本发明涉及铁路声屏障外观状态检测，特别涉及一种铁路声屏障螺栓松脱智能识别方法和系统。
背景技术：
1、随着高速铁路的迅速发展，在铁路声屏障的维护和安全管理中，螺栓的松脱是一个常见的问题。传统的检测方法通常涉及人工巡检和基于图像处理和机器学习的方法，然而现有技术存在如下技术缺陷：
2、(1)人工巡检效率低下并且由于主要依靠主观判断，存在随机经验等无法统一判断标准等问题；同时，在螺栓区域噪声、模糊和背景干扰等挑战下，难以实现准确的检测和识别。
3、(2)采用基于图像处理和机器学习的方法，如基于边缘检测、形态学处理、颜色分割等传统图像处理方法结合支持向量机(svm)、卷积神经网络(cnn)等机器学习算法来实现声屏障螺栓的检测和识别；此外，也有一些技术方案尝试引入深度学习技术，如目标检测算法(如fasterr-cnn、yolo等)来提高检测的准确性和效率，然而由于样本的稀疏以及环境噪声干扰等问题，仍然难以实现快速、准确地检测和识别声屏障螺栓松脱状态的目标。
4、因此，需要一种能够自动、快速、准确地检测和识别声屏障螺栓松脱状态的方法和系统以提高声屏障的安全性和可靠性。
技术实现思路
1、本发明的目的是针对现有技术的缺陷而设计的一种能够自动、快速、准确地检测和识别声屏障螺栓松脱状态的方法和系统，以提高声屏障的安全性和可靠性，为铁路声屏障外观状态检测领域带来了新的技术突破和进展。其中，铁路声屏障螺栓松脱智能识别方法和系统综合运用了大模型少样本物体检测、螺栓前景分割以及螺栓形态识别等技术手段，从而解决了传统方法存在的多种技术问题，集成了基于高清成像和激光扫描技术的设计，运用快速非接触方式，实现铁路声屏障螺栓松脱状态的快速获取；同时，通过人工智能技术实现声屏障螺栓松脱情况的在线识别；系统能够便捷地安装于铁路轨道自轮运转设备上，随着其运行轨迹实现对声屏障螺栓状态的快速检测，同时自动输出螺栓松脱的位置、数量等关键信息，显著提高了声屏障螺栓松脱状态巡检的效率，为铁路运维检修人员提供了实时的决策支持。技术方案实现的目的包括：
2、(1)针对训练样本稀缺的问题，采用大模型少样本物体检测方法，通过在有限的训练样本上训练，识别出螺栓的不同类型，并设计不同的松脱检测方案，以提高检测效果。
3、(2)提出了螺栓前景分割模块，综合考虑了噪声抑制、局部特征提取和全局依赖性建模的影响，实现了对螺栓区域的特定处理，能够在处理螺栓场景的分割任务中取得更好的效果，有效应对图像噪声、模糊和背景干扰等挑战。
4、(3)根据螺栓不同的形态定义螺栓松脱的形状模式，结合脱、松、正常三种状态，定义出6种螺栓的形状模式，再根据分割结果计算出对应的波形，根据阈值判断波形的形态，从而实现对不同螺栓状态的分类和检测。
5、本发明的第一方面在于提供一种铁路声屏障螺栓松脱智能识别方法，用于铁路声屏障螺栓松脱状态的检测和识别，包括：
6、s1，获取铁路声屏障的图像数据；所述s1的所述铁路声屏障的图像数据包含图像和/或视频帧；
7、s2，基于所述铁路声屏障的图像数据和大模型少样本物体检测模型识别铁路声屏障的图像数据中铁路声屏障螺栓的位置和不同类型；该步骤用于指导后续的松脱检测；
8、s3，基于铁路声屏障螺栓的位置和不同类型以及螺栓前景分割模型对螺栓区域进行准确分割；
9、s4，基于分割后的螺栓区域定义螺栓的形状模式，并基于所定义的所述螺栓的形状模式对铁路声屏障螺栓的状态进行分类和检测。
10、优选的，所述s2的所述大模型少样本物体检测模型包括：数据预标注子模型以及检测子模型；其中：
