[发明专利]基于深度卷积神经网络的钢轨波磨检测方法

说明书

本发明涉及钢轨波磨检测技术领域，涉及一种基于深度卷积神经网络的钢轨波磨检测方法，其包括以下步骤：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；五、创建测试文件夹；六、将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；七、使用DenseNet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；九、将测试集输入到深度卷积神经网络中进行测试，并统计评价指标值。本发明能够实现长、短波磨的有效和高速检测，并实现对光照强度变化的鲁棒性。

技术领域

本发明涉及钢轨波磨检测技术领域，具体地说，涉及一种基于深度卷积神经网络的钢轨波磨检测方法。

背景技术

随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被广泛应用于图像识别领域。卷积神经网络由于其独特的卷积运算和多层次的网络结构，具有稀疏连接的性质和表征学习的能力，计算效率高且对图像的平移和旋转不敏感，在图像识别领域取得了巨大成功。深度卷积神经网络相比普通的卷积神经网络有更深层次和更加精妙的网络结构，因此可以提取更高阶的特征从而具有更加优异的识别性能。

基于计算机视觉的车载轨道巡检系统在国内外得到广泛应用，该类系统可以实时采集线路环境的高分辨率数字图像，然后运用先进的模式识别技术对采集到的图像进行分类。目前已有的钢轨波磨图像分类的方法是先提取图像特征(Gabor纹理特征、局部频率特征)，再使用机器学习的方法(K-近邻方法、支持向量机)对提取到的特征进行分类，达到检测波磨的目的。

现有的波磨检测方法主要是通过SVM(支持向量机)的方法进行波磨线的分类，由于SVM算法本身并不是一种高效的算法，无法处理大量数据，因此该方法的作者先要使用算法将钢轨区域从图片分割出来，然后对采集到的图像手工提取特征，再使用SVM(支持向量机)的方法对特征进行分类，这样导致过程繁琐，检测时间过长无法在列车高速运行的环境下实现实时检测，而且该类方法没有对波磨的类型加以区分。该波磨检测方法的实现流程是在轨检车车厢下安装图像采集设备包括线阵相机、光源来获取钢轨顶面的清晰图像，然后采集到的图像通过基于位置加权的钢轨定位算法对图像中的钢轨区域从背景中分离，提取图像的频率特征，然后使用支持向量机的方法对特征进行分类达到波磨检测的目的。

发明内容

本发明的内容是提供一种基于深度卷积神经网络的钢轨波磨检测方法，其能够克服现有技术的某种或某些缺陷。

根据本发明的一种基于深度卷积神经网络的钢轨波磨检测方法，其包括以下步骤：

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；