混凝土轨枕裂纹的检测方法、系统、设备和介质技术方案

本发明专利技术公开了一种混凝土轨枕裂纹的检测方法、系统、设备和介质，其中检测方法，包括以下步骤：构建图像集，图像集包括图像数据和标注信息；根据图像集统计裂纹目标外形的尺度分布状况；根据尺度分布状况构建卷积神经网络模型；基于图像集对卷积神经网络模型进行训练，以得到识别模型；基于识别模型对混凝土轨枕图像中的裂纹目标进行检测与定位。本发明专利技术通过根据图像集统计裂纹目标外形的尺度分布状况，再根据尺度分布状况构建卷积神经网络模型，使得训练得到的识别模型检测混凝土轨枕图像中的裂纹目标的准确率明显提升。裂纹目标的准确率明显提升。裂纹目标的准确率明显提升。

【技术实现步骤摘要】
混凝土轨枕裂纹的检测方法、系统、设备和介质


[0001]本专利技术属于混凝土轨枕裂纹的检测
，尤其涉及一种混凝土轨枕裂纹的检测方法、系统、设备和介质。

技术介绍

[0002]轨道交通是加快城市转型发展的重要基础设施，在缓解城市拥堵和快速跨区通勤方面发挥着无可替代的作用。随着近年来中国主要城市轨道交通网络的加速发展，城市轨道交通总里程数逐年增势迅猛，在便捷化城市人群生活工作的同时，却给轨道交通的日常巡检与维护带来了巨大挑战，这其中就包括了对大量轨枕的健康状态监测。轨枕是用来支撑、固定钢轨并将向道床传递钢轨压力的轨道重要部件，轨枕的健康状态对行车安全起着至关重要的作用，关乎列车以及运载乘客的生命安全。由此可见，对轨枕的健康状态进行及时、准确的监测和反馈，对城市轨道交通的安全运营有着十分重要的意义。
[0003]城市轨道交通的轨枕主要采用混凝土材料，表面裂纹是可视化反映轨枕健康状态的一种关键表征。目前对于这种轨枕裂纹的传统巡检方式主要依靠人力，然而随着轨道交通里程数的不断增长，依靠人眼视觉对巨量轨枕进行检查变得愈发困难。目前工业上主要采用的是人工视觉的检测方法，容易受到各种不确定因素的影响，因此该方法存在效率低，准确度差等问题。随着卷积神经网络的不断发展，基于卷积神经网络的一些目标识别网络被提出。但是，这些方法大都被用于自然界的物体识别，裂纹在纵向尺度上属于微小目标，极容易在深度学习提取特征阶段消失且混凝土表面图像通常受光照。污渍等影响，图像背景复杂，且裂纹的种类多，尺度小，检测难度高，将其应用于混凝土表面裂纹检测存在定位不准确，存在漏判误判严重的问题。
[0004]目前，基于深度学习的混凝土轨枕裂纹检测方法(例如，专利申请CN110044905A涉及的一种双块式轨枕的裂纹检测方法)，其将输入图像固定网格化划分为多个小的矩形图片块，然后利用深度神经网络对每个图片块分别进行裂纹判断，输出各图片块中存在裂纹的概率，然后结合人工底层特征系数最终加权得到裂纹所在的所有图片块区域。其具体实施方式为：
[0005]1)在轨枕图片数据集上对深度神经网络进行训练，得到用于判别轨枕是否存在裂纹的深度神经网络模型；
[0006]2)利用待检测双块式轨枕自身定位孔定位其凹槽区域，以双块式轨枕的凹槽区域为感兴趣区域，提取矩形检测图片；
[0007]3)提取上述矩形检测图片的底层特征，以底层特征中存在的非零像素点数量除以其像素总数得到加权系数w；
[0008]4)对矩形检测图片进行网格化划分得到图片块，将图片块输入训练好的深度神经网络模型，得到每个图片块存在裂纹的概率p；
[0009]5)设定概率阈值，将得到的每个图片块存在裂纹的概率p乘以加权系数，得到最终每个图片块存在裂纹的最终概率，将最终概率大于概率阈值的图片块判定为有裂纹。
[0010]上述基于深度学习的轨枕裂纹检测方法，主要通过对输入轨枕图像进行网格化切分，利用深度神经网络对各切分图片块是否存在裂纹进行分类，通过统计所有图片块存在裂纹的概率完成对整幅图像是否存在裂纹的最终判别。其存在以下缺点：
[0011]1)模型权重文件体积大，不利于部署在终端检测设备上；
[0012]2)对输入图像的人为网格化切分容易造成单图片块缺乏全局或周围局部信息，使得算法模型单独对各图像块进行裂纹判别时的准确率下降；
[0013]3)由于裂纹的尺度跨越范围大且不稳定，实际应用时，网格化切分的尺度需要结合具体应用场景进一步试验确定，切分的尺度差异容易对后续裂纹识别的准确率造成直接影响；
[0014]4)模型输出结果仅为可能存在裂纹的各个网格化图片块区域，不能给出裂纹在图像中更加精准的位置信息。

