本发明属于轨道车辆检测，涉及一种列车车轮踏面整圈密集剥离检测方法。
背景技术：
1、列车车轮是走行部的重要部件之一，其长期与轨道接触，在发生紧急制动、摩擦和冲撞等情况下，容易造成车轮踏面出现剥离、擦伤等缺陷，而此类剥离在长时间的不断摩擦冲撞下，不再仅仅发生于踏面局部区域，而是扩大为车轮踏面的一整圈，对于整圈剥离的踏面缺陷，严重影响了列车行车安全。
2、目前，车轮踏面缺陷检测有接触式检测和非接触式无损检测。
3、专利号为cn 108225706a公开了一种识别车轮密集剥离麻面故障的自动化诊断方法，基于现有的应用广义共振/共振解调技术的轴承故障检测装置，检测机车车辆运转过程中所输出的包含踏面故障冲击的信息，并通过转速跟踪采样技术获取包含踏面故障冲击信息的样本，针对踏面进行是否存在密集剥离麻面故障的深层次诊断。该方法实现了在车轮运行中对密集剥离麻面故障的冲击监测、报警，但对较小的整圈剥离无法完全检出和预警，而且每辆车都需要加装一套设备，既要改造现有机车装备，又增加了整车设备费用。
4、专利号为cn107146224a公开了一种火车车轮踏面缺陷在线图像检测系统及方法，采用面阵相机采集车轮踏面图像，通过传统图像处理技术判断出踏面图像中是否存在缺陷故障，再利用区域生长与种子点生长相结合的方法从踏面图像中分离出踏面缺陷区域，并利用图像标定的几何对应关系计算出踏面缺陷部分的尺寸信息。该方法可以检测出部分踏面剥离缺陷，但面阵相机采集运动中的车轮踏面，会存在运动模糊现象，不利于图像分析，而且该方法采用传统的图像处理技术，由于踏面缺陷形态未知，故会存在踏面缺陷漏检情况。针对踏面整圈剥离的检测情况，该方法也没有提及。
技术实现思路
1、针对现有技术中的缺点与不足，本发明提供了一种列车车轮踏面整圈密集剥离检测方法。
2、本发明为解决上述技术问题采用以下技术方案：
3、一种列车车轮踏面整圈密集剥离检测方法，包括：
4、(1)踏面图像获取：利用多个线阵相机模组共同采集行进中的列车车轮图像；
5、(2)踏面图像校正拼接：将踏面图像定位得到踏面两侧边界点；将边界点曲线拟合处理得到踏面两条边界线；对边界线内的踏面按照行方向规定化和插值处理，得到校正展平后规则的踏面图像；将不同线阵相机模组采集的踏面图像经校正展平后进行融合拼接，得到踏面360度全景图像；
6、(3)缺陷分析和样本处理：将上述步骤(1)、(2)得到踏面360度全景图像作为模型样本，包括有剥离缺陷的踏面图像和正常踏面图像；
7、(4)模型训练和生成：利用步骤(3)得到的大量模型样本，采用改进的rt-detr深度学习方法来训练和验证从而得到检测模型；
8、(5)踏面图像检测和复核：将采集到的图像经步骤(1)、(2)处理即可输入所述检测模型进行剥离缺陷检测，若检测结果出现报警则需人工复核。
9、进一步的，所述改进的rt-detr深度学习方法：分别对s4和s5进行融合处理，满足较小踏面剥离检测需求，其中s4是针对rt-detr主干网络按照16步长提取的特征图，s5是rt-detr主干网络按照32步长提取的特征图。
10、更进一步的，所述分别对s4和s5进行融合处理：
11、1)分别对s4和s5进行特征降维处理：q4＝k4＝v4＝flatten(s4)及q5＝k5＝v5＝flatten(s5)，其中，flatten表示特征降维处理；q4、k4、v4和q5、k5、v5分别为处理结果；
12、2)完成尺度内的信息交互：f4＝reshape(aifi(q4,k4,v4))及f5＝reshape(aifi(q5,k5,v5))，其中，aifi为尺度内信息交互网络，reshape为特征尺寸变化，f4和f5分别为尺寸变换后的结果；
13、3)将融合结果进行合并处理：f＝concat(f4,f5)，其中，concat为特征合并处理模块，f为合并处理结果；
14、4)将所述合并处理结果f以及s3、s4输入到跨尺度融合网络，融合处理不同尺度之间的特征，即o＝ccff({s3,s4,f})，其中，ccff为跨尺度融合网络，o为融合处理结果，并作为后续网络的输入。
15、进一步的，步骤(3)的缺陷分析和样本处理：车轮踏面整圈出现密集的剥离缺陷，记剥离缺陷数量为n，在全景图像上会呈现出n个类似剥离形状的轮廓纹理；如果相邻两个剥离中心在图像上的距离dis小于两个剥离缺陷中心在图像上的距离阈值dthresh，那么将其作为整体，且整体长度大于剥离缺陷的长度阈值lthresh，则可标注为一个缺陷样本；如果dis不小于dthresh，且两个剥离长度大于lthresh，那么将其标注为两个缺陷样本；依此规则，在具有n个密集剥离的全景踏面图像上，最多可以实现n个缺陷样本的标注。
