毫米获取点。

作为本发明进一步的方案，所述步骤五中将点云中的点进行编号，将点的编号设为i，相邻的两个斜率差值公式为：

作为本发明进一步的方案，所述步骤六记录的倾斜角差超范围的段数利用连续性对其进行分类，出现持续性相邻超范围的点划分为一个类目，并利用类目的数量以及同类目持续性倾斜角差超范围的线段累加长度，与铁丝断裂和丢失的严重度正相关的关系设置断裂度公式，断裂度公式为：

作为本发明进一步的方案，还包括为所述步骤一铁丝绑法一致且平整的图片均设置一组绑法不同的对比组，重复步骤一至步骤八，观察对比组的结果。

本发明的有益技术效果：按照本发明的检测铁丝断裂和丢失的方法，基于深度学习技术和3D相机拍摄的图片检测地铁车厢上的铁丝断裂和丢失，解决了传统拍照技术无法准确清晰发现铁丝断裂和丢失的不足，点云检测技术的加入能够获取精确的铁丝轮廓，避免光线问题以及干扰物对铁丝检测带来的不良影响，连续点斜率检测的设置以及深度学习模型的训练能够有效解决由于训练集样本数量不足导致铁丝断裂和丢失判断不准确的不足，便于及时发现螺栓上捆绑铁丝的断裂和丢失，避免铁丝断裂造成对地铁正常运行带来安全隐患。

附图说明

图1为按照本发明的检测铁丝断裂和丢失的方法的现有地铁螺栓上铁丝固定捆绑图；

图2为按照本发明的检测铁丝断裂和丢失的方法的检测算法流程图。

具体实施方式

为使本领域技术人员更加清楚和明确本发明的技术方案，下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

如图1-图2所示，本实施例提供的检测铁丝断裂和丢失的方法，包括如下步骤：

步骤一：利用3D相机拍摄100张铁丝绑法一致且平整的待测区域待测图片，形成样本集；

步骤二：设置检测图片中铁丝检测框的大小，使其涵盖铁丝所有轮廓线；

步骤三：基于深度学习技术提取铁丝外围轮廓线，获取铁丝外轮廓线的点云；

步骤四：去除点云中全零无效点，采用高斯滤波法去除点云中的离群点；

步骤五：连接点云中的相邻点并做编号，测量每两个相邻点之间的斜率，并对相邻的两个斜率求差值，再求出斜率差值对应的倾斜角差值；

步骤六：在训练集输入直线斜率差的判断角度范围，并识别每张图片中的倾斜角差，并记录倾斜角差超范围的段数，同时记录倾斜角差未超范围的图片数量；

步骤七：在判断倾斜角差未超范围的图片数量最大时，将判断角度范围进行记录作为下一次的训练初始输入；

步骤八：重复步骤一至步骤七，直至判断倾斜角差未超范围的图片超过90张，则判定铁丝未断裂或丢失。

基于深度学习技术和3D相机拍摄的图片检测地铁车厢上的铁丝断裂和丢失，解决了传统拍照技术无法准确清晰发现铁丝和丢失的不足，点云检测技术的加入能够获取精确的铁丝轮廓，避免光线问题以及干扰物对铁丝检测带来的不良影响，连续点斜率检测的设置以及深度学习模型的训练能够有效解决由于训练集样本数量不足导致铁丝断裂和丢失判断不准确的不足，便于及时发现螺栓上捆绑铁丝的断裂和丢失，避免铁丝断裂造成对地铁正常运行带来安全隐患。

所述步骤一中使检测框紧贴铁丝最外围轮廓线5毫米设置。

通过将步骤一中检测框紧贴铁丝最外围轮廓线5毫米设置能够在将铁丝待检测的区域包括在检测框内的同时，避免螺栓过多的介入检测框导致对铁丝断裂和丢失检测带来不良干扰。

所述步骤三中对获取的点云间距进行设置，选取每隔4毫米获取点，在斜率变化较大的位置加密至每隔2毫米获取点。

通过点云间距的设置能够对铁丝弯折改变较大的地方进行点云加密，进而便于更加清晰的检测铁丝的断裂和丢失，避免均一的点云间距导致样本数据疏漏检测段导致检测结果不准确的问题。

所述步骤五中将点云中的点进行编号，将点的编号设为i，相邻的两个斜率差值公式为：

通过斜率差公式和倾斜角差的转换关系式能够对相邻的点构成的线段计算斜率以及倾斜角之间进行相互转换。

所述步骤六记录的倾斜角差超范围的段数利用连续性对其进行分类，出现持续性相邻超范围的点划分为一个类目，并利用类目的数量以及同类目持续性倾斜角差超范围的线段累加长度，与铁丝断裂和丢失的严重度正相关的关系设置断裂度公式，断裂度公式为：

通过断裂度的设置能够对铁丝断裂的程度进行评估，通常铁丝断裂处数量一般为1或者2，当断裂处数量为1时，D

本实施提供的检测铁丝断裂和丢失的方法，还包括为所述步骤一铁丝绑法一致且平整的图片均设置一组绑法不同的对比组，重复步骤一至步骤八，观察对比组的结果。

通过对比组的设置能够丰富训练集的样本数量，这样能够增加训练的充分性，同时验证本发明提供的铁丝检测断裂和丢失方法对其他绑法的铁丝断裂是否适用。

综上所述，在本实施例中，按照本实施例的检测铁丝断裂和丢失的方法，通过将步骤一中检测框紧贴铁丝最外围轮廓线5毫米设置能够在将铁丝待检测的区域包括在检测框内的同时，避免螺栓过多的介入检测框导致对铁丝断裂和丢失检测带来不良干扰。通过点云间距的设置能够对铁丝弯折改变较大的地方进行点云加密，进而便于更加清晰的检测铁丝的断裂和丢失，避免均一的点云间距导致样本数据疏漏检测段导致检测结果不准确的问题。通过斜率差公式和倾斜角差的转换关系式能够对相邻的点构成的线段计算斜率以及倾斜角之间进行相互转换。通过断裂度的设置能够对铁丝断裂的程度进行评估，通常铁丝断裂处数量一般为1或者2，当断裂处数量为1时，D

以上所述，仅为本发明进一步的实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明所公开的范围内，根据本发明的技术方案及其构思加以等同替换或改变，都属于本发明的保护范围。