技术实现思路

[0015]本专利技术要解决的技术问题是为了克服现有技术中轨枕裂纹检测的准确率低的缺陷，提供一种混凝土轨枕裂纹的检测方法、系统、设备和介质。
[0016]本专利技术是通过下述技术方案来解决上述技术问题：
[0017]本专利技术提供一种混凝土轨枕裂纹的检测方法，包括以下步骤：
[0018]构建图像集，图像集包括图像数据和标注信息；
[0019]根据图像集统计裂纹目标外形的尺度分布状况；
[0020]根据尺度分布状况构建卷积神经网络模型；
[0021]基于图像集对卷积神经网络模型进行训练，以得到识别模型；
[0022]基于识别模型对混凝土轨枕图像中的裂纹目标进行检测与定位。
[0023]较佳地，根据尺度分布状况构建卷积神经网络模型，包括：
[0024]根据尺度分布状况，以VGG16(一种卷积神经网络)网络结构为SSD(Single Shot MultiBox Detector，单次检测器)模型主干网络架构构建卷积神经网络模型。
[0025]较佳地，根据尺度分布状况，以VGG16网络结构为SSD模型主干网络架构构建卷积神经网络模型，包括：
[0026]提取SSD模型主干网络中的若干目标层作为输出特征层；
[0027]对输出特征层进行相邻特征层通道融合以得到融合特征层；
[0028]根据尺度分布状况得到各个融合特征层对应的预测先验框尺度，并基于融合特征层构建卷积神经网络模型。
[0029]较佳地，目标层为SSD模型主干网络中的分辨率高于预设阈值的特征层。
[0030]较佳地，目标层包括特征层Conv4_3、特征层Conv7、特征层Conv8_2、特征层Conv9_2和特征层Conv10_2。
[0031]较佳地，根据尺度分布状况得到各个融合特征层对应的预测先验框尺度，包括：
[0032]获取第i个融合特征层对应的分辨力阈值T
i
；
[0033]根据分辨力阈值T
i
获取第i个融合特征层对应的预测先验框的短边最小值以及先验框长短比α
i
；
[0034]分辨力阈值T
i
获取第i个融合特征层对应的预测先验框的短边最大值
[0035]根据根据与α
i
生成系列尺度预测先验框，i∈[1,L]，其中，L表征融合特征层的数量，L为正整数。
[0036]较佳地，根据图像集统计裂纹目标外形的尺度分布状况，包括：
[0037]设置处理尺度为N*N像素；
[0038]将标注信息中的裂纹包围框位置按处理尺度进行线性映射以获取映射后包围框的短边和长边，统计每条映射后包围框的短边和长边，以短边为横坐标，以长边为纵坐标，生成裂纹目标外形尺度分布图以得到裂纹目标外形的尺度分布状况。
[0039]较佳地，将标注信息中的裂纹包围框位置按处理尺度进行线性映射以获取映射后包围框的短边和长边，包括：
[0040]根据式s＝N*s0/S0获取映射后包围框的短边和长边，其中，s0表征裂纹包围框的原边的长度，包括长边和短边，S0表征与裂纹包围框的原边平行的原输入图像对应边的长度，s表征映射后包围框的对应边长。
...

