一种轨道检测图像采集分析方法与流程

1.本发明涉及轨道检测技术领域，具体涉及一种轨道检测图像采集分析方法。


背景技术：

2.随着深度学习和其他相关技术的飞速发展，卷积神经网络已广泛用于对象检测和分类，尤其是在轨道检测图像的采集分析中，提取图像特征方面显示出显著优势，但是在检测速度上依旧不能很好的满足实时性要求，针对轨道检测图像中轨道线等目标的小尺寸和大纵横比进行分析的准确性还不够。所以，需要一种轨道检测图像采集分析方法解决以上问题。


技术实现要素：

3.本发明提供了一种轨道检测图像采集分析方法，通过改进的yolo-v3网络结构和canny边缘检测算法构建图像分析模型，可以全面精准地分析轨道检测图像，发现轨道工况异常，提高了轨道检测图像采集分析质量和效率，解决了背景技术中提出的问题。
4.本发明提供了一种轨道检测图像采集分析方法，包括：
5.s1、基于预设的采集标准，采集若干幅轨道检测图像，获得轨道检测图像数据集；
6.s2、对轨道检测图像数据集进行基础处理，生成待分析轨道检测图像数据集；
7.s3、基于改进的yolo-v3网络结构和canny边缘检测算法构建图像分析模型，利用所述图像分析模型对所述待分析轨道检测图像数据集进行分析，得到轨道工况分析结果。
8.进一步地，s1中预设的采集标准包括：
9.s101、选择采集装置，所述采集装置包括工业相机、高清摄像机和红外摄像机的一种或几种；
10.s102、设置采集天候条件，所述采集天候条件包括正常天候条件、雨雪雾天气和夜间环境一种或几种；
11.s103、确定采集的轨道检测图像种类，所述轨道检测图像种类包括直线轨道检测图像、曲线轨道检测图像和遮挡轨道检测图像；
12.进一步地，s2包括：
13.s201、向所述轨道检测图像数据集中的图像添加椒盐噪声，获得添加噪声的轨道检测图像，将所述添加噪声的轨道检测图像添加入所述轨道检测图像数据集，生成增广轨道检测图像数据集；
14.s202、采用中值滤波方法对所述增广轨道检测图像数据集进行滤波处理，获得滤波轨道检测图像数据集；
15.s203、对所述滤波轨道检测图像数据集中的图像按照预设的划分比例进行区域划分，获得感兴趣区域图像；
16.s204、将所述感兴趣区域图像进行逆透视变换，获得轨道检测图像的鸟瞰图，汇总所述轨道检测图像的鸟瞰图得到待分析轨道检测图像数据集。
17.进一步地，s3包括：
18.s301、划分待分析轨道检测图像数据集，得到图像测试集和图像训练集，并使用目标检测标注工具对图像训练集中的图像进行目标标注；
19.s302、基于改进的yolo-v3检测算法构建第一图像分析子模型，利用所述第一图像分析子模型，对所述图像训练集进行分析预测，获得基本分析结果；
20.s303、基于canny边缘检测算法对待分析轨道检测图像数据集进行分析预测，获得精确分析结果；
21.s304、对所述精确分析结果进行曲线拟合操作，得到轨道检测图像的轨道轨迹线数据，根据所述轨道轨迹线数据推测出轨道线的参数信息；
22.s305、将轨道线的参数信息与预设的轨道线的标准参数信息进行比较，获得轨道工况分析结果。
23.进一步地，s302包括：
24.s3021、对所述图像训练集和图像测试集中的轨道检测图像分别进行统一格式预处理，获得预处理训练集轨道检测图像和预处理测试集轨道检测图像；
25.s3022、将所述预处理训练集轨道检测图像输入到第一图像分析子模型，利用darknet-53网络进行图像特征提取，包括：
26.获取底层输出特征量，生成第一图像特征；对该第一图像特征进行一层卷积和一次上采样处理，得到第一处理图像特征；
27.将卷积层输出量与所述第一处理图像特征进行堆叠操作，生成第二图像特征；对该第二图像特征进行一层卷积和一次上采样处理，得到第二处理图像特征；
28.将中间层输出特征量与所述第二处理图像特征进行堆叠，生成第三图像特征；
29.s3023、将所述第一图像特征、第二图像特征和第三图像特征分别输入到yolo层进行训练，直至达到训练次数后停止迭代，并生成权重模型；
30.s3024、将所述预处理测试集轨道检测图像输入到所述darknet-53网络进行图像特征提取，调用权重模型对预处理测试集轨道检测图像测试集中图像进行识别分析，获得基本分析结果。
