[发明专利]基于深度学习的多源数据融合的轨道状态检测方法及装置

说明书

本发明提供了一种基于深度学习的多源数据融合的轨道状态检测方法及装置，涉及轨道检测技术领域，该方法包括：获取目标轨道线路的数据集信息；数据集信息包括目标轨道线路的多种类型状态检测参考数据以及多种类型状态检测参考数据对应的轨道线路状态数据；利用特征提取模型对数据集信息进行特征提取，得到特征信息；根据特征信息和机器分类器计算轨道状态参数，并根据轨道状态参数确定轨道状态检测模型；利用数据集信息训练轨道状态检测模型；根据训练完成后的轨道状态检测模型生成轨道状态检测结果。本发明可以融合多种类型状态检测参考数据，基于深度学习，实时、准确的获取轨道病害信息。

技术领域

本发明涉及轨道检测技术领域，尤其是涉及一种基于深度学习的多源数据融合的轨道状态检测方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

钢轨在长期的使用过程当中，不可避免的会产生滚动接触疲劳和磨耗。钢轨表面状态的改变必然会引起轮轨匹配关系的改变，如果可以将车轮近似的看成一个刚性结构，轴箱(在铁路车辆上，套在轴颈上联结轮对和转向架的部件)的加速度值就可以间接反馈钢轨的短波不平顺，进而判定轨道病害。单一的利用加速度数据检测准确度较低，不能够完全反映轨道的真实状况。车辆通过轨道病害处时，会产生比较明显的振动噪声，获取此时的噪声值进行分析可以对加速度数据的检测进行一个比较好的补充。数据的有效性是进行轨道状态评判的前提条件，利用高速摄像机获取到的图像信息进行特征提取可以进一步的验证轨道病害。基于上述利用图像信息、噪声值和加速度值三种检测方法的特点，运用机器学习原理进行多源数据融合得到了利用多种数据联合评判轨道状态检测方法。这种方法从多个角度全面描述轨道状态，可以获得真实准确的数据，但其存在的问题是，数据量大，种类多，计算复杂。

发明内容

本发明提供了一种基于深度学习的多源数据融合的轨道状态检测方法及装置，可以融合多种类型状态检测参考数据，基于深度学习，实时、准确的获取轨道病害信息。

第一方面，本发明实施例提供了一种基于深度学习的多源数据融合的轨道状态检测方法，该方法包括：

获取目标轨道线路的数据集信息；所述数据集信息包括所述目标轨道线路的多种类型状态检测参考数据以及所述多种类型状态检测参考数据对应的轨道线路状态数据；

利用特征提取模型对所述数据集信息进行特征提取，得到特征信息；

根据所述特征信息和机器分类器计算轨道状态参数，并根据所述轨道状态参数确定轨道状态检测模型；

利用所述数据集信息训练所述轨道状态检测模型；

根据训练完成后的轨道状态检测模型生成轨道状态检测结果。

第二方面，本发明实施例还提供一种基于深度学习的多源数据融合的轨道状态检测装置，该装置包括：

获取模块，用于获取目标轨道线路的数据集信息；所述数据集信息包括所述目标轨道线路的多种类型状态检测参考数据以及所述多种类型状态检测参考数据对应的轨道线路状态数据；

特征模块，用于利用特征提取模型对所述数据集信息进行特征提取，得到特征信息；

参数模块，用于根据所述特征信息和机器分类器计算轨道状态参数，并根据所述轨道状态参数确定轨道状态检测模型；

训练模块，用于利用所述数据集信息训练所述轨道状态检测模型；

预测模块，用于根据训练完成后的轨道状态检测模型生成轨道状态检测结果。

第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于深度学习的多源数据融合的轨道状态检测方法。