轨道缺陷检测方法及其系统、装置、存储介质

1.本发明涉及图像处理技术领域，特别涉及一种轨道缺陷检测方法及其系统、装置、存储介质。


背景技术：

2.目前，过山车的轨道缺陷主要是通过人工巡检的方式来进行检测，即检修人员通过轨道两侧的检修通道对轨道进行检测，但是这种人工检测的方式具有很强的主观性，由于是否存在缺陷的判断是人为决定的，因此十分容易出现漏检、误检的情况，从而导致检测结果的准确性降低。同时，由于过山车的轨道不同于正常的列车轨道，检测人员在检测的过程中也存在很大的安全隐患，人工检测的成本高，效率低。


技术实现要素：

3.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种轨道缺陷检测方法及其系统、装置、存储介质，能够提高轨道检测的效率和准确性，降低检测成本，减少安全事故的发生。
4.本发明第一方面提供一种轨道缺陷检测方法，包括：
5.获取待训练的轨道缺陷图像样本；
6.利用所述轨道缺陷图像样本对卷积神经网络进行训练，得到异常检测模型；
7.获取目标轨道图像；
8.通过所述异常检测模型对所述目标轨道图像进行异常检测，得到异常检测结果；
9.基于目标检测算法对所述目标轨道图像进行坐标转换处理，得到目标位置信息；
10.根据所述异常检测结果和所述目标位置信息得到所述轨道的缺陷检测结果。
11.根据本发明提供的轨道缺陷检测方法，至少具有如下有益效果：获取待训练的轨道缺陷图像样本；利用轨道缺陷图像样本对卷积神经网络进行训练，得到异常检测模型；获取目标轨道图像；通过异常检测模型对目标轨道图像进行异常检测，得到异常检测结果；基于目标检测算法对目标轨道图像进行坐标转换处理，得到目标位置信息；根据异常检测结果和目标位置信息得到轨道的缺陷检测结果。根据本发明提供的技术方案，采用轨道缺陷图像样本训练并构建异常检测模型，通过异常检测模型对目标轨道图像进行异常检测，能够快速及时地判断轨道是否存在缺陷，在异常检测结果显示异常的情况下，对目标轨道图像进行坐标转换处理，可以得到目标轨道图像中存在缺陷的目标位置信息，根据异常检测结果和目标位置信息得到轨道的缺陷检测结果，能够根据缺陷检测结果对存在缺陷的轨道进行维修或者更换处理，能够保障轨道运行的安全可靠性。因此，本发明实施例能够提高轨道检测的效率和准确性，降低检测成本，减少安全事故的发生。
12.根据本发明的一些实施例，所述利用所述轨道缺陷图像样本对卷积神经网络进行训练，得到异常检测模型，包括：
13.对所述轨道缺陷图像样本进行预处理，得到图像数据集；
14.对所述图像数据集进行划分，得到训练集和验证集；
15.利用所述训练集对卷积神经网络进行训练，得到训练结果；
16.利用所述验证集对所述训练结果进行验证，得到异常检测模型。
17.根据本发明的一些实施例，所述对所述轨道缺陷图像样本进行预处理，包括：
18.对所述轨道缺陷图像样本进行几何变换、裁剪、去噪和增广处理。
19.根据本发明的一些实施例，所述通过所述异常检测模型对所述目标轨道图像进行异常检测，得到异常检测结果，包括：
20.基于目标检测算法对所述目标轨道图像进行特征提取，得到目标图像特征；
21.将所述目标图像特征输入至所述异常检测模型，得到异常检测结果。
22.根据本发明的一些实施例，所述目标轨道图像由飞行器相机得到，所述基于目标检测算法对所述目标轨道图像进行坐标转换处理，得到目标位置信息，包括：
23.利用目标检测算法对所述相机进行标定，得到所述相机的参数信息；
24.根据所述参数信息计算所述目标轨道图像的实际坐标，得到目标位置信息。
25.根据本发明的一些实施例，所述根据所述异常检测结果和所述目标位置信息得到所述轨道的缺陷检测结果，包括：
26.当所述异常检测结果显示异常，基于所述异常检测模型对所述目标轨道图像进行分类；
27.将所述目标轨道图像与预存的轨道缺陷图像进行特征对比，得到目标缺陷类别；
28.根据所述目标缺陷类别和所述目标位置信息得到所述轨道的缺陷检测结果。
29.根据本发明的一些实施例，所述方法还包括：
30.利用类别损失函数确定所述目标缺陷类别；
31.利用位置损失函数确定所述目标位置信息。