31.进一步地，s303包括：
32.s3031、将所述待分析轨道检测图像数据集中的图像按照预设的划分条件进行网格划分，所述划分条件为网格单元格纵向高度值为横向宽度值的2倍；
33.s3032、设置预测框置信度的阈值范围，采用最大类间方差法遍历图像灰度的分布，计算得到适当的预测框置信度阈值；
34.s3033、比较预测框置信度阈值与预测框置信度的大小，当所述预测框置信度大于预测框置信度阈值时，重新设定区域，转至步骤s3034；当所述预测框置信度大于等于四分之一预测框置信度阈值并且小于预测框置信度阈值时，重新设定区域，转至步骤s3035；所述重新设定区域包括按照预定的像素值扩展边界框坐标像素；
35.s3034、基于canny算子进行边缘检测，对区域进行二值化并确定轨道的连通域；
36.s3035、将扩展后的区域中的像素值设置为0；
37.s3036、结合步骤s3034和步骤s3035，获得精确分析结果。
38.进一步地，s304包括：
39.s3041、使用三次贝塞尔样条对随机抽取的像素进行拟合，得到若干样条曲线；
40.s3042、对拟合效果进行评分，获得评分结果；
41.s3043、根据所述评分结果，将直线度高、长度长的曲线作为拟合线条。
42.进一步地，s305包括：
43.s3051、基于轨道线的大数据信息，获得轨道线的标准参数信息；
44.s3052、根据所述轨道线的标准参数信息，制定轨道工况正常运行的条件；
45.s3053、将轨道线的参数信息与所述条件进行匹配，当所述参数信息满足所述条件时，则表示轨道工况分析结果正常；当所述参数信息不满足所述条件时，则表示轨道工况分析结果异常。
46.进一步地，在步骤s3之后包括：s4，对轨道工况分析结果进行异常确认：所述s4包括：
47.s401、获取轨道工况分析结果异常所对应的轨道检测图像，并获取该轨道检测图像所在区域；
48.s402、选取采用第一采集模式对所述区域进行采集得到的第一采集图像；所述第一采集模式为正常天候条件采集；选取采用第二采集模式对所述区域进行采集得到的第二采集图像；所述第二采集模式为雨雪雾天气或夜间环境；
49.s403、采用结构相似度度量方法，比较所述第一采集图像和第二采集图像的相似度；当所述相似度数值范围大于预设的相似度阈值时，则可确定轨道工况分析结果异常；
50.s404、当所述相似度数值范围小于预设的相似度阈值时，则比较所述第一采集图像与轨道检测原始图像的相似度；当所述相似度数值范围小于预设的相似度阈值时，则可确定轨道工况分析结果异常；所述轨道检测原始图像为轨道工作检测结果正常时，轨道所在区域所对应的轨道检测图像。
51.进一步地，所述s4之后包括：s5，对轨道工况分析结果异常设定解决方案，所述s5包括：
52.s501、将轨道工况分析结果异常所对应的轨道检测图像导入预设的空白数据库，并将轨道参数作为索引建立分类项；
53.s502、根据所述分类项建立对应的故障类型项；根据所述故障类型项建立相对应的解决方案项；根据所述故障类型项建立故障类型库，根据所述解决方案项建立解决方案库；
54.s503、根据轨道工况分析结果异常确定相对应的解决方案，并根据解决方案的解决结果及时完善更新解决方案库。
55.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
56.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
57.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
58.图1为本发明的一种轨道检测图像采集分析方法示意图；
59.图2为本发明的一种轨道检测图像采集分析方法步骤s1中预设的采集标准的示意图；
60.图3为本发明的一种轨道检测图像采集分析步骤s2的方法示意图。
具体实施方式
61.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
62.本发明提供了一种轨道检测图像采集分析方法，如图1所示，包括：
