[发明专利]一种多尺度融合的钢轨螺栓组件故障检测方法

说明书

本发明涉及螺栓图像故障识别检测技术领域，公开了一种多尺度融合的钢轨螺栓组件故障检测方法，包括如下步骤：S1：对钢轨螺栓组件图像进行多层次的特征提取，提取出钢轨连接处的整排螺栓组件特征；S2：将整排螺栓组件特征进行池化，池化后特征融合，得到单个螺栓组件特征；S3：对步骤S1提取的浅层特征做下采样，并对步骤S2中的深层特征进行上采样，将采样后的特征进行融合从而输出三组维度不同的螺栓局部特征；S4：对S3中三组提取的特征进行预测并依据结果在原钢轨图像中框出螺栓组件以及状态标签；该方法预测精度高，检测速度快；在主干网络中构建残差边，增强网络的学习能力，以及采用Msih激活函数，使得处理后的数据更平滑，梯度下降处理较好。

技术领域

本发明涉及螺栓图像故障识别检测技术领域，具体涉及一种多尺度融合的钢轨螺栓组件故障检测方法。

背景技术

钢轨螺栓组件指的是钢轨接头处用于固定轨道夹板的螺栓、螺母、垫圈的组合体，它是保证两段钢轨安全连接的关键，因为重载火车高速碾压和各种不确定因素的作用，造成组件出现各种故障，典型的有扭紧力下降、螺栓断裂、螺母裂纹或缺失、垫圈断裂或缺失、组件整体缺失，许多火车事故都是由于钢轨连接处的问题引起的，由于轨道螺栓组件位于钢轨的侧面，且在轨道中每隔12.5米或25米有一段钢轨接头，这导致螺栓组件的检测和维修的工作是间断不连续的，由于螺栓组件较小，现有的轨道螺栓组件识别与检测大多依赖于人工，费时费力，而系统的采用智能检测方法由于螺栓图像像素少、螺栓故障特征不明显，检测不到位，遗漏率高，准确率低。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种多尺度融合的钢轨螺栓组件故障检测方法。

为了实现上述目的，本发明提供如下技术方案：

一种多尺度融合的钢轨螺栓组件故障检测方法，包括如下步骤：

S1：对钢轨螺栓组件图像进行多层次的特征提取，提取出钢轨连接处的整排螺栓组件特征；

S2：将整排螺栓组件特征进行池化，池化后特征融合，得到单个螺栓组件特征；

S3：对步骤S1提取的浅层特征做下采样，并对步骤S2中的深层特征进行上采样，将采样后的特征进行融合从而输出三组维度不同的螺栓局部特征；

S4：对S3中三组提取的特征进行预测并依据结果在原钢轨图像中框出螺栓组件以及对应的状态标签。

在本发明中，优选的，在步骤S1中，采用主干网络对钢轨螺栓组件图像进行多层次的特征提取，主干网络包括依次连接的二维卷积层、若干个残差网络块和卷积输出层。

在本发明中，优选的，其中所述二维卷基层通过残差边与卷积输出层连接，其中所述二维卷基层内设置有Msih激活函数。

在本发明中，优选的，在步骤2中，采用SPP网络进行池化，SPP网络包括池化核分别为13x13、9x9、5x5、1x1的池化层，池化层用于对卷积输出层输出的特征分别做池化处理。

在本发明中，优选的，在步骤S3中，还包括如下步骤：

S301：对残差网络块的中层网络输出螺栓浅层特征进行提取并卷积操作后得到第一组特征；

S302：对残差网络块的中层网络输出螺栓中层特征进行提取并卷积操作；

S303：对SPP网络输出的螺栓深层特征进行上采样并与S302中的螺栓中层特征融合；

S304：对S301输出的特征进行下采样，与步骤S303中得到的特征再次融合后得到第二组特征；

S305：对S304得到的特征进行下采样后与SPP网络输出的螺栓深层特征进行融合后得到第三组特征。

在本发明中，优选的，在步骤S5中，包括如下步骤：

S401：对特征进行预测，得到预测框；

S402：通过非极大值抑制算法对提取的螺栓特征进行状态预测；