32.本发明第二方面提供一种轨道缺陷检测系统，包括：
33.第一获取单元，获取待训练的轨道缺陷图像样本；
34.模型构建单元，利用所述轨道缺陷图像样本对卷积神经网络进行训练，得到异常检测模型；
35.第二获取单元，获取目标轨道图像；
36.异常检测单元，通过所述异常检测模型对所述目标轨道图像进行异常检测，得到异常检测结果；
37.坐标转换单元，基于目标检测算法对所述目标轨道图像进行坐标转换处理，得到目标位置信息；
38.缺陷检测单元，根据所述异常检测结果和所述目标位置信息得到所述轨道的缺陷检测结果。
39.根据本发明提供的轨道缺陷检测系统，至少具有如下有益效果：获取待训练的轨道缺陷图像样本；利用轨道缺陷图像样本对卷积神经网络进行训练，得到异常检测模型；获取目标轨道图像；通过异常检测模型对目标轨道图像进行异常检测，得到异常检测结果；基于目标检测算法对目标轨道图像进行坐标转换处理，得到目标位置信息；根据异常检测结果和目标位置信息得到轨道的缺陷检测结果。根据本发明提供的技术方案，采用轨道缺陷图像样本训练并构建异常检测模型，通过异常检测模型对目标轨道图像进行异常检测，能
够快速及时地判断轨道是否存在缺陷，在异常检测结果显示异常的情况下，对目标轨道图像进行坐标转换处理，可以得到目标轨道图像中存在缺陷的目标位置信息，根据异常检测结果和目标位置信息得到轨道的缺陷检测结果，能够根据缺陷检测结果对存在缺陷的轨道进行维修或者更换处理，能够保障轨道运行的安全可靠性。因此，本发明实施例能够提高轨道检测的效率和准确性，降低检测成本，减少安全事故的发生。
40.本发明第三方面提供一种运行装置，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面实施例所述的轨道缺陷检测方法。
41.根据本发明提供的运行装置，至少具有如下有益效果：获取待训练的轨道缺陷图像样本；利用轨道缺陷图像样本对卷积神经网络进行训练，得到异常检测模型；获取目标轨道图像；通过异常检测模型对目标轨道图像进行异常检测，得到异常检测结果；基于目标检测算法对目标轨道图像进行坐标转换处理，得到目标位置信息；根据异常检测结果和目标位置信息得到轨道的缺陷检测结果。根据本发明提供的技术方案，采用轨道缺陷图像样本训练并构建异常检测模型，通过异常检测模型对目标轨道图像进行异常检测，能够快速及时地判断轨道是否存在缺陷，在异常检测结果显示异常的情况下，对目标轨道图像进行坐标转换处理，可以得到目标轨道图像中存在缺陷的目标位置信息，根据异常检测结果和目标位置信息得到轨道的缺陷检测结果，能够根据缺陷检测结果对存在缺陷的轨道进行维修或者更换处理，能够保障轨道运行的安全可靠性。因此，本发明实施例能够提高轨道检测的效率和准确性，降低检测成本，减少安全事故的发生。
42.本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行如第一方面实施例所述的轨道缺陷检测方法。
43.根据本发明提供的计算机可读存储介质，至少具有如下有益效果：获取待训练的轨道缺陷图像样本；利用轨道缺陷图像样本对卷积神经网络进行训练，得到异常检测模型；获取目标轨道图像；通过异常检测模型对目标轨道图像进行异常检测，得到异常检测结果；基于目标检测算法对目标轨道图像进行坐标转换处理，得到目标位置信息；根据异常检测结果和目标位置信息得到轨道的缺陷检测结果。根据本发明提供的技术方案，采用轨道缺陷图像样本训练并构建异常检测模型，通过异常检测模型对目标轨道图像进行异常检测，能够快速及时地判断轨道是否存在缺陷，在异常检测结果显示异常的情况下，对目标轨道图像进行坐标转换处理，可以得到目标轨道图像中存在缺陷的目标位置信息，根据异常检测结果和目标位置信息得到轨道的缺陷检测结果，能够根据缺陷检测结果对存在缺陷的轨道进行维修或者更换处理，能够保障轨道运行的安全可靠性。因此，本发明实施例能够提高轨道检测的效率和准确性，降低检测成本，减少安全事故的发生。
附图说明
44.本发明的附加方面和优点结合下面附图对实施例的描述中将变得明显和容易理解，其中：
45.图1是本发明一个实施例提供的轨道缺陷检测方法的流程图；
