一种基于机器学习与双目视觉的轮轨冲角检测方法与流程

本发明属于轨道交通安全领域以及轨道车辆智能运维领域，尤其涉及一种基于机器学习与双目视觉的轮轨冲角检测方法。

背景技术：

1、行车安全与设备稳定是轨道交通运行的核心要求。列车运行时，车轮与钢轨的接触状态直接影响车辆运行安全和设备使用寿命。其中，轮轨冲角是反映车轮与钢轨相对接触姿态的关键参数，直接决定轮轨受力和磨损情况，是轨道交通状态监测的重要指标。

2、轮轨冲角是指车轮滚动平面与钢轨纵向中心线的夹角。列车高速行驶、过曲线路段时，轮轨冲角会不断动态变化。若冲角过大或波动异常，会造成车轮、钢轨偏磨、表面损伤，加速车辆走行部零部件疲劳老化，增加运维成本，严重时还会引发轮轨接触异常，产生安全隐患。因此，实时、准确监测轮轨冲角，对设备维护、工况优化和安全运营具有重要意义。

3、但在实际复杂工况下，受列车高速运行、轨道不平顺、轮轨接触状态实时多变、车辆悬挂系统非线性响应等多重因素干扰，轮轨接触姿态时刻处于动态变化中，导致轮轨冲角的高精度、实时在线监测难度极大，一直是轨道交通工程领域的技术难题。目前行业缺少直接、有效的冲角实时监测手段，传统技术无法精准捕捉列车运行过程中的冲角动态波动数据，难以支撑轮轨磨损评估和设备精细化运维工作。

4、从动力学传递特性来看，轮轨接触的细微变化首先作用于轮对，信号从轮对传递至转向架构架的过程中，会受轨道扰动、结构形变、悬挂阻尼衰减等因素干扰，出现信号衰减、失真、噪声叠加等问题。因此，构架加速度数据无法真实、精准反映轮轨的实际接触状态和冲角实时变化。

5、传统间接监测方法只能粗略判断车辆宏观异常，无法精准捕捉轮轨微观接触状态，难以满足精准磨耗评估、预防性维护、精细化行车调控的需求。针对该技术痛点，本专利提出一种基于虚拟点跟踪网络的轮轨冲角计算方法，突破传统监测方式的局限，实现轮轨冲角高精度实时求解，为轮轨状态精准监测、轨道车辆安全运维提供可靠的新技术方案。

技术实现思路

1、针对现有间接测量与二维单目视觉技术中的不足，本发明结合双目视觉三维重建技术与基于自顶向下（top-down）架构的深度学习视觉检测模型，提供了一种基于深度学习与双目视觉的三维轮轨冲角动态检测方法，具体的方法步骤为：

2、s1、构建基于自顶向下（top-down）架构的轮轨双级视觉检测网络，所述双级视觉检测网络包括用于预筛选的感兴趣区域（roi）目标检测模型和用于精确定位的关键点检测模型；

3、s2、将一台集成线激光、补光装置和高清双目相机的工装安装至转向架端部，并在转向架构架左右两侧对称安装两个位移传感器，用于实时检测轮对相对于构架的纵向位移，采集车辆动态行驶过程中的轨道双目视频；然后从其中选取一段视频，并从该双目视频中抽取图像帧，按7:3的比例划分训练集与内部验证集；首先使用矩形框在图像中对包含轮轨接触区域的特征目标进行标记，构建roi检测数据集，所述特征目标记为单条轨道的检测框；然后使用构建的roi检测数据集对未训练的目标检测模型进行训练，损失函数采用交叉熵损失（cross entropy loss）与边界框回归的交并比（iou）损失的加权组合，预热阶段使用linearlr策略，随后采用余弦退火策略衰减学习率，训练完成后得到训练好的roi目标检测模型；

4、s3、对已裁剪的roi图像区域进行关键点标记构建关键点检测数据集，具体标记为单条轨道表面特征的四个虚拟关键点：位于轨道左侧的第一特征点p1（左上）、第三特征点p3（左下），以及位于轨道右侧的第二特征点p2（右上）、第四特征点p4（右下）；并利用simcc分类算法将关键点横、纵坐标进行解耦预测；

5、s4、对roi检测数据集以及关键点检测数据集应用包含随机仿射变换、hsv色彩空间扰动及局部遮挡在内的数据增强策略，并将增强后的数据输入至未训练的关键点检测模型中进行训练，优化器选用adamw，并采用kl散度（kldiscretloss）计算损失，经过预热与余弦退火学习率调度后，得到训练好的关键点检测模型；

6、s5、进入实测运行阶段，传入待检测的另一段轮轨接触双目视频，并同步读取两个位移传感器采集的与视频帧时间戳对齐的逐帧位移数据，逐帧提取左目图像与右目图像并分别输入至所述训练好的roi目标检测模型中，输出双目图像各自的预测目标框，根据所述预测目标框分别对左、右目图像进行裁剪，并将裁剪后的局部图像统一缩放至固定分辨率大小（640×640）；将预处理后的左、右目局部图像输入至所述训练好的关键点检测模型中，预测每一帧下的关键点在整张图像（3840×1080）中的像素坐标；获取第帧下，第一特征点至第四特征点在左目全图坐标系下的二维像素坐标，以及在右目全图坐标系下的二维像素坐标，其中=1,2,3,4；