【技术保护点】

【技术特征摘要】
1.一种混凝土轨枕裂纹的检测方法，其特征在于，包括以下步骤：构建图像集，所述图像集包括图像数据和标注信息；根据所述图像集统计裂纹目标外形的尺度分布状况；根据所述尺度分布状况构建卷积神经网络模型；基于所述图像集对所述卷积神经网络模型进行训练，以得到识别模型；基于所述识别模型对混凝土轨枕图像中的裂纹目标进行检测与定位。2.如权利要求1所述的混凝土轨枕裂纹的检测方法，其特征在于，所述根据所述尺度分布状况构建卷积神经网络模型，包括：根据所述尺度分布状况，以VGG16网络结构为SSD模型主干网络架构构建所述卷积神经网络模型。3.如权利要求2所述的混凝土轨枕裂纹的检测方法，其特征在于，所述根据所述尺度分布状况，以VGG16网络结构为SSD模型主干网络架构构建所述卷积神经网络模型，包括：提取所述SSD模型主干网络中的若干目标层作为输出特征层；对所述输出特征层进行相邻特征层通道融合以得到融合特征层；根据所述尺度分布状况得到各个所述融合特征层对应的预测先验框尺度，并基于所述融合特征层构建所述卷积神经网络模型。4.如权利要求3所述的混凝土轨枕裂纹的检测方法，其特征在于，所述目标层为所述SSD模型主干网络中的分辨率高于预设阈值的特征层。5.如权利要求4所述的混凝土轨枕裂纹的检测方法，其特征在于，所述目标层包括特征层Conv4_3、特征层Conv7、特征层Conv8_2、特征层Conv9_2和特征层Conv10_2。6.如权利要求3所述的混凝土轨枕裂纹的检测方法，其特征在于，所述根据所述尺度分布状况得到各个所述融合特征层对应的预测先验框尺度，包括：获取第i个所述融合特征层对应的分辨力阈值T
i
；根据所述分辨力阈值T
i
获取第i个所述融合特征层对应的预测先验框的短边最小值以及先验框长短比α
i
；所述分辨力阈值T
i
获取第i个所述融合特征层对应的所述预测先验框的短边最大值根据与α
i
生成系列尺度预测先验框，i∈[1,L]，其中，L表征所述融合特征层的数量，L为正整数。7.如权利要求1所述的混凝土轨枕裂纹的检测方法，其特征在于，所述根据所述图像集统计裂纹目标外形的尺度分布状况，包括：设置处理尺度为N*N像素；将所述标注信息中的裂纹包围框位置按所述处理尺度进行线性映射以获取映射后包围框的短边和长边，统计每条所述映射后包围框的所述短边和所述长边，以所述短边为横坐标，以所述长边为纵坐标，生成裂纹目标外形尺度分布图以得到所述裂纹目标外形的所述尺度分布状况。8.如权利要求7所述的混凝土轨枕裂纹的检测方法，其特征在于，所述将所述标注信息
中的裂纹包围框位置按所述处理尺度进行线性映射以获取映射后包围框的短边和长边，包括：根据式s＝N*s0/S0获取所述映射后包围框的所述短边和所述长边，其中，s0表征所述裂纹包围框的原边的长度，包括长边和短边，S0表征与所述裂纹包围框的所述原边平行的原输入图像对应边的长度，s表征所述映射后包围框的对应边长。9.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1
‑

【专利技术属性】
技术研发人员：漆昇翔，毛晴，杨家荣，董亚明，
申请(专利权)人：上海电气集团股份有限公司，
类型：发明
国别省市：