46.图2是图1中步骤s120的具体方法的流程图；
47.图3是图2中步骤s210的具体方法的流程图；
48.图4是图1中步骤s140的具体方法的流程图；
49.图5是图1中步骤s150的具体方法的流程图；
50.图6是图1中步骤s160的具体方法的流程图；
51.图7是本发明另一实施例提供的轨道缺陷检测方法的流程图；
52.图8是本发明一个实施例提供的运行装置的结构示意图。
具体实施方式
53.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
54.可以理解的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书、权利要求书或上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
55.本发明提出一种轨道缺陷检测方法及其系统、装置、存储介质，能够提高轨道检测的效率和准确性，降低检测成本，减少安全事故的发生。
56.需要说明的是，感受野指的是卷积神经网络每一层输出的特征图上的像素点映射回输入图像上的区域大小。也就是说，感受野指的是特征图上一点相对于原图的大小，即卷积神经网络特征所能看到输入图像的区域。
57.下面结合附图，对本发明实施例作进一步阐述。
58.如图1所示，图1是本发明一个实施例提供的轨道缺陷检测方法的流程图，该轨道缺陷检测方法可以包括但不限于有步骤s110、步骤s120、步骤s130、步骤s140、步骤s150和步骤s160。
59.步骤s110：获取待训练的轨道缺陷图像样本；
60.步骤s120：利用轨道缺陷图像样本对卷积神经网络进行训练，得到异常检测模型；
61.步骤s130：获取目标轨道图像；
62.步骤s140：通过异常检测模型对目标轨道图像进行异常检测，得到异常检测结果；
63.步骤s150：基于目标检测算法对目标轨道图像进行坐标转换处理，得到目标位置信息；
64.步骤s160：根据异常检测结果和目标位置信息得到轨道的缺陷检测结果。
65.可以理解的是，根据本发明的技术方案，采用轨道缺陷图像样本训练并构建异常检测模型，通过异常检测模型对目标轨道图像进行异常检测，能够快速及时地判断轨道是否存在缺陷，在异常检测结果显示异常的情况下，对目标轨道图像进行坐标转换处理，可以得到目标轨道图像中存在缺陷的目标位置信息，根据异常检测结果和目标位置信息得到轨道的缺陷检测结果，能够根据缺陷检测结果对存在缺陷的轨道进行维修或者更换处理，能够保障轨道运行的安全可靠性。因此，本发明实施例能够提高轨道检测的效率和准确性，降低检测成本，减少安全事故的发生。
66.需要说明的是，在一个实施例中，异常检测模型为改进的yolov7模型，yolov7在原
有的yolo系列模型的基础上提出了一种更加高效的骨干网络模型elan；并且该异常检测模型将原网络中spp-csp模块替换为了dpp-spp模块，将原网络中的fpn模块改为pan模块，而且还在pan模块中加入了cbam模块，并使用grad-cam模块对注意力机制实现可视化操作。
67.具体地，在一个实施例中，基于骨干网络模型elan(efficient layer aggregation networks)构建异常检测模型，由于骨干网络模型elan能够通过最短和最长的梯度路径使卷积神经网络学习得到更多的特征，因此采用基于elan的异常检测模型进行异常检测，能够增加异常检测模型的鲁棒性，提高异常检测的准确性。而且，本实施例中的异常检测模型提出了一种新的dpp-spp模块替代原有神经网络中的spp-csp模块，能够避免相关技术中的网络模型通过池化层来减少网络参数的数量从而导致的图像特征信息丢失的问题。需要说明的是，dpp(detail-preserving pooling)模块可以放大目标轨道图像的空间，保留目标轨道图像结构中的重要细节；而spp(spatial pyramid pooling)模块可以通过不同尺寸的池化层将输入的目标轨道图像连接起来，不仅能够避免目标轨道图像因为剪切缩放等操作而造成的图像失真，还能够减少异常检测模型对目标轨道图像中的重复特征的提取操作，进而提高候选框的产生速度，减少计算成本。因此，在异常检测模型中，将dpp-spp模块替代原有神经网络中的spp-csp模块，能够进一步提升spp模块的性能，保留特征图像的细节，从而提高轨道图像缺陷检测的准确度。