11、所述数据预标注子模型包括三个阶段：第一个阶段是基础大模型训练，完成长距离螺栓检测模型的预标注和预训练；第二个阶段是指令微调，通过给定指令对模型进行微调，从而能够完成各种任务；第三个阶段是类人对齐，通过加入更多的人工提示词，并使用监督学习和基于强化学习的方法，使得数据预标注子模型的输出更加贴合实际标注需求。
12、优选的，所述s2基于所述铁路声屏障的图像数据和大模型少样本物体检测模型识别铁路声屏障的图像数据中铁路声屏障螺栓的不同类型包括：
13、基于大规模数据集上预训练过的大模型作为基础识别模型，其中所述大模型是在大规模数据集上预训练过的机器学习模型，预训练过的大模型通过在通用物体检测任务上学习到丰富的图像特征表示从而能够快速适应新的物体检测任务；
14、以所述基础识别模型为基础，使用少样本数据微调训练所述预训练过的大模型；微调训练的目的是根据铁路声屏障螺栓检测任务的特点，调整模型参数；所述少样本数据微调训练通常包括：
15、(1)数据增强：在微调训练中，通过对数据进行空间变化生成更多样本以创建更大的数据集；通过对训练样本进行数据增强扩大训练数据的多样性，所述对数据进行空间变化包括裁剪、旋转、平移、缩放和颜色变化中的一种或多种；
16、(2)部分层微调：在微调训练之前采用部分层微调法，保持骨干网络的最初几层参数冻结，仅微调骨干网络的最后一些层和模型的分类头部分。
17、优选的，所述s3包括：
18、s31，获取螺栓前景图像，并基于所述前景图像提取螺栓的局部特征；
19、s32，基于噪声抑制对所述局部特征中的噪声进行抑制获取噪声抑制后的局部特征；
20、s33，基于噪声抑制后的局部特征建立全局依赖性模型，并基于所述全局依赖性模型对螺栓区域进行准确分割；
21、其中，所述获取螺栓前景图像采用背景减除法实现；首先利用监控环境建立一个用于比较的背景模型，所述背景模型与随后输入的图像和/或视频帧进行差分处理，去除其中的背景图像；进行二值化处理，从而得到包含螺栓目标的前景图像；
22、所述s33包括：
23、(1)基于噪声抑制后的局部特征建立全局依赖性模型，并基于全局依赖性模型形成螺栓前景分割模块；其中，所述螺栓前景分割模块具体分为三个部分：具有选择性状态空间的线性时间序列建模mamba分支、基于离散小波变换pmd编码器分支和解码器；
24、(2)采用螺栓前景分割模块对螺栓区域进行像素级语义分割，对图像中的每个像素进行分类，给出像素级的语义类别信息或者是物体的精确位置和轮廓。
25、优选的，所述s4包括：
26、s41，基于分割后的螺栓区域定义螺栓的形状模式，包括：基于分割后的螺栓区域，由上至下逐行测量螺栓的预定点与所述螺栓区域边界的水平距离，再通过归一化得到螺栓的波形结果；所述波形结果与螺栓的形状模式对应；
27、s42，基于预先定义的形态模式和所述波形结果的比较判断螺栓是否处于松脱状态，从而对铁路声屏障螺栓的状态进行分类和检测。
28、优选的，所述s41包括：
29、(1)对螺栓区域图像进行垂直投影，得到每一列像素的投影值，从而确定螺栓区域的边界；
30、(2)根据每列像素投影值的变化找到螺栓区域的上边界和下边界，从而确定螺栓的高度；
31、(3)选择一条水平线在螺栓区域内部移动，测量每一行的水平距离，得到螺栓的水平距离数据；
32、(4)根据测量到的所述水平距离数据构建螺栓的波形数据，得到螺栓宽度随高度变化的曲线图；
33、(5)对所述波形数据进行归一化处理得到螺栓的波形结果，使其范围落在0到1之间。
34、优选的，所述s42包括：
35、(1)根据螺栓不同的形态定义螺栓松脱的形状模式，结合脱、松、正常三种状态，定义出6种螺栓的形状模式；