63.s1、基于预设的采集标准，采集若干幅轨道检测图像，获得轨道检测图像数据集；
64.s2、对轨道检测图像数据集进行基础处理，生成待分析轨道检测图像数据集；
65.s3、基于改进的yolo-v3网络结构和canny边缘检测算法构建图像分析模型，利用所述图像分析模型对所述待分析轨道检测图像数据集进行分析，得到轨道工况分析结果。
66.上述技术方案的工作原理为：yolo算法可以快速对对象进行分类和定位，并直接在输出层获得对象的位置和类别。yolo-v1是yolo系列的最初的算法，通过增加输入图像的大小来提高对小物体的检测能力，算法过程为：首先调整图像尺寸，然后对图像进行相应的卷积网络运算，最后通过模型回归得到的目标置信度来对结果进行分析调整阈值。yolo-v2在yolo-v1的基础上添加了锚定框，并使用k均值训练边界框以自动找到更好的框尺寸，这使得预测对象位置更加容易和准确。但是，由于在高级特征图中保存的关于小物体的信息较少，因此当邻近物体过多时，检测结果不令人满意；本实施例采用的yolo-v3由darknet-53特征提取网络和yolo层组成；其中darknet-53主要由卷积层和残差层组成，用来提取图像特征；yolo层则是利用darknet-53得到的特征进行目标检测的一个预测，采用类似特征金字塔结构的上采样和特征融合，进行多尺度预测，提取更有效的特征，产生了三种不同大小尺度的特征提取结果，最终预测出先验框个数。canny算法可以发现输入图像的边缘而且在输出图像中标识这些边缘；本实施例在利用yolo-v3构建模型进行图像分析的基础上，又基于canny的自适应阈值检测算法对轨道检测图像中的轨道进行重新定位识别分析；具体为：基于预设的采集标准，采集若干幅轨道检测图像，获得轨道检测图像数据集；对轨道检测图像数据集进行基础处理，生成待分析轨道检测图像数据集；基于改进的yolo-v3网络结构和canny边缘检测算法构建图像分析模型，利用所述图像分析模型对所述待分析轨道检测图像数据集进行分析，得到轨道工况分析结果。
67.上述技术方案的有益效果为：采用本实施例提供的方案，本发明通过改进的yolo-v3网络结构和canny边缘检测算法构建图像分析模型，可以全面精准地分析轨道检测图像，发现轨道工况异常，提高了轨道检测图像采集分析质量和效率。
68.在一个实施例中，如图2所示，s1中预设的采集标准包括：
69.s101、选择采集装置，所述采集装置包括工业相机、高清摄像机和红外摄像机的一种或几种；
70.s102、设置采集天候条件，所述采集天候条件包括正常天候条件、雨雪雾天气和夜间环境一种或几种；
71.s103、确定采集的轨道检测图像种类，所述轨道检测图像种类包括直线轨道检测
图像、曲线轨道检测图像和遮挡轨道检测图像；
72.上述技术方案的工作原理为：通过设置多样的采集条件，以丰富轨道检测图像的数据集；本实施例首先选择采集装置，所述采集装置包括工业相机、高清摄像机和红外摄像机的一种或几种；其次，设置采集天候条件，所述采集天候条件包括正常天候条件、雨雪雾天气和夜间环境一种或几种；最后，确定采集的轨道检测图像种类，所述轨道检测图像种类包括直线轨道检测图像、曲线轨道检测图像和遮挡轨道检测图像；
73.上述技术方案的有益效果为：采用本实施例提供的方案，可以保证轨道检测图像的数据代表性和多样性，提高轨道检测图像的分析效果。
74.在一个实施例中，如图3所示，s2包括：
75.s201、向所述轨道检测图像数据集中的图像添加椒盐噪声，获得添加噪声的轨道检测图像，将所述添加噪声的轨道检测图像添加入所述轨道检测图像数据集，生成增广轨道检测图像数据集；
76.s202、采用中值滤波方法对所述增广轨道检测图像数据集进行滤波处理，获得滤波轨道检测图像数据集；
77.s203、对所述滤波轨道检测图像数据集中的图像按照预设的划分比例进行区域划分，获得感兴趣区域图像；
78.s204、将所述感兴趣区域图像进行逆透视变换，获得轨道检测图像的鸟瞰图，汇总所述轨道检测图像的鸟瞰图得到待分析轨道检测图像数据集。
