[发明专利]基于深度卷积神经网络的钢轨波磨检测方法

权利要求书

1.基于深度卷积神经网络的钢轨波磨检测方法，其特征在于：包括以下步骤：

一、拍摄钢轨顶面图像，并保存；

二、挑选出长波磨、短波磨和非波磨的图片并标定；

三、提取图像中间的钢轨区域；

四、创建训练集数据存放文件夹，在其内部创建三个训练文件夹，将标定的长波磨、短波磨和非波磨图片移动到对应的文件夹内制作原始的训练集；

五、将原始训练集内的图片的分辨率转变成一致，创建测试文件夹，在测试文件夹下创建5个主文件夹，并在每个文件夹下再创建三个子文件夹来对应图片类别，然后随机将各类图片的30％对应移动到其中一个主文件夹内的三个子文件夹内；

六、将所述其中一个主文件夹下的图片按照原图片灰度值的0.6倍、0.8倍、1.2倍和1.4倍进行变换，并将变换后图片保存到测试集内剩下的4个文件夹内；

七、使用DenseNet稠密连接网络模型作为基础模型构造深度卷积神经网络；

八、将训练集导入构建的深度卷积神经网络模型进行训练，使用分类交叉熵作为损失函数，使用Adam算法进行训练参数的更新；当批次的平均训练损失值小于0.0001时，认为达到要求，保存训练模型，停止训练；

九、将测试集内5个灰度类别的数据输入到深度卷积神经网络中进行测试，并统计评价指标值；使用精准率、召回率、F1度量、单张图片的测试时间及每一个类别对应的TOP-1准确率作为评价指标；

精准率、召回率、F1度量的计算公式如下：

精准率:P＝TP/(TP+FP)；召回率：R＝TP/(TP+FN)；F1度量：F1＝2×(P×R)/(P+R)；

式中TP为真正例，FP为假正例，FN为假反例，TN为真反例；将长波磨和短波磨图片作为正例，非波磨图片作为反例。

2.根据权利要求1所述的基于深度卷积神经网络的钢轨波磨检测方法，其特征在于：步骤一中，拍摄钢轨顶面图像的具体方法为：在检测小车上搭载高速摄像机，调整摄像机安装位置，使拍摄角度垂直于钢轨顶面。

3.根据权利要求1所述的基于深度卷积神经网络的钢轨波磨检测方法，其特征在于：步骤一中，保存方法为：将拍摄的钢轨顶面图像导出并保存为jpg格式图片。

4.根据权利要求1所述的基于深度卷积神经网络的钢轨波磨检测方法，其特征在于：步骤二中，挑选出长波磨、短波磨和非波磨的图片并标定后，统计各类图片数量，舍弃部分数量远高于其他类别的类别图片。

5.根据权利要求1所述的基于深度卷积神经网络的钢轨波磨检测方法，其特征在于：步骤五中，将原始训练集内的图片的分辨率全部转变为224*224。

6.根据权利要求1所述的基于深度卷积神经网络的钢轨波磨检测方法，其特征在于：步骤五中，测试文件夹的文件名为test，5个主文件夹的文件名为gray0.6、gray0.8、gray1.0、gray1.2、gray1.4，三个子文件夹的文件名为long、short和normal，随机将各类图片的30％移动到gray1.0对应的文件夹内。

7.根据权利要求1所述的基于深度卷积神经网络的钢轨波磨检测方法，其特征在于：步骤七中，深度卷积神经网络是含有更多网络层的卷积神经网络，卷积神经网络包括卷积模块和全连接模块，卷积模块提取特征，全连接模块对特征进行分类；卷积神经网络的公式表达如下：

表示第l层第j个特征图，为卷积核函数，f()为激活函数，为偏置参数，*代表卷积运算；其中卷积核的数值和偏置参数以及最后分类的全连接层的权重和偏置参数均为可训练参数。

8.根据权利要求1所述的基于深度卷积神经网络的钢轨波磨检测方法，其特征在于：步骤八中，分类交叉熵的计算公式如下：

B是训练批次的大小，C是分类数目，y是训练数据标签，取所有批次的平均损失作为最终指标。