7、s6、依托双目视差原理，校准双目相机内参及外参，从而将步骤s5中提取的二维像素坐标映射为三维物理空间坐标；首先计算第帧下第个特征点的双目视差

8、；

9、结合双目基线距离，求解其在右目坐标系下的三维物理空间坐标矩阵

10、；

11、式中，与分别为左、右相机的主点坐标，为左、右相机的x轴焦距，为右相机的逆旋转外参矩阵，为右相机的逆内参矩阵；

12、s7、在三维物理空间坐标系下，所述四个特征点在空间平面上形成动态几何平行四边形；提取轨道同侧的第一特征点与第三特征点连线作为表征当前轨道几何轮廓的基准方向线；将横跨轨道左右异侧的第一特征点与第二特征点连线确立为上侧冲角表征线，将第三特征点与第四特征点连线确立为下侧冲角表征线；根据各特征点的三维空间坐标，分别计算第帧下基准方向线、上侧冲角表征线与下侧冲角表征线的瞬时斜率：

13、;

14、;

15、随后，通过反正切公式分别计算第帧下，上侧冲角表征线与所述基准方向线的瞬时空间夹角，以及下侧冲角表征线与所述基准方向线的瞬时空间夹角：

16、;

17、视频首帧提取的和作为无偏转状态下的初始基准角，通过差值计算获取第帧的构架相对于钢轨的实时动态偏转角：

18、;

19、s8、将两个位移传感器采集的位移数据与视频帧时间戳对齐，读取第帧下左、右位移传感器的位移读数和，根据两个位移传感器之间的横向安装间距，解算第帧下轮对相对于构架的偏转角：

20、;

21、式中，为第帧下轮对相对于构架的偏转角，、分别为左、右位移传感器在第帧下的位移读数，为两个位移传感器之间的横向安装间距；

22、由于双目相机通过工装固连于转向架构架，步骤s7解算得到的与实质上是构架相对于钢轨的偏转角；将构架相对于钢轨的偏转角与轮对相对于构架的偏转角作差，消除构架自身偏转的耦合影响，得到第帧下轮对相对于钢轨的真实轮轨冲角：

23、;

24、式中，分别为第帧下由上侧、下侧冲角表征线解算得到的两组真实轮轨冲角，上述各角度量均为带符号量且偏转正方向规定一致；

25、将包含所有测试视频帧下的上、下两组冲角数据按时序排列为向量集，对两组向量集分别执行去零均值化与平滑滤波处理，最终输出得到两段高保真反应轮轨冲角时域演变特性的对比数据曲线，两段曲线互相验证。

26、本专利旨在实现三维轮轨动态冲角的直接检测。与传统的间接推算或二维像素差测量不同，本专利通过深度学习结合双目视觉，直接观测轮轨接触区域的特征关键点，并基于双目视差原理将其精准还原为真实的三维物理空间角度。这种直接观测空间几何姿态的方法，能够更直观、清晰地反映真实的轮轨动态接触关系，从而为预防和解决列车曲线脱轨、轮轨异常急剧磨耗以及蛇行失稳等一系列核心行车安全问题提供直接、可靠的数据支撑与预警。

27、（1）现有技术中，传统的构架或轴箱加速度传感器间接测量法易受车辆悬挂系统传递衰减的干扰，无法准确还原出真实的轮轨空间几何姿态。而对于轨旁布设激光或视觉监测设备的技术手段，不仅设备造价昂贵、安装维护繁琐，且只能实现局部定点检测。本发明采用车载双目相机工装方案，无需复杂的轨旁基建，设备成本低且易于集成，能够随车实现全路段的轮轨冲角连续在线监测。

28、（2）本发明跳出了传统二维图像像素差的局限，依托双目视差原理与三维物理空间矩阵映射，将每一帧的二维精确定位点转换到三维绝对物理坐标系下进行几何解算。这种三维测距与测角方法不受图像尺度缩放的影响，能够精准捕捉轮轨之间微小的空间偏转，极大地提高了动态冲角的检测精度。

29、（3）在网络结构上，本发明采取了基于自顶向下（top-down）的双级视觉检测架构，即先通过roi目标检测获取整体轮轨接触区域，再进行局部虚拟关键点的精确定位。这种由整体到局部的预测方式不仅能有效过滤复杂工况下的背景环境干扰，还能更好地保留目标区域的高分辨率特征信息，显著提升了高频振动与复杂反光环境下的定位置信度与鲁棒性。

30、（4）本发明进一步引入对称安装于转向架构架左右两侧的位移传感器组，直接检测轮对相对于构架的偏转角，并与双目视觉解算得到的构架相对于钢轨的偏转角作差融合，有效消除了构架自身偏转对测量结果的耦合干扰，确保最终输出为轮对相对于钢轨的真实冲角，进一步提升了冲角检测的物理真实性与工程可信度。