79.上述技术方案的工作原理为：数据集增广是目前深度学习训练过程中最常见的一种避免模型训练过拟合的方法，对原始数据集的增广，是在原有数据集之上增加一定的噪声，使生成的图像与原图像存在一定差异；椒盐噪声是数字图像的一个常见噪声；本实施例通过向所述轨道检测图像数据集中的图像添加椒盐噪声，获得添加噪声的轨道检测图像，将所述添加噪声的轨道检测图像添加入所述轨道检测图像数据集，生成增广轨道检测图像数据集；
80.中值滤波是一种常见的非线性滤波方法；该方法将周围像素按特定排列，并用中间值代替原像素；中值滤波疏忽了图片像素点当中的关联性，当检测的物体细微的纹理复杂时，中值滤波的结果会破坏其不分纹理；本实施例采用中值滤波方法对所述增广轨道检测图像数据集进行滤波处理，获得滤波轨道检测图像数据集；
81.通过划分出要分析的感兴趣区域，可以减少算法的计算量，并且提高系统的实时性，本实施例对所述滤波轨道检测图像数据集中的图像按照预设的划分比例进行区域划分，获得感兴趣区域图像；
82.使用逆透视变换映射方法可以将感兴趣区域图像映射到一个新的平面上，让轨道线以平行的方式显示在鸟瞰图中，有利于精准的划分轨道线；本实施例将所述感兴趣区域图像进行逆透视变换，获得轨道检测图像的鸟瞰图，汇总所述轨道检测图像的鸟瞰图得到待分析轨道检测图像数据集。
83.上述技术方案的有益效果为：采用本实施例提供的方案，通过对轨道检测图像数据集中的图像进行基础处理，可以提高轨道检测图像分析的质量和效率。
84.在一个实施例中，s3包括：
85.s301、划分待分析轨道检测图像数据集，得到图像测试集和图像训练集，并使用目
标检测标注工具对图像训练集中的图像进行目标标注；
86.s302、基于改进的yolo-v3检测算法构建第一图像分析子模型，利用所述第一图像分析子模型，对所述图像训练集进行分析预测，获得基本分析结果；
87.s303、基于canny边缘检测算法对待分析轨道检测图像数据集进行分析预测，获得精确分析结果；
88.s304、对所述精确分析结果进行曲线拟合操作，得到轨道检测图像的轨道轨迹线数据，根据所述轨道轨迹线数据推测出轨道线的参数信息；
89.s305、将轨道线的参数信息与预设的轨道线的标准参数信息进行比较，获得轨道工况分析结果。
90.上述技术方案的工作原理为：训练时用到的图像数据集需要进行标记，通过使用标注框完整且包含轨道线目标，可以提高模型识别的效果；然后通过两个图像分析子模型对图像进行分析，以获得轨道工况分析结果；
91.采用yolo-v3检测算法构建的分析模型对简单场景中轨道检测图像的分析效果较好，为了提高图像分析模型的泛化能力，使图像分析模型能够对复杂条件(不同的天候条件、夜晚环境)下的轨道检测图像有好的分析效果，本实施例在采用yolo-v3检测算法构建的基础上，采用转移学习的方法，通过基于canny的自适应阈值检测算法对检测到的轨道进行重新定位，原始的未标记图像被用于重新训练，可以实现图像分析模型在复杂条件情况下识别分析效果；本实施例包括：
92.s301、划分待分析轨道检测图像数据集，得到图像测试集和图像训练集，并使用目标检测标注工具对图像训练集中的图像进行目标标注；
93.s302、基于改进的yolo-v3检测算法构建第一图像分析子模型，利用所述第一图像分析子模型，对所述图像训练集进行分析预测，获得基本分析结果；
94.s303、基于canny边缘检测算法对待分析轨道检测图像数据集进行分析预测，获得精确分析结果；
95.s304、对所述精确分析结果进行曲线拟合操作，得到轨道检测图像的轨道轨迹线数据，根据所述轨道轨迹线数据推测出轨道线的参数信息；
96.s305、将轨道线的参数信息与预设的轨道线的标准参数信息进行比较，获得轨道工况分析结果。
97.上述技术方案的有益效果为：采用本实施例提供的方案，通过采用两个子模型对轨道检测图像进行分析，可以提高分析的精准度，从而对轨道工况进行有效的判定。
98.在一个实施例中，s302包括：
99.s3021、对所述图像训练集和图像测试集中的轨道检测图像分别进行统一格式预处理，获得预处理训练集轨道检测图像和预处理测试集轨道检测图像；
100.s3022、将所述预处理训练集轨道检测图像输入到第一图像分析子模型，利用darknet-53网络进行图像特征提取，包括：
101.获取底层输出特征量，生成第一图像特征；对该第一图像特征进行一层卷积和一次上采样处理，得到第一处理图像特征；
