[发明专利]一种基于卷积神经网络的轨道扣件检测及分类方法

说明书

本发明公开了一种基于卷积神经网络的轨道扣件检测及分类方法，包括以下步骤：(a)采集轨道三维图像数据，先将所述三维图像数据进行图像预处理，将所述三维图像数据分成训练集图像和测试集图像；(b)构造新的faster‑RCNN网络的网络层级结构，采用预训练模型对网络层的权重进行初始化；(c)加载所述训练集图像，不断地降低网络输出值与实际真实值之间的误差，得到最终的网络模型；(d)输入所述测试集图像到最终的网络模型中，获得所述测试集图像中扣件的坐标与类别。本发明基于图像处理、深度学习的方法自动定位扣件在图像中的位置，并对扣件型号进行分类，以解决现有扣件检测方法无法准确定位扣件位置、扣件类型分类准确率较低的问题。

技术领域

本发明涉及铁路基础设施检测领域，具体涉及一种基于卷积神经网络的轨道扣件检测及分类方法。

背景技术

随着交通运输行业的发展，轨道交通逐步成为现代社会非常重要的交通运和出行手段；在铁路轨道中，会应用到许多不同类型的铁路轨道扣件，铁路轨道扣件以辅助完成轨道之间的安装、固定与连接。铁路轨道扣件是轨道结构的最关键部件之一，是轨道交通运行安全的重要保障。轨道巡检中的最重要环节就是对铁路轨道扣件状态及其异常的检测，因此铁路轨道扣件在图像中的定位及其型号的分类尤为关键。

目前，常用的方法是人工巡检，通过肉眼来观察扣件位置和辨别扣件类型，这种方式费时费力，并且很大程度上依赖技术人员的经验判断，准确性难以保证。而专利CN201911271848利用先验知识来提取扣件感兴趣区域，该方法利用扣件之间的固定间距来分割扣件区域，但在实际情况中，道床之间的距离存在细小偏差，并不是绝对固定，长时间测量容易导致累计误差；同时又会受到类型种类众多、轨道环境中不确定的外界干扰的影响。依赖传统图像处理的处理方法鲁棒性弱，无法解决上述问题。因此迫切需要一种鲁棒性强、效率和准确度高的轨道扣件检测与分类方法。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于卷积神经网络的轨道扣件检测及分类方法，本发明基于图像处理、深度学习的方法自动定位扣件在图像中的位置，并对扣件型号进行分类，以解决现有扣件检测方法无法准确定位扣件位置、扣件类型分类准确率较低的问题。

为了解决上述技术问题，采用如下技术方案：

一种基于卷积神经网络的轨道扣件检测及分类方法，其特征在于包括以下步骤：

(a)采集轨道三维图像数据，先将所述三维图像数据进行图像预处理，然后将图像预处理后的所述三维图像数据分成训练集图像和测试集图像；

(b)构造新的faster-RCNN网络的网络层级结构，设置网络参数，并采用预训练模型对网络层的权重进行初始化；

(c)加载所述训练集图像，在深度学习平台上训练网络模型，通过迭代的方式，不断地降低网络输出值与实际真实值之间的误差，并达到预设迭代次数后停止迭代，得到最终的网络模型；

(d)输入所述测试集图像到所述的最终的网络模型中，获得所述测试集图像中扣件的坐标与类别。

进一步，在步骤(a)中，所述图像预处理的方法如下：

先采用线结构光相机获取轨道三维形貌数据，以轨道平面为深度图像的水平面基准，将所述轨道三维形貌数据转换成所述轨道二维深度图像，并对轨道二维深度图像精度进行压缩，从原来的float16位深度图像转化为uint8位深度图像，最后将二维深度图像进行缩放；

所述float16位深度图像转化为uint8位深度图像的转化公式如下：

其中，u(x,y)代表float16位深度图像中像素坐标(x,y)处的像素灰度值，v(x,y)代表uint8位深度图像中像素坐标(x,y)处的像素灰度值，floor代表对值向下取整。