36、(2)基于实际情况和经验设定阈值，根据波形特征进行阈值判定：当波形特征超过或未达到设定的阈值时，可以确定螺栓处于不同的状态，从而实现对螺栓状态的自动识别和判断。
37、本发明的第二方面还提供一种铁路声屏障螺栓松脱智能识别系统，包括：
38、图像输入模块(101)，用于获取铁路声屏障的图像数据；
39、螺栓检测模块(102)，用于基于所述铁路声屏障的图像数据和大模型少样本物体检测模型识别铁路声屏障的图像数据中铁路声屏障螺栓的位置和不同类型；
40、螺栓前景分割模块(103)，用于基于铁路声屏障螺栓的位置和不同类型以及螺栓前景分割模型对螺栓区域进行准确分割；
41、螺栓松脱状态识别模块(104)，用于基于分割后的螺栓区域定义螺栓的形状模式，并基于所定义的所述螺栓的形状模式对铁路声屏障螺栓的状态进行分类和检测。
42、本发明的第三方面提供一种电子设备，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如第一方面所述的方法。
43、本发明的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多条指令，所述多条指令可被处理器读取并执行如第一方面所述的方法。
44、本发明的方法和系统的有益效果：
45、不仅在提高了检测的准确性和全面性，同时也在提升了生产效率与质量，简化了操作流程，为铁路声屏障外观状态检测领域带来了重要的技术进步和实用价值，具体体现在：
46、(1)提高检测效果：采用大模型少样本物体检测方法、螺栓前景分割模块和螺栓形态识别模块结合的方案，针对训练样本稀缺的挑战，能够在面对螺栓区域噪声、模糊和背景干扰等挑战时实现更好的分割效果，并结合定义的形状模式进行波形计算与形态判断，实现对螺栓状态的分类和检测，从而提高了检测的准确性和鲁棒性。
47、(2)提升生产效率与质量：通过自动化的检测与识别方法，可以及时发现铁路声屏障中松脱的螺栓，避免了因松脱导致的事故风险，提高了铁路运输的安全性和可靠性，同时也减少了人工巡检的时间和成本，提升了生产效率与质量。
48、(3)操作简便：采用自动化检测方法，减少了人工干预，简化了操作流程，减少了人为因素对结果的影响，提高了检测的一致性和可重复性。
1.一种铁路声屏障螺栓松脱智能识别方法，用于铁路声屏障螺栓松脱状态的检测和识别，其特征在于，包括：
2.根据权利要求1所述的一种铁路声屏障螺栓松脱智能识别方法，其特征在于，所述s2的所述大模型少样本物体检测模型包括：数据预标注子模型以及检测子模型；其中：
3.根据权利要求2所述的一种铁路声屏障螺栓松脱智能识别方法，其特征在于，所述s2基于所述铁路声屏障的图像数据和大模型少样本物体检测模型识别铁路声屏障的图像数据中铁路声屏障螺栓的不同类型包括：
4.根据权利要求3所述的一种铁路声屏障螺栓松脱智能识别方法，其特征在于，所述s3包括：
5.根据权利要求4所述的一种铁路声屏障螺栓松脱智能识别方法，其特征在于，所述s4包括：
6.根据权利要求5所述的一种铁路声屏障螺栓松脱智能识别方法，其特征在于，所述s41包括：
7.根据权利要求6所述的一种铁路声屏障螺栓松脱智能识别方法，其特征在于，所述s42包括：
8.一种铁路声屏障螺栓松脱智能识别系统，用于实施权利要求1-7任一所述的方法，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如权利要求1-7任一所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述多条指令可被处理器读取并执行如权利要求1-7任一所述的方法。