102.将卷积层输出量与所述第一处理图像特征进行堆叠操作，生成第二图像特征；对该第二图像特征进行一层卷积和一次上采样处理，得到第二处理图像特征；
103.将中间层输出特征量与所述第二处理图像特征进行堆叠，生成第三图像特征；
104.s3023、将所述第一图像特征、第二图像特征和第三图像特征分别输入到yolo层进行训练，直至达到训练次数后停止迭代，并生成权重模型；
105.s3024、将所述预处理测试集轨道检测图像输入到所述darknet-53网络进行图像特征提取，调用权重模型对预处理测试集轨道检测图像测试集中图像进行识别分析，获得基本分析结果。
106.上述技术方案的工作原理为：darknet-53主要由一系列的卷积层和残差层组成，可以用以对图像特征进行提取。darknet-53特征提取大致运行步骤为：输入图像，经过特殊卷积块卷积操作，然后经过一系列残差操作输出三个形状不同特征层，将其放入到yolo层进行解码操作，通过对特征的分析，获得基本分析结果；本实施例包括：
107.s3021、对所述图像训练集和图像测试集中的轨道检测图像分别进行统一格式预处理，获得预处理训练集轨道检测图像和预处理测试集轨道检测图像；
108.s3022、将所述预处理训练集轨道检测图像输入到第一图像分析子模型，利用darknet-53网络进行图像特征提取，包括：
109.获取底层输出特征量，生成第一图像特征；对该第一图像特征进行一层卷积和一次上采样处理，得到第一处理图像特征；
110.将卷积层输出量与所述第一处理图像特征进行堆叠操作，生成第二图像特征；对该第二图像特征进行一层卷积和一次上采样处理，得到第二处理图像特征；
111.将中间层输出特征量与所述第二处理图像特征进行堆叠，生成第三图像特征；
112.s3023、将所述第一图像特征、第二图像特征和第三图像特征分别输入到yolo层进行训练，直至达到训练次数后停止迭代，并生成权重模型；
113.s3024、将所述预处理测试集轨道检测图像输入到所述darknet-53网络进行图像特征提取，调用权重模型对预处理测试集轨道检测图像测试集中图像进行识别分析，获得基本分析结果。
114.上述技术方案的有益效果为：采用本实施例提供的方案，通过采用图像分析子模型进行分析，可以提高轨道检测图像分析的效果。
115.在一个实施例中，s303包括：
116.s3031、将所述待分析轨道检测图像数据集中的图像按照预设的划分条件进行网格划分，所述划分条件为网格单元格纵向高度值为横向宽度值的2倍；
117.s3032、设置预测框置信度的阈值范围，采用最大类间方差法遍历图像灰度的分布，计算得到适当的预测框置信度阈值；
118.s3033、比较预测框置信度阈值与预测框置信度的大小，当所述预测框置信度大于预测框置信度阈值时，重新设定区域，转至步骤s3034；当所述预测框置信度大于等于四分之一预测框置信度阈值并且小于预测框置信度阈值时，重新设定区域，转至步骤s3035；所述重新设定区域包括按照预定的像素值扩展边界框坐标像素；
119.s3034、基于canny算子进行边缘检测，对区域进行二值化并确定轨道的连通域；
120.s3035、将扩展后的区域中的像素值设置为0；
121.s3036、结合步骤s3034和步骤s3035，获得精确分析结果。
122.上述技术方案的工作原理为：在使用yolo-v3进行检测的过程中，检测器将图像处
理成sxs个网格，并且候选框以相同的密度分布在x和y轴上；当需要被识别的物体的中心进入到任一网格内，则该网格仅负责预测这个目标；任意一个网格都会预测出b个边界框，这些框不但反馈自己的位置还预测出置信度的数值；边界框信息包含五个数据值，分别是x，y，w，h，c；其中(x，y)表示当前网格预测得到的物体的边界框的中心位置的坐标，w、h分别表示边界框的高度和对应的宽度，而c则表示置信度；但在轨道检测图像鸟瞰图中，轨道在x轴上稀疏分布，在y轴上连续分布，sxs的网格密度不能用于检测像轨道线这样的小尺寸和大纵横比的目标；为了减轻宽高比对物体检测的影响，本实施例将图像划分为sx2s网格，通过提高纵向检测密度来改进检测器，以便更适合于轨道检测。