68.具体地，在一个实施例中，采用pan模块替代原有网络中的fpn模块构建异常检测模型，能够实现目标轨道图像的多尺寸检测功能，能够加强目标轨道图像的顶层特征与底层特征之间的融合，可以通过从下到上的路径建立底层与高层之前的信息路径，增强目标轨道图像的整体特征框架。而且，pan模块拥有自适应特征池化，可以恢复候选区与特征层之间破坏的信息路径。也就是说，在采用异常检测模型对目标轨道图像进行异常检测的过程中，pan模块不仅可以实现不同尺寸的目标轨道图像的检测，还能够增强感受野的大小，将图像的全局特征与局部特征相融合，从而提高图像缺陷检测的准确性。同时，该异常检测模型的pan模块中还加入了cbam模块，在输入图像特征进行训练的过程中，cbam模块可以为图像中的每一个部分分配不同的权重，能够让异常检测模型的注意力集中在目标轨道图像的前景部分，可以使异常检测模型更加注意对当前任务较为重要的信息，从而减少整个模型的信息量的传递，能够提高异常检测模型检测的准确性和高效性。另外，在异常检测模型训练结束后，本实施例还可以采用grad-cam模块对异常检测模型训练过程中cbam注意力机制产生的作用进行可视化展示，能够更好的增加代码的可视化程度和可读性，增加对异常检测模型的理解程度。
69.可以理解的是，在一个实施例中，目标轨道图像由飞行器拍摄装置得到；通过飞行器接近轨道飞行，能够拍摄得到目标轨道图像，通过异常检测模型对目标轨道图像进行异常检测，能够判断目标轨道图像是否存在缺陷问题。由于异常检测模型是改进的yolov7模型，且由轨道缺陷图像样本训练得来，因此通过异常检测模型对目标轨道图像进行异常检测，能够提高轨道检测的效率和准确性；而通过飞行器拍摄轨道图像得到目标轨道图像进行检测，能够解决相关技术中人工检测存在的主观性较强的问题，能够降低人工成本，减少安全事故的发生。
70.可以理解的是，在一个实施例中，目标检测算法可以是yolo系列的目标检测算法，例如yolov2、yolov3等，基于目标检测算法对目标轨道图像进行坐标转换处理，得到目标位
置信息，根据异常检测结果和目标位置信息可以得到轨道的缺陷检测结果。其中，缺陷检测结果表征轨道的异常状态和轨道缺陷所处的实际位置，通过缺陷检测结果可以对轨道进行维修和更换，实现轨道缺陷的检测功能，从而保证轨道运行的安全可靠性。例如，在异常检测结果显示异常的情况下，可以根据目标位置信息对轨道缺陷进行维修；而在异常检测结果显示正常的情况下，则无需对轨道进行维修处理。
71.如图2所示，在一个实施例中，对轨道缺陷检测方法进行进一步的说明，步骤s120可以包括但不限于有步骤s210、步骤s220、步骤s230和步骤s240。
72.步骤s210：对轨道缺陷图像样本进行预处理，得到图像数据集；
73.步骤s220：对图像数据集进行划分，得到训练集和验证集；
74.步骤s230：利用训练集对卷积神经网络进行训练，得到训练结果；
75.步骤s240：利用验证集对训练结果进行验证，得到异常检测模型。
76.可以理解的是，对轨道缺陷图像样本进行预处理，可以得到图像数据集，对图像数据集进行划分；将80％的图像数据集划分为训练集，可以用于对卷积神经网络进行训练，得到异常检测模型的初步训练结果；将20％的图像数据集划分为验证集，可以用于对训练结果进行验证，其中包括用于对超参数的调整；利用验证集对训练结果进行验证，能够判断异常检测模型训练的情况，进而构建用于检测轨道缺陷的异常检测模型。
77.如图3所示，在一个实施例中，对轨道缺陷检测方法进行进一步的说明，步骤s210可以包括但不限于有步骤s310。
78.步骤s310：对轨道缺陷图像样本进行几何变换、裁剪、去噪和增广处理。
79.可以理解的是，几何变换包括旋转、翻转等操作，对轨道缺陷图像样本进行图像增强，在一定程度上进行旋转、翻转、裁剪、合并、去噪和增广等操作，可以得到图像数据集。