16、进一步的，步骤(4)模型训练和生成：将步骤(3)得到的大量模型样本，先进行图像对比度拉伸得到踏面剥离缺陷特征更为明显的样本数据，再对样本数据规定化处理，然后才作为训练集和/或验证集进行模型训练。
17、进一步的，步骤(5)报警等级和缺陷大小按如下方法进行计算：首先预先标定图像横向分辨率和纵向分辨率，其次通过检测出踏面缺陷的图像像素大小，算出踏面缺陷在横向和纵向的实际物理长度，最后根据缺陷长度大小和检出的缺陷数量确定报警等级。
18、更进一步的，1)预先标定图像横向分辨率和纵向分辨率，分别记为xdpi毫米/像素和ydpi毫米/像素；
19、2)检测出的踏面缺陷在横向和纵向的像素大小分别记为xp像素和yp像素；
20、3)计算踏面缺陷在横向和纵向的实际物理量，分别记xm毫米和ym毫米，即有xm＝xp*xdpi，ym＝yp*ydpi；
21、4)分级报警按照如下步骤进行设置，即
22、(a)：确定xm和ym大小，取两者间的最大值，记为l＝max(xm,ym)；
23、(b)：确定检出踏面缺陷数量，记为num个；
24、(c)：设定分级报警界限等级分别为r1，r2，r3，单位是毫米，
25、如果r1≤l<r2且num<3，那么系统最终显示三级报警；
26、如果r2≤l≤r3且3≤num≤6，那么系统最终显示二级报警；
27、如果l>r3且num>6，那么系统最终显示一级报警。
28、进一步的，在所述步骤(2)踏面图像校正拼接之前，需要对所述列车车轮图像进行图像分割处理，得到踏面图像。
29、进一步的，所述插值处理包括最近邻插值、双线性插值或三次插值。
30、进一步的，在轨道两侧均设置多个线阵相机模组，线阵相机模组包括线阵相机和激光发射器。
31、本发明列车车轮踏面整圈密集剥离检测方法，采用以视觉检测技术为基础的非接触检测方法，从剥离缺陷数据特征和深度学习算法方面分析研究，实现轮对常见踏面剥离及踏面整圈剥离缺陷的无损检测。利用静止的线阵相机和运动的列车之间的相对运动，实现轮对踏面的成像，由于成像视野较大，采集到的原始图像不但有踏面区域还有非踏面区域的干扰，故要对原始图像进行处理，提取车轮踏面区域，通过校正拉伸和拼接等方法实现车轮踏面的全景展示，最后在全景踏面图像上通过深度学习的方法实现整圈剥离等缺陷的检测，且不会出现踏面缺陷漏检的情况，检测结果全面可靠。
1.一种列车车轮踏面整圈密集剥离检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种列车车轮踏面整圈密集剥离检测方法，其特征在于，所述改进的rt-detr深度学习方法：分别对s4和s5进行融合处理，满足较小踏面剥离检测需求，其中s4是针对rt-detr主干网络按照16步长提取的特征图，s5是rt-detr主干网络按照32步长提取的特征图。
3.如权利要求2所述的一种列车车轮踏面整圈密集剥离检测方法，其特征在于，所述分别对s4和s5进行融合处理：
4.如权利要求1-3任意一项所述的一种列车车轮踏面整圈密集剥离检测方法，其特征在于，步骤(3)的缺陷分析和样本处理：
5.如权利要求1-3任意一项所述的一种列车车轮踏面整圈密集剥离检测方法，其特征在于，步骤(4)模型训练和生成：将步骤(3)得到的大量模型样本，先进行图像对比度拉伸得到踏面剥离缺陷特征更为明显的样本数据，再对样本数据规定化处理，然后才作为训练集和/或验证集进行模型训练。
6.如权利要求1-3任意一项所述的一种列车车轮踏面整圈密集剥离检测方法，其特征在于，步骤(5)报警等级和缺陷大小按如下方法进行计算：首先预先标定图像横向分辨率和纵向分辨率，其次通过检测出踏面缺陷的图像像素大小，算出踏面缺陷在横向和纵向的实际物理长度，最后根据缺陷长度大小和检出的缺陷数量确定报警等级。
7.如权利要求6所述的一种列车车轮踏面整圈密集剥离检测方法，其特征在于，步骤(5)报警等级和缺陷大小按如下方法进行计算：
8.如权利要求1-3任意一项所述的一种列车车轮踏面整圈密集剥离检测方法，其特征在于，在所述步骤(2)踏面图像校正拼接之前，需要对所述列车车轮图像进行图像分割处理，得到踏面图像。
9.如权利要求1-3任意一项所述的一种列车车轮踏面整圈密集剥离检测方法，其特征在于，所述插值处理包括最近邻插值、双线性插值或三次插值。
10.如权利要求1-3任意一项所述的一种列车车轮踏面整圈密集剥离检测方法，其特征在于，在轨道两侧均设置多个线阵相机模组，线阵相机模组包括线阵相机和激光发射器。