123.在对轨道检测图像分析的过程中，首先去预测选择出来的符合条件的候选区域；然后，将预测结果挑选出来，同时获得具有高置信度的预测框，在获得每个预测框的置信度后，由于低置信度的预测值可能是非轨道线，通过给阈值赋值将分数相对低的框删除，然后通过非最大抑制处理其余的边界框，以获得多组高分边界框，最后得出位置参数。
124.在模型训练期间，为了加快训练速度，将置信度值的阈值进行调整，即重新设定轨道线边界框的区域范围，然后使用基于canny的自适应边缘检测算法来快速重定位轨道线。本实施例具体包括：
125.s3031、将所述待分析轨道检测图像数据集中的图像按照预设的划分条件进行网格划分，所述划分条件为网格单元格纵向高度值为横向宽度值的2倍；
126.s3032、设置预测框置信度的阈值范围，采用最大类间方差法遍历图像灰度的分布，计算得到适当的预测框置信度阈值；
127.s3033、比较预测框置信度阈值与预测框置信度的大小，当所述预测框置信度大于预测框置信度阈值时，重新设定区域，转至步骤s3034；当所述预测框置信度大于等于四分之一预测框置信度阈值并且小于预测框置信度阈值时，重新设定区域，转至步骤s3035；所述重新设定区域包括按照预定的像素值扩展边界框坐标像素；
128.s3034、基于canny算子进行边缘检测，对区域进行二值化并确定轨道的连通域；
129.s3035、将扩展后的区域中的像素值设置为0；
130.s3036、结合步骤s3034和步骤s3035，获得精确分析结果。
131.上述技术方案的有益效果为：采用本实施例提供的方案，基于改进的canny算子进行边缘检测分析，可以提高对轨道检测图像的分析的精准度，提高分析的质量。
132.在一个实施例中，s304包括：
133.s3041、使用三次贝塞尔样条对随机抽取的像素进行拟合，得到若干样条曲线；
134.s3042、对拟合效果进行评分，获得评分结果；
135.s3043、根据所述评分结果，将直线度高、长度长的曲线作为拟合线条。
136.上述技术方案的工作原理为：为了钢厂机车运行时能够更好的去理解和预测轨道周围的环境信息，要对检测出的轨道线结果进行曲线拟合操作。本实施例在贝塞尔曲线模型的基础上，根据实际曲线调整曲线的候选点以完成轨道拟合；包括：
137.s3041、使用三次贝塞尔样条对随机抽取的像素进行拟合，得到若干样条曲线；
138.s3042、对拟合效果进行评分，获得评分结果；
139.s3043、根据所述评分结果，将直线度高、长度长的曲线作为拟合线条。
140.曲线拟合之后需要建立曲线评分标准，来评价曲线拟合的程度。本实施例将长度
上越长，形状上越接近直线的曲线作为评分标准，其计算公式为：
[0141][0142]
上式中，s表示评分结果，p表示样条的像素总和，β1和β2表示正则化的因子，α为样条的长；γ为图像的高度；δ1和δ2表示样条控制点的线间的角；进行评分后，根据评分的数值，筛选出直线度高、长度长的曲线作为拟合出的线条。
[0143]
上述技术方案的有益效果为：采用本实施例提供的方案，通过对曲线进行拟合操作，可以更好地生成轨道检测图像中轨道线的参数信息，提高轨道检测图像地分析质量。
[0144]
在一个实施例中，s305包括：
[0145]
s3051、基于轨道线的大数据信息，获得轨道线的标准参数信息；
[0146]
s3052、根据所述轨道线的标准参数信息，制定轨道工况正常运行的条件；
[0147]
s3053、将轨道线的参数信息与所述条件进行匹配，当所述参数信息满足所述条件时，则表示轨道工况分析结果正常；当所述参数信息不满足所述条件时，则表示轨道工况分析结果异常。
[0148]
上述技术方案的工作原理为：通过借助大数据信息，可以准确地比较轨道检测图像中异常参数信息，从而发现异常状态；本实施例包括：
[0149]
s3051、基于轨道线的大数据信息，获得轨道线的标准参数信息；
[0150]
s3052、根据所述轨道线的标准参数信息，制定轨道工况正常运行的条件；
[0151]
s3053、将轨道线的参数信息与所述条件进行匹配，当所述参数信息满足所述条件时，则表示轨道工况分析结果正常；当所述参数信息不满足所述条件时，则表示轨道工况分析结果异常。