80.如图4所示，在一个实施例中，对轨道缺陷检测方法进行进一步的说明，步骤s140可以包括但不限于有步骤s410和步骤s420。
81.步骤s410：基于目标检测算法对目标轨道图像进行特征提取，得到目标图像特征；
82.步骤s420：将目标图像特征输入至异常检测模型，得到异常检测结果。
83.可以理解的是，在一个实施例中，目标检测算法可以是yolov7，基于yolov7目标检测算法对目标轨道图像进行特征提取，得到目标图像特征，将目标图像特征输入至异常检测模型，可以通过异常检测模型的dpp-spp模块增加特征的感受野的大小，可以通过添加了cbam模块的pan模块获得不同尺寸大小的特征图，从而得到所需要目标轨道图像的特征信息，并根据特征信息可以得到异常检测结果。
84.如图5所示，在一个实施例中，对轨道缺陷检测方法进行进一步的说明，目标轨道图像由飞行器相机得到，步骤s150可以包括但不限于有步骤s510和步骤s520。
85.步骤s510：利用目标检测算法对相机进行标定，得到相机的参数信息；
86.步骤s520：根据参数信息计算目标轨道图像的实际坐标，得到目标位置信息。
87.可以理解的是，基于目标检测算法对目标轨道图像进行坐标转换处理，可以得到目标位置信息，根据目标位置信息对存在缺陷的轨道进行维修，能够提高轨道缺陷检测的效率和准确度。具体地，利用目标检测算法对相机进行标定，可以得到相机的参数信息，其中，参数信息包括相机的内、外参数，以及畸变参数；通过这些参数，可以将相机的二维图像坐标转换为三维空间中的实际坐标，从而实现对目标轨道图像中的缺陷物体的三维重建、
位姿估计等。也就是说，通过相机标定可以寻找对象在图像与现实世界的转换数学关系，找出其定量的联系，从而实现从目标轨道图像中确定实际坐标，得到目标位置信息的目的。
88.可以理解的是，在一个实施例中，根据相机的参数信息，计算相机模型垂直与被检测的轨道设施的平移向量，计算世界坐标系绕图像坐标系的参数矩阵，结合相机的实际位置即可得到图像坐标与世界坐标之间的转换关系，从而根据图像坐标和转换关系可以计算得到世界坐标，世界坐标表征目标在现实空间中的位置信息(目标位置信息)。
89.如图6所示，在一个实施例中，对轨道缺陷检测方法进行进一步的说明，步骤s160可以包括但不限于有步骤s610、步骤620和步骤s630。
90.步骤s610：当异常检测结果显示异常，基于异常检测模型对目标轨道图像进行分类；
91.步骤s620：将目标轨道图像与预存的轨道缺陷图像进行特征对比，得到目标缺陷类别；
92.步骤s630：根据目标缺陷类别和目标位置信息得到轨道的缺陷检测结果。
93.需要说明的是，目标缺陷类别可以包括有：轨道异物堆积、轨道表面破损、轨道螺钉松动和轨道表面涂层脱落等多种类别。将目标轨道图像与预存的轨道缺陷图像进行特征对比，可以得到目标缺陷类别。例如，当对比结果显示目标轨道图像中的轨道上存在树叶、鸟类搭建的巢穴、空中飞行的异物等堆积物，可以确定该目标缺陷类别为轨道异物堆积。又例如，当对比结果显示目标轨道图像中的轨道表面出现磨损裂纹、形变等情况，可以确定该目标缺陷类别为轨道表面破损。再例如，当对比结果显示目标轨道图像中的轨道的螺钉松动、缺失等情况，可以确定该目标缺陷类别为轨道螺钉松动。还例如，当对比结果显示目标轨道图像中的轨道表面的涂层出线磨损、脱落、氧化、腐蚀等情况，可以确定该目标缺陷类别为轨道表面涂层脱落。
94.可以理解的是，根据异常检测结果和目标位置信息得到轨道的缺陷检测结果，可以包括：当异常检测结果显示异常(表示目标轨道图像存在缺陷)，基于异常检测检测模型对目标轨道图像进行分类，将目标轨道图像与预存的轨道缺陷图像进行特征对比，得到目标缺陷类别，根据目标缺陷类别和目标位置信息得到轨道的缺陷检测结果，通过缺陷检测结果可以对轨道进行准确维修或者更换，能够提高轨道检测的效率和准确性。
95.如图7所示，图7是本发明另一实施例提供的轨道缺陷检测方法的流程图，该轨道缺陷检测方法还可以包括但不限于有步骤s710和步骤s720。
96.步骤s710：利用类别损失函数确定目标缺陷类别；
