[發明專利]一種基于卷積神經網絡的軌道扣件檢測及分類方法

在審

• 申請號: 202110262013.6
• 申請日: 2021-03-10
• 公開（公告）號: CN112884753A
• 公開（公告）日: 2021-06-01
• 發明（設計）人: 馬靈濤;鄧成呈
• 申請（專利權）人: 杭州申昊科技股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京國貝知識產權代理有限公司 11698
• 代理人: 柯俊

本發明公開了一種基于卷積神經網絡的軌道扣件檢測及分類方法，包括以下步驟：(a)采集軌道三維圖像數據，先將所述三維圖像數據進行圖像預處理，將所述三維圖像數據分成訓練集圖像和測試集圖像；(b)構造新的faster?RCNN網絡的網絡層級結構，采用預訓練模型對網絡層的權重進行初始化；(c)加載所述訓練集圖像，不斷地降低網絡輸出值與實際真實值之間的誤差，得到最終的網絡模型；(d)輸入所述測試集圖像到最終的網絡模型中，獲得所述測試集圖像中扣件的坐標與類別。本發明基于圖像處理、深度學習的方法自動定位扣件在圖像中的位置，并對扣件型號進行分類，以解決現有扣件檢測方法無法準確定位扣件位置、扣件類型分類準確率較低的問題。

技術領域

本發明涉及鐵路基礎設施檢測領域，具體涉及一種基于卷積神經網絡的軌道扣件檢測及分類方法。

背景技術

隨著交通運輸行業的發展，軌道交通逐步成為現代社會非常重要的交通運和出行手段；在鐵路軌道中，會應用到許多不同類型的鐵路軌道扣件，鐵路軌道扣件以輔助完成軌道之間的安裝、固定與連接。鐵路軌道扣件是軌道結構的最關鍵部件之一，是軌道交通運行安全的重要保障。軌道巡檢中的最重要環節就是對鐵路軌道扣件狀態及其異常的檢測，因此鐵路軌道扣件在圖像中的定位及其型號的分類尤為關鍵。

目前，常用的方法是人工巡檢，通過肉眼來觀察扣件位置和辨別扣件類型，這種方式費時費力，并且很大程度上依賴技術人員的經驗判斷，準確性難以保證。而專利CN201911271848利用先驗知識來提取扣件感興趣區域，該方法利用扣件之間的固定間距來分割扣件區域，但在實際情況中，道床之間的距離存在細小偏差，并不是絕對固定，長時間測量容易導致累計誤差；同時又會受到類型種類眾多、軌道環境中不確定的外界干擾的影響。依賴傳統圖像處理的處理方法魯棒性弱，無法解決上述問題。因此迫切需要一種魯棒性強、效率和準確度高的軌道扣件檢測與分類方法。

發明內容

本發明的目的在于針對現有技術的不足，提供一種基于卷積神經網絡的軌道扣件檢測及分類方法，本發明基于圖像處理、深度學習的方法自動定位扣件在圖像中的位置，并對扣件型號進行分類，以解決現有扣件檢測方法無法準確定位扣件位置、扣件類型分類準確率較低的問題。

為了解決上述技術問題，采用如下技術方案：

一種基于卷積神經網絡的軌道扣件檢測及分類方法，其特征在于包括以下步驟：

(a)采集軌道三維圖像數據，先將所述三維圖像數據進行圖像預處理，然后將圖像預處理后的所述三維圖像數據分成訓練集圖像和測試集圖像；

(b)構造新的faster-RCNN網絡的網絡層級結構，設置網絡參數，并采用預訓練模型對網絡層的權重進行初始化；

(c)加載所述訓練集圖像，在深度學習平臺上訓練網絡模型，通過迭代的方式，不斷地降低網絡輸出值與實際真實值之間的誤差，并達到預設迭代次數后停止迭代，得到最終的網絡模型；

(d)輸入所述測試集圖像到所述的最終的網絡模型中，獲得所述測試集圖像中扣件的坐標與類別。

進一步，在步驟(a)中，所述圖像預處理的方法如下：

先采用線結構光相機獲取軌道三維形貌數據，以軌道平面為深度圖像的水平面基準，將所述軌道三維形貌數據轉換成所述軌道二維深度圖像，并對軌道二維深度圖像精度進行壓縮，從原來的float16位深度圖像轉化為uint8位深度圖像，最后將二維深度圖像進行縮放；

所述float16位深度圖像轉化為uint8位深度圖像的轉化公式如下：

其中，u(x,y)代表float16位深度圖像中像素坐標(x,y)處的像素灰度值，v(x,y)代表uint8位深度圖像中像素坐標(x,y)處的像素灰度值，floor代表對值向下取整。