[0152]
上述技术方案的有益效果为：采用本实施例提供的方案，通过借助大数据信息，可以为轨道检测图像的最终分析提供依据，便于有效准确地发现轨道工况异常状态。
[0153]
在一个实施例中，在步骤s3之后包括：s4，对轨道工况分析结果进行异常确认：所述s4包括：
[0154]
s401、获取轨道工况分析结果异常所对应的轨道检测图像，并获取该轨道检测图像所在区域；
[0155]
s402、选取采用第一采集模式对所述区域进行采集得到的第一采集图像；所述第一采集模式为正常天候条件采集；选取采用第二采集模式对所述区域进行采集得到的第二采集图像；所述第二采集模式为雨雪雾天气或夜间环境；
[0156]
s403、采用结构相似度度量方法，比较所述第一采集图像和第二采集图像的相似度；当所述相似度数值范围大于预设的相似度阈值时，则可确定轨道工况分析结果异常；
[0157]
s404、当所述相似度数值范围小于预设的相似度阈值时，则比较所述第一采集图像与轨道检测原始图像的相似度；当所述相似度数值范围小于预设的相似度阈值时，则可确定轨道工况分析结果异常；所述轨道检测原始图像为轨道工作检测结果正常时，轨道所在区域所对应的轨道检测图像。
[0158]
上述技术方案的工作原理为：轨道工况分析结果异常出现后，为了更好地判别异常情况，避免误判的发生，需要对轨道工况分析结果异常进行确认，本实施例包括：
[0159]
s401、获取轨道工况分析结果异常所对应的轨道检测图像，并获取该轨道检测图像所在区域；
[0160]
s402、选取采用第一采集模式对所述区域进行采集得到的第一采集图像；所述第一采集模式为正常天候条件采集；选取采用第二采集模式对所述区域进行采集得到的第二采集图像；所述第二采集模式为雨雪雾天气或夜间环境；
[0161]
s403、采用结构相似度度量方法，比较所述第一采集图像和第二采集图像的相似度；当所述相似度数值范围大于预设的相似度阈值时，则可确定轨道工况分析结果异常；
[0162]
s404、当所述相似度数值范围小于预设的相似度阈值时，则比较所述第一采集图像与轨道检测原始图像的相似度；当所述相似度数值范围小于预设的相似度阈值时，则可确定轨道工况分析结果异常；所述轨道检测原始图像为轨道工作检测结果正常时，轨道所在区域所对应的轨道检测图像。
[0163]
上述技术方案的有益效果为：采用本实施例提供的方案，通过对轨道工况分析结果异常进行确认，可以更进一步保证轨道检测图像分析的准确性。
[0164]
在一个实施例中，所述s4之后包括：s5，对轨道工况分析结果异常设定解决方案，所述s5包括：
[0165]
s501、将轨道工况分析结果异常所对应的轨道检测图像导入预设的空白数据库，并将轨道参数作为索引建立分类项；
[0166]
s502、根据所述分类项建立对应的故障类型项；根据所述故障类型项建立相对应的解决方案项；根据所述故障类型项建立故障类型库，根据所述解决方案项建立解决方案库；
[0167]
s503、根据轨道工况分析结果异常确定相对应的解决方案，并根据解决方案的解决结果及时完善更新解决方案库。
[0168]
上述技术方案的工作原理为：根据轨道工况分析结果异常，为了保证及时地发现故障类型和解决方案，有必要建立轨道工况分析结果与故障类型和解决方案的关联关系，通过建立分项数据库的方式来实现；本实施例包括：
[0169]
s501、将轨道工况分析结果异常所对应的轨道检测图像导入预设的空白数据库，并将轨道参数作为索引建立分类项；
[0170]
s502、根据所述分类项建立对应的故障类型项；根据所述故障类型项建立相对应的解决方案项；根据所述故障类型项建立故障类型库，根据所述解决方案项建立解决方案库；
[0171]
s503、根据轨道工况分析结果异常确定相对应的解决方案，并根据解决方案的解决结果及时完善更新解决方案库。
[0172]
上述技术方案的有益效果为：采用本实施例提供的方案，通过建立轨道工况分析结果与故障类型和解决方案的关联关系，可以及时的判别故障类型和找到解决方案，提高对轨道工况维修的效率。
[0173]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。