97.步骤s720：利用位置损失函数确定目标位置信息。
98.可以理解的是，异常检测模型还包括两类损失函数，分别为类别损失函数(分类函数)和位置损失函数(回归函数)。利用类别损失函数确定目标缺陷类别，以及利用位置损失函数确定目标位置信息，直到训练达到预设定的轮数或者是损失函数达到收敛的情况，同时在模型训练的过程中通过损失函数不断调整超参数的大小，从而找到最优的超参数的数据，能够提高异常检测模型的异常检测的准确性。
99.本发明第二方面实施例提供一种轨道缺陷检测系统，包括：
100.第一获取单元，获取待训练的轨道缺陷图像样本；
101.模型构建单元，利用轨道缺陷图像样本对卷积神经网络进行训练，得到异常检测
模型；
102.第二获取单元，获取目标轨道图像；
103.异常检测单元，通过异常检测模型对目标轨道图像进行异常检测，得到异常检测结果；
104.坐标转换单元，基于目标检测算法对目标轨道图像进行坐标转换处理，得到目标位置信息；
105.缺陷检测单元，根据异常检测结果和目标位置信息得到轨道的缺陷检测结果。
106.可以理解的是，根据本发明的技术方案，采用轨道缺陷图像样本训练并构建异常检测模型，通过异常检测模型对目标轨道图像进行异常检测，能够快速及时地判断轨道是否存在缺陷，在异常检测结果显示异常的情况下，对目标轨道图像进行坐标转换处理，可以得到目标轨道图像中存在缺陷的目标位置信息，根据异常检测结果和目标位置信息得到轨道的缺陷检测结果，能够根据缺陷检测结果对存在缺陷的轨道进行维修或者更换处理，能够保障轨道运行的安全可靠性。因此，本发明实施例能够提高轨道检测的效率和准确性，降低检测成本，减少安全事故的发生。
107.如图8所示，本发明第三方面实施例提供一种运行装置800，包括：存储器810、处理器820及存储在存储器810上并可在处理器820上运行的计算机程序，处理器820执行计算机程序时实现如第一方面实施例的轨道缺陷检测方法。
108.处理器820和存储器810可以通过总线或者其他方式连接。
109.实现上述实施例的轨道缺陷检测方法所需的非暂态软件程序以及指令存储在存储器810中，当被处理器820执行时，执行上述实施例中的轨道缺陷检测方法，例如，执行以上描述的图1中的方法步骤s110至方法步骤s160、图2中的方法步骤s210至步骤s240、图3中的方法步骤s310、图4中的方法步骤s410至方法步骤s420、图5中的方法步骤s510至方法步骤s520，图6中的方法步骤s610至方法步骤s630，图7中的方法步骤s710和步骤s720。
110.以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
111.本发明第三方面实施例提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述运行装置800实施例中的一个处理器820执行，可使得上述处理器820执行上述实施例中的轨道缺陷检测方法，例如，执行以上描述的图1中的方法步骤s110至方法步骤s160、图2中的方法步骤s210至步骤s240、图3中的方法步骤s310、图4中的方法步骤s410至方法步骤s420、图5中的方法步骤s510至方法步骤s520，图6中的方法步骤s610至方法步骤s630，图7中的方法步骤s710和步骤s720。
112.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、基站系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可
读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器810技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
113.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
114.以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。