[发明专利]一种基于深度学习的轨道扣件缺陷识别算法

权利要求书

1.一种基于深度学习的轨道扣件缺陷识别算法，其特征在于，包括以下步骤：

步骤1、采用扣件检测系统，采用扣件检测系统包括一台8核的控制计算机、一个系统电源箱、一个系统控制箱、GPS接收器和惯性陀螺仪组成的定位系统、7个激光-相机采集单元、距离测量仪和行车记录摄像机，以铁路轨道检测车为载体，将所有元器件集成于车体，激光-相机组件位于钢轨正上方时，检测系统能够同时采集钢轨两侧的扣件数据，之后数据存储系统通过压缩算法将数据流进行压缩、保存；利用单独编制的显示分析软件，将轨道数据进行三维重构；

步骤2、数据预处理

2.1提取扣件区域图像

为保证扣件定位的准确率，利用固定的扣件间距验证定位的扣件位置，若扣件位置正确，应满足Abs(Dy₀-Dy₁)T₁ (1)

其中Dy₀，Dy₁分别为固定的扣件间距、图像中相邻扣件间距，T₁为阈值参数；

另外，通过将整张扣件区域图像旋转180度的处理，将钢轨两侧的扣件化为相同姿态的扣件图像；

2.2提取弹条子图像

分析扣件的高度分布特征得知，弹条表面高于钢轨底部和承轨台，且低于T型螺栓表面，据此利用阈值分割法将扣件深度图像中的弹条部分提取出来；初步提取的弹条图像包含大量噪音，故结合弹条轮廓特征利用形态学方法进行去噪处理；

2.3创建人工负样本

基于步骤2.2提取的正常弹条图像，创建人工负样本，从而解决正负样本数量不平衡的困境，基于正常的弹条图像，在弹条后肢处截断弹条，获得弹条上侧断裂、下侧断裂以及两侧同时断裂的图像；

步骤3、特征提取与分类

3.1深度卷积神经网络的结构

卷积神经网络最初由LeCun应用于手写数字识别，其利用交替的卷积层、池化层逐层抽象特征；与早期全连接网络相比，卷积神经网络的重要特征就是引入卷积层，从而提取局部特征并有效保留空间位置信息；

卷积阶段：在第m层的卷积层中，第m-1层输出的所有相关特征图被可学习的卷积核进行卷积，然后通过激活函数的非线性映射得到进一步抽象的特征图；每个卷积核对应输出一个特征图，第m层输出特征图的总数量由第m层卷积核k的个数决定；第m层第j个特征图X_j^m的计算公式如下：

其中：*号实质是让卷积和k在第m-1层所有相关联的特征图上作卷积运算；b是加性偏置参数；

池化阶段：有N个特征图输入，就对应有N个特征图输出；经过预处理后模型的原始输入仅包含扣件信息，均值池化通过减小估计值方差的误差能较好地保留图像信息；在第m+1层的均值池化中，采样窗口大小为n*n，计算公式为：

其中down(x)是n*n窗口中像素值均值采样，β是乘性偏置参数，b是加性偏置参数；

深度卷积神经网络通过几层交替的卷积层、池化层获得高度抽象的特征图，之后把所有的特征图拉成一维纵向量并依次首尾相接，将其作为最终提取到的特征向量；最后的池化层连接一个权值可微的分类器，如全连接层的神经网络、多项式逻辑回归分类器及其扩展Softmax分类器对学习到的特征进行分类；

3.2深度卷积神经网络的训练

BP算法一次完整的计算包括激励传播和权重更新；前向传播和反向传播是激励传播的两个主要步骤；前向传播阶段是将输入图像送入网络，经过卷积层、池化层和分类器获得整个网络的输出；反向传播阶段是求得代价函数F后，计算代价函数对各个隐含层参数的偏导数；由于深度卷积神经网络中，代价函数是隐含层权值的隐函数，为计算导数需使用微积分的链式法则；

每个卷积层m都会接一个池化层m+1，要求得m层每个神经元对应的权值更新，需求得每个神经节点的灵敏度s；其计算公式如下

其中up(x)是将第m+1层的大小扩展为和第m层大小一样，β是下采样层中的权重；u表示神经元j的输入，f'(·)表示激活函数的偏导数，表示每个元素相乘；求出灵敏度后计算卷积层中代价函数对各训练参数的梯度，其公式如下

其中表示特征图中与卷积核逐元素相乘的图像块；

计算m+1层池化层梯度时，需找到灵敏度图中给定像素对应于上一层的灵敏度图中的哪个区域块；在Matlab中池化层灵敏度的计算通过以下公式实现，即

其中第m+2层为卷积层；之后求得池化层中代价函数对各训练参数的梯度，其公式如下

其中

在权重更新时，采用近似的最速下降法更新权值和偏置值，利用以下公式计算参数的更新值

其中η为学习率。

2.根据权利要求1所述的基于深度学习的轨道扣件缺陷识别算法，其特征在于，所述轨道检测车包括扣件区域(1)、轨道板(2)、CMOS相机(3)、线激光(4)和钢轨(5)。