[发明专利]一种基于深度学习的轨道扣件缺陷识别算法

说明书

本发明公开了一种基于深度学习的轨道扣件缺陷识别算法，包括以下步骤：步骤1、采用扣件检测系统；步骤2、数据预处理；步骤3：特征提取与分类。本发明利用先验知识验证扣件区域的位置，保证了扣件定位的准确率；之后利用三维数据的深度信息提取弹条子图像，成功简化模型输入图像的信息；另外，为解决正负样本数量不平衡的困境，提出了一种创建真实模拟扣件断裂数据的方法。在特征提取与分类方面，利用深度卷积神经网络从训练数据中自动提取的特征表达力更强，稳定性更高，并且将特征提取与分类同时训练的策略更有利于提高算法的准确率和稳定性。

技术领域

本发明属于高速铁路维修养护技术领域，涉及一种基于深度学习的轨道扣件缺陷识别算法。

背景技术

近年来高速铁路在我国发展迅猛，中国铁路总公司统计数据显示，自2008年开始发展高速铁路以来，高速铁路运营总里程已达2.5万公里。扣件是高速铁路轨道结构的重要组成部分之一，其长效可靠的服役性能是高速列车平稳安全运行的重要因素。但现场调查发现，由于高频列车荷载、维修作业等因素，高速铁路扣件经常出现弹条缺失、断裂等伤损。扣件失效将影响轨道结构的动力响应，严重时将导致列车脱轨等安全事故。为此，国内外学者自上世纪90年代开始，利用计算机视觉技术获得轨道二维图像数据，采用小波变换、主成分分析、方向场、SIFT特征、金字塔梯度方向直方图、Haar特征等方法提取扣件特征，并利用多层感知神经网络、支持向量机、贝叶斯压缩感知器、AdaBoost分类、模板匹配等方法作为分类器对扣件状态的进行检测。然而二维图像数据具有无法克服的先天缺陷，如环境光造成的光照不均匀、量化噪声等引起的图像噪音。二维图像主要提供灰度和灰度梯度信息，不均匀光照和噪声将严重影响后期的特征提取，造成特征的鲁棒性较低。尽管目前有针对光照不均匀和噪声的相关研究，但仍不能消除其带来的影响。自2014年开始，学者们尝试改变轨道图像数据的采集技术，即利用三维激光成像技术采集轨道三维数据(深度图像)。其利用激光提供稳定的强光源，不仅解决二维图像面临的光照不均匀问题，实现数据质量丝毫不受环境光的影响；而且由于深度图像的灰度值代表轨道表面的高度，采集的三维数据质量几乎不受随机噪音的影响。

由于现有的扣件检测算法使用人工设计的特征，如方向场、金字塔梯度方向直方图等，即使利用最好的非线性分类器进行特征分类，扣件检测的准确度和稳定性仍有待进一步提高。人工设计的特征具有以下缺点：1)其为底层特征，对扣件的表达能力不足；2)其可分性较差，尤其是数据质量不佳时，导致分类的错误率较高。

为提取更易于分类的特征，Hinton等人提出在2006年提出了模拟人脑进行分析学习的深度学习概念，其使用多重非线性变换构成多个处理层对数据进行高层抽象。随着计算机能力和训练数据的快速增加，其在各个领域均取得了一系列突破性的研究进展。卷积神经网络(Convolutional Neural Network，CNN)LeCun Y,Boser B,Denker J S,etal.Backpropagation applied to handwritten zip code recognition[J].NeuralComputation,1989,1(4):541-551.是深度学习的重要分支之一，其因独特的卷积层(Alternating Convolutional Layer)和池化层(Pooling Layer),避免了对图像复杂的预处理，可直接以原始图像作为模型的输入，得到了非常广泛的应用，尤其是图像分类、目标检测和图像语义分割等领域。CNN作为一种端到端的学习模型，模型中的参数一般是通过梯度下降方法进行训练，用大量有标签的数据以监督方式训练CNN，其通过特征提取层隐式的从训练数据中学习高度抽象的图像特征，并通过激活函数将多个特征映射于一个特征图，使得最终提取的特征具有位移不变性。

发明内容