[发明专利]一种钢轨表面缺陷识别分类方法

说明书

本发明提供的一种钢轨表面缺陷识别分类方法，基于无人机监测图像和深度森林模型分析，首先使用无人机监测图像预处理，然后基于比例加强最大熵阈值算法的钢轨表面缺陷提取，最后利用深度森林方法实现小样本缺陷数据分类；本发明提供的方法优点与积极效果在于：解决了传统检测方式在钢轨表面缺陷检测领域的盲区问题，提出了一种改进的处理无人机图像的方法，对于利用无人机进行轨道缺陷检测有一定的促进作用；提出一种适用于小样本的缺陷分类方法，能在保证正确率的基础上解决目前存在的样本数据量不够的问题。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种钢轨表面缺陷识别分类方法。

背景技术

轨道表面缺陷的存在导致列车运行不稳定，极大地损坏了车轮、轮对和转向架部件， 不仅缩短了列车各部分的使用寿命，甚至可能会威胁列车的安全驾驶，如造成列车脱轨等 铁路事故。因此，对轨道表面缺陷进行有效的检测是确保铁路系统安全可靠运行必不可少 的措施。

现阶段，国内外对于钢轨表面缺陷检测的方法也并不丰富，各国常用的方法主要集中 在目检法、超声波检测法、电涡流法这几种现代方法中。随着自动化和数字图像处理技术 的迅速发展，人们逐渐将研究重心转向检测自动化的研究。相较于轨检车来说，无人机图 像采集有具有价格低廉、检测成本低；操作简单；受地形干扰小；灵活性高；轻便等优势，无人机检测是缺陷检测的一个方向。

近几年，深度学习逐渐被应用在各个领域，尽管深度神经网络工作出色，但是仍然存 在明显的缺点。首先，深度神经网络需要有大量的样本才能进行训练，对小样本而言，利用深度学习网络进行训练得到的结果并不理想。第二，深度学习网络的超参数多且复杂，学习过程中依赖于超参数的调节。对于钢轨表面缺陷图像来说，由于目前正常运行中的轨道线路中存在表面缺陷的情况相对而言是比较少的，并且由于数据采集的范围有限，所以无法获取足量用于深度学习网络训练的样本。因此，研究基于无人机图像和深度森林的钢轨表面缺陷识别分类方法为钢轨表面缺陷检测和钢轨健康评估提出了新方法和思路，对保障铁路系统安全有效运行和提高铁路整体工作效率具有重大的意义。

周志华提出的深度森林方法(Deep Forest)是一种决策树集合方法。深度森林方法主 要有以下几个方面的特点：(1)当输入高维度数据时，通过多粒度扫描其表征学习能力能 够得到进一步的加强，能够使模型结合整个模型结构进行自动调整，感知能力非常强。 (2)深度森林的级联层数可以根据需求进行调节，使深度森林即使在只有小样本数据的情 况下也具有优异的性能，能够实现在样本量不足的情况下进行分类预测。(3)深度森林模 型的超参数远比深层神经网络少，一般情况下，在用深度森林模型时采用模型的默认参数 设置就可以得到比较好的训练结果。深度森林的这些特点使得它训练花费时间少、对小样 本友好且分类效果好。

发明内容

本发明的实施例提供了一种钢轨表面缺陷识别分类方法，用于解决现有技术中存在的 问题。

为了实现上述目的，本发明采取了如下技术方案。

一种钢轨表面缺陷识别分类方法，包括：

通过无人机获取钢轨区域图像，并对该钢轨区域图像进行预处理，获得目标区域图 像；

通过比例加强最大熵阈值算法对目标区域图像进行处理，获得钢轨表面缺陷图像；

通过深度森林方法对钢轨表面缺陷图像的缺陷特征进行分类。

优选地，通过无人机获取钢轨区域图像，并对该钢轨区域图像进行预处理，获得目标 区域图像包括：

对钢轨区域图像进行定位处理，获得钢轨垂直图像；

通过水平投影法获得该钢轨垂直图像的灰度值之和；

对钢轨垂直图像进行图像增强处理，获得目标区域图像。

优选地，对钢轨区域图像进行定位处理，获得钢轨垂直图像包括：