[發明專利]一種基于深度學習的三階段軌旁設備故障自動檢測方法

有效

• 申請號: 202211301662.3
• 申請日: 2022-10-24
• 公開（公告）號: CN115719475B
• 公開（公告）日: 2023-09-19
• 發明（設計）人: 邢薇薇;張冠甲
• 申請（專利權）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所 11111
• 代理人: 趙赫文

本發明提供了一種基于深度學習的三階段鐵路軌旁設備故障自動檢測方法。該方法包括以下步驟：構建軌旁設備目標檢測數據集；將待檢測的軌旁圖像送入軌旁設備目標檢測網絡中，定位與識別不同類型的軌旁設備，提取軌旁設備感興趣區域；構建軌旁設備ROI語義分割數據集；設計并訓練基于改進DeepLabv3+的輕量化語義分割網絡，對軌旁設備ROI圖像進行像素級別的分割；將軌旁設備ROI分割圖作為研究對象，根據不同軌旁設備故障所呈現的不同視覺特征，分別設計長寬比例閾值、極點坐標比較和輪廓定量檢測的三種快速故障判別算法。本發明充分融合了基于深度學習的目標檢測與語義分割技術，對鐵路軌旁設備實現了由粗到細的故障自動檢測，實際應用意義較強。

技術領域

本發明涉及鐵路軌旁設備故障檢測技術領域，尤其涉及一種基于深度學習的三階段鐵路軌旁設備故障自動檢測方法。

背景技術

中國鐵路建設規模持續增長，鐵路安全問題越來越受到人們的關注。鐵路軌旁設備作為鐵路交通線路中的關鍵角色之一，其健康狀況直接影響著鐵路運輸的安全。傳統對軌旁設備的故障檢測方式是通過人工視覺巡檢完成的，易受環境、心理等因素的影響，導致檢測效率不高，準確性低。

現有的鐵路軌旁設備故障自動檢測方法，通過使用傳統機器學習方法例如圖像模板匹配(TM)、決策樹(DT)和支持向量機(SVM)，或深度學習方式例如卷積神經網絡(CNN)等完成對特定類型的軌旁設備故障檢測，雖然準確率有所提高，但僅僅適用于場景穩定、目標單一的軌旁設備圖像，對于實際環境下的種類復雜多樣、故障區域大小不一的軌旁設備而言，這些方法都具有較大的局限性。

發明內容

針對現有的鐵路軌旁設備故障自動檢測方法存在的缺陷，本發明提出了一種基于深度學習的三階段鐵路軌旁設備故障自動檢測方法，以實現高效準確地檢測軌旁設備故障。

為實現上述目的，本發明采用了如下技術方案：

一種基于深度學習的三階段鐵路軌旁設備故障自動檢測方法，包括：

S1：構建鐵路軌旁設備目標檢測數據集：標記每個軌旁設備的類別信息與位置坐標信息，將標注好的軌旁設備圖像劃分為訓練集、驗證集和測試集；

S2：基于所述軌旁設備目標檢測數據集設計并訓練基于YOLOv5的軌旁設備目標檢測網絡；

S3：將待檢測圖像送入所述目標檢測網絡中進行軌旁設備的定位與識別，提取出圖像中的潛在軌旁設備感興趣區域(ROI)；

S4：構建軌旁設備ROI語義分割數據集：將軌旁設備ROI圖像中的像素點分為目標區域與背景區域兩大類別，標注ROI圖像中每個像素點的所屬類別信息，將標注好的軌旁設備ROI圖像劃分為訓練集、驗證集和測試集；

S5：在軌旁設備ROI語義分割數據集上設計并訓練基于改進DeepLabv3+的輕量化語義分割網絡；

S6：將待檢測的軌旁設備ROI圖像送入所述語義分割網絡中，得到軌旁設備ROI分割圖；

S7：根據不同軌旁設備故障所呈現的不同視覺特征，分別設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的軌旁設備ROI分割圖進行故障判別。

優選地，步驟S1所述構建軌旁設備目標檢測數據集包括，獲取到軌旁設備圖像集合后，使用矩形框對每張圖像中的軌旁設備進行類別標注與位置坐標標注。

優選地，所述S2中的基于所述軌旁設備目標檢測數據集設計并訓練基于YOLOv5的軌旁設備目標檢測網絡，包括：