[發明專利]少樣本學習的鋼軌表面缺陷檢測方法及裝置

有效

• 申請號: 202011059937.8
• 申請日: 2020-09-30
• 公開（公告）號: CN112330591B
• 公開（公告）日: 2023-01-24
• 發明（設計）人: 劉俊博;王勝春;王凡;杜馨瑜;顧子晨
• 申請（專利權）人: 中國國家鐵路集團有限公司;中國鐵道科學研究院集團有限公司;中國鐵道科學研究院集團有限公司基礎設施檢測研究所;北京鐵科英邁技術有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/90;G06N3/04;G06V10/764;G06V10/774;G06V10/80;G06V10/82;B61K9/08
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 薛平;周曉飛

本發明提供了一種少樣本學習的鋼軌表面缺陷檢測方法及裝置，該方法包括：對少量已標注的鋼軌表面缺陷圖像進行數量擴展，構建鋼軌表面缺陷數據集；構建多層級特征融合的鋼軌表面缺陷檢測網絡模型，多層級特征融合的鋼軌表面缺陷檢測網絡模型的多任務損失函數包括目標定位邊界框損失函數和多類別分類損失函數，目標定位邊界框損失函數用于訓練模型定位缺陷區域，多類別分類損失函數用于訓練模型識別缺陷類別；根據鋼軌表面缺陷數據集訓練模型；在采集到多張鋼軌圖像后，獲得拼接后的鋼軌圖像并輸入至多層級特征融合的鋼軌表面缺陷檢測網絡模型中，輸出鋼軌表面缺陷檢測結果。本發明可以在少量已標注的樣本下訓練鋼軌表面缺陷檢測網絡模型，效果好。

技術領域

本發明涉及軌道交通安全技術領域，尤其涉及一種少樣本學習的鋼軌表面缺陷檢測方法及裝置。

背景技術

鋼軌是鐵路軌道的重要組成部件，用于引導列車車輪前進。近年來，為滿足日益增長的運輸需求，鐵路運輸高速化和重載化的程度不斷提高，導致大量線路中鋼軌病害問題頻繁出現，其中，鋼軌表面缺陷最為常見。鋼軌表面缺陷會嚴重影響列車運行安全，容易引發鐵路事故。因此，亟需研究更高效、更準確的鋼軌表面缺陷自動化檢測方法，定期地檢測線路中的鋼軌狀態，指導鐵路養護單位進行維修保養，以保障鐵路運行安全。

基于視覺相機的自動化檢測技術由于其成本低、速度快、客觀性強等優點，一直受到學術界和工業界的廣泛關注，已成功應用于軌道輪廓測量、軌距測量、軌道塞釘檢測、接觸網檢測、鋼軌扣件檢測和鋼軌表面缺陷檢測等任務。基于視覺相機的鋼軌表面缺陷檢測方法可以分為有監督式和無監督式兩類。有監督式方法通常采用滑動窗口法從原始鋼軌圖像中提取子區域，然后使用局部頻率特征(Local Frequency Features,LFF)、最大穩定極值區域(Maximally Stable Extremal Regions,MSER)或光譜特征(Spectral Features,SF)表示子區域的特征，最后，訓練K-近鄰(K-Nearest Neighbor,K-NN)或支撐向量機(Support Vector Machine,SVM)識別子區域是否存在缺陷。無監督式方法通常采用局部歸一化(Local Normalization,LN)、逆Perona-Malik(PM)擴散模型或邁克爾遜對比度(Michelson-Like Contrast,MLC)對原始鋼軌圖像進行增強，然后利用輪廓投影(Projection Profile,PP)、自適應閾值二值化(Adaptive Threshold Binarization,ATB)或受限最大熵(Proportion Emphasized Maximum Entropy,PEME)來定位缺陷區域的像素。然而，上述方法依賴局部的圖像紋理特征和軌道先驗參數，在實際檢測任務中，容易受到光照條件、圖像噪聲、軌道環境等外界因素的干擾，方法的魯棒性較差，準確率和效率難以滿足實際檢測任務的需求。

鋼軌圖像是由車載設備在開放環境下動態獲取的自然圖像，我國鐵路運營里程長、跨度大，鋼軌圖像數以億計，并且不同線路的鋼軌類型不同，鋼軌圖像存在視覺形態差異。此外，任意一處鋼軌缺陷區域的大小、形態都不相同，異常模式無法預知，難以窮盡枚舉。因此，鋼軌表面缺陷檢測方法需要處理海量、非結構化、缺陷模式復雜的鋼軌圖像，存在非常巨大的挑戰。

近年來，深度卷積神經網絡(Deep Convolutional Neural Network,DCNN)在目標定位和圖像識別方面取得了巨大的突破，相較于傳統的計算機視覺方法，深度卷積神經網絡大幅提升了目標定位和圖像識別任務的準確率和速度。目前，許多基于視覺的鐵路基礎設施病害檢測系統利用Faster-RCNN、SSD、YOLO等基于DCNN的方法執行目標檢測任務，極大地提高了鐵路基礎設施病害檢測工作的效率和準確性。然而，現有的基于DCNN的目標檢測方法應用于鋼軌表面缺陷檢測任務時仍存在以下幾個方面的困難：

一是，基于DCNN的目標檢測方法屬于有監督式學習方法，通常分為目標定位和目標分類兩個模塊，每個模塊都需要輸入大量已標注數據進行訓練。然而，在實際的鋼軌表面缺陷檢測任務中，有缺陷鋼軌圖像的數量非常稀缺，導致無法手動地收集和標注充足的訓練樣本；