一种基于深度学习的地铁车体螺栓松动检测方法

杨培盛 王华军 张 用 杨 凯 高春良

(1.济南轨道交通集团建设投资有限公司 山东 济南 250000；2.北京主导时代科技有限公司 四川 成都 610000)

0 引言

螺栓紧固件具有能拆卸且能重复使用的优势，在地铁领域得到了大量应用。然而，由于地铁车体螺栓长期受到交变力作用的影响，易造成不同程度的松动或丢失故障，若不及时发现并处理，将直接影响行车安全。而传统的通过人工排查螺栓故障的方式不仅效率低下，且极易产生视觉疲劳，发生误检、漏检等情况。

为解决上述问题，本文根据部署在轨旁的面阵相机采集到的地铁车体的图像，引入YOLOv3网络对车体各关键部位螺栓区域进行粗定位和精定位；引入U-net[1]语义分割模型并改进训练方式，对定位到的螺栓防松标记线进行分割，在此基础上利用RANSAC[2]算法对标记线进行直线拟合并根据直线倾斜角度来判定螺栓是否存在松动故障；最后，对所提出方法的各部分分别进行试验，结果证明了方法的有效性。

1 螺栓区域定位

部署在轨旁的多只面阵相机能够对地铁车体进行360°拍摄，图1展示了部署在轨旁的相机分布，以此采集到的图像均为高清图像。从原始高清车体图像中对螺栓区域准确定位是螺栓松动检测的前提，若直接对螺栓定位不仅对硬件要求极高，定位准确度也难以保障。因此，提出对螺栓区域的定位分为两个步骤：(1)首先对车体图像中螺栓所在的关键区域进行定位；(2)在关键区域的基础上对螺栓区域进行精确定位。……