[發(fā)明專利]一種基于深度學習的三階段軌旁設(shè)備故障自動檢測方法

有效

• 申請?zhí)枺?/td>: 202211301662.3
• 申請日: 2022-10-24
• 公開（公告）號: CN115719475B
• 公開（公告）日: 2023-09-19
• 發(fā)明（設(shè)計）人: 邢薇薇;張冠甲
• 申請（專利權(quán)）人: 北京交通大學
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V10/25;G06V10/774;G06V10/77;G06V10/82;G06N3/08;G06N3/0464
• 代理公司: 北京市萬慧達律師事務(wù)所 11111
• 代理人: 趙赫文

1.一種基于深度學習的三階段鐵路軌旁設(shè)備故障自動檢測方法，其特征在于，包括：

S1：構(gòu)建鐵路軌旁設(shè)備目標檢測數(shù)據(jù)集：標記每個軌旁設(shè)備的類別信息與位置坐標信息，將標注好的軌旁設(shè)備圖像劃分為訓練集、驗證集和測試集；

S2：基于所述軌旁設(shè)備目標檢測數(shù)據(jù)集設(shè)計并訓練基于YOLOv5的軌旁設(shè)備目標檢測網(wǎng)絡(luò)；

S3：將待檢測圖像送入所述目標檢測網(wǎng)絡(luò)中進行軌旁設(shè)備的定位與識別，提取出圖像中的潛在軌旁設(shè)備感興趣區(qū)域；

S4：構(gòu)建軌旁設(shè)備ROI語義分割數(shù)據(jù)集：將軌旁設(shè)備感興趣區(qū)域圖像中的像素點分為目標區(qū)域與背景區(qū)域兩大類別，標注感興趣區(qū)域圖像中每個像素點的所屬類別信息，將標注好的軌旁設(shè)備感興趣區(qū)域圖像劃分為訓練集、驗證集和測試集；

S5：在軌旁設(shè)備感興趣區(qū)域語義分割數(shù)據(jù)集上設(shè)計并訓練基于改進DeepLabv3+的輕量化語義分割網(wǎng)絡(luò)，包括：

所述基于改進DeepLabv3+的輕量化語義分割網(wǎng)絡(luò)，以DeepLabv3+為基礎(chǔ)，采用融合了CA注意力機制的GhostNet作為主干特征提取網(wǎng)絡(luò)，使用密集空洞空間金字塔池化DenseASPP結(jié)構(gòu)提取高級語義特征；增加一個特征圖切分與提取模塊并行提取高級語義特征，進行高級語義特征融合，通過特征圖切分與提取模塊對中間特征圖進行特征復用與增強，并從主干特征提取網(wǎng)絡(luò)額外提取一個占原始輸入圖像分辨率1/2的底層特征圖參與最終的特征融合；

在PASCAL-VOC2012數(shù)據(jù)集上進行預訓練300個epoch后，保存模型權(quán)重參數(shù)，并將其遷移至步驟S4所述的軌旁設(shè)備目標檢測數(shù)據(jù)集上繼續(xù)訓練200個epoch，使用Adam優(yōu)化器進行優(yōu)化，初始學習率設(shè)置為0.0001，網(wǎng)絡(luò)訓練過程中使用Dice損失函數(shù)計算語義分割損失，使用Cross?Entropy損失函數(shù)計算像素點多類別分類損失，Dice損失函數(shù)如以下公式所示：

其中X表示預測結(jié)果，Y表示Ground?Truth，|X∩Y|表示二者之間的交集，|X|表示預測結(jié)果的數(shù)量，|Y|表示Ground?Truth的數(shù)量；

Cross?Entropy損失函數(shù)如以下公式所示：

其中n表示批量樣本的數(shù)量，k表示類別數(shù)量，y_ij為sign函數(shù)，表示第i個樣本的真實類別為j時的取值為1，否則為0，p_ij表示預測第i個樣本屬于類別j的概率；

S6：將待檢測的軌旁設(shè)備感興趣區(qū)域圖像送入所述語義分割網(wǎng)絡(luò)中，得到軌旁設(shè)備感興趣區(qū)域分割圖；

S7：根據(jù)不同軌旁設(shè)備故障所呈現(xiàn)的不同視覺特征，分別設(shè)計基于長寬比例閾值、基于極點坐標比較和基于輪廓定量檢測的三種故障判別方法，利用故障判別方法對相應(yīng)的軌旁設(shè)備感興趣區(qū)域分割圖進行故障判別。

2.如權(quán)利要求1所述的一種基于深度學習的三階段鐵路軌旁設(shè)備故障自動檢測方法，其特征在于，步驟S1所述構(gòu)建軌旁設(shè)備目標檢測數(shù)據(jù)集包括，獲取到軌旁設(shè)備圖像集合后，使用矩形框?qū)γ繌垐D像中的軌旁設(shè)備進行類別標注與位置坐標標注。

3.如權(quán)利要求2所述的一種基于深度學習的三階段鐵路軌旁設(shè)備故障自動檢測方法，其特征在于，所述S2中的基于所述軌旁設(shè)備目標檢測數(shù)據(jù)集設(shè)計并訓練基于YOLOv5的軌旁設(shè)備目標檢測網(wǎng)絡(luò)，包括：

所述軌旁設(shè)備目標檢測網(wǎng)絡(luò)，以YOLOv5架構(gòu)為基礎(chǔ)，使用GhostConv層和C3Ghost層替換原始的Conv層和C3層，包括Backbone、Neck和Head模塊，軌旁設(shè)備圖像通過Backbone模塊進行特征提取，得到三個由淺入深的有效特征層，然后被送入到Neck模塊，Neck模塊由FPN結(jié)構(gòu)與PAN結(jié)構(gòu)構(gòu)建而成的，其中FPN自頂向下傳遞軌旁設(shè)備的語義特征，而PAN則自底向上地傳遞軌旁設(shè)備的位置特征，語義特征與位置特征融合后輸出三個加強特征層，每個特征層不但包含通道信息和尺寸信息，還包含每個特征點的位置參數(shù)、是否包含軌旁設(shè)備以及軌旁設(shè)備種類信息，這三個加強特征層送入Head模塊，通過解碼計算得到預測框，然后進行非極大值抑制處理，篩選得到最終的預測框，所述軌旁設(shè)備目標檢測網(wǎng)絡(luò)在COCO數(shù)據(jù)集上進行預訓練，然后將模型權(quán)重遷移至軌旁設(shè)備目標檢測數(shù)據(jù)集上訓練。