一种基于YOLOV3算法的铁轨弹条检测方法技术

本发明专利技术公开了一种基于YOLOV3算法的铁轨弹条检测方法，属于图像目标检测领域。构建铁轨弹条的数据集，并标注弹条样本，基于YOLOV3算法构建深度学习网络架构，基于YOLOV3网络对数据集进行训练，根据训练结果进行网络架构的参数调整，调整完成后将待检测的图片放入网络中进行检测判定，完成弹条目标的最终判别确认。本发明专利技术可从视频监控图像中快速定位铁轨弹条位置，无需获取铁轨位置等先验信息，同时利用YOLOV3网络结构充分学习铁轨弹条的特征，该方法可以解决复杂室外环境因素对弹条检测的影响，同时可以满足实时性和精确性的要求。

【技术实现步骤摘要】
一种基于YOLOV3算法的铁轨弹条检测方法
本专利技术属于图像目标检测领域，更具体地，涉及一种基于YOLOV3算法的铁轨弹条检测方法。
技术介绍
铁路钢轨是支撑机车和机车方向的部件，钢轨是通过弹性扣件固定在道床的轨枕上。弹性扣件的扣压件主要是弹条，它通过弹条的弯曲和扭曲变形，产生扣压力作用在轨道上，长期有效地保证钢轨之间的可靠连接，尽可能保持轨道的整体性，阻止钢轨相对于轨枕的纵横向移动，确保轨距正常，从而保证轨道车辆行驶安全。铁轨弹条虽是一个小器件，但是它是轨道上一个重要的零件，因它的需求量大，每公里大约7000件，其可靠性直接关系到行车的安全，因此需要对其状态进行实时监测，预防事故发生，保证轨道的稳定性与可靠性。对于视频监控图像下的弹条检测技术，由于弹条目标在图像中所占据的图像区间较小，且颜色偏黑，与铁轨其余部件无明显区分。对于一张视频监控图像，单个弹条目标所占据的区间小，且需要检测约十几个弹条。由于待检测的目标处于复杂的室外环境，光照，雨水等室外条件影响因素一直是目标检测中的难点，故基于视频监控图像的弹条检测需要先通过深度学习网络学习弹条的特征，再基于深度学习网络进行检测。当前国内外对铁轨弹条目标检测的方法主要是利用电磁感应和超声波技术，少部分会依靠图像处理技术。目前，铁轨弹条检测方法主要不足主要包括：(1)已有设计的铁路轨道检测系统已经实现了对部分种类的弹条自动识别，但能够检测的弹条种类少，无法满足实际列车安全运行检测的要求。(2)已有的检测技术，其检测的准确率对光照条件和环境污渍等的因素要求较高，在恶劣天气条件下，检测的效率和准确率都下降。(3)现有检测方式仍然不能实现完全自动化，采用的是人工辅助软件识别方式。无论是利用电磁感应和超声波技术，还是现有基于图像处理技术的弹条目标检测技术，在实际应用中都有一定的局限性。
技术实现思路
针对现有技术在铁轨弹条检测时，能够检测的弹条种类少，受室外环境因素的影响大，易因光照雨水等气候因素造成误检，在检测过程中受噪声影响大以及无法达到自动化检测等问题，本专利技术提出一种基于YOLOV3算法的铁轨弹条检测方法来解决这些问题。本专利技术采用的目标检测模型基本原理为：先用特征提取网络提取图像的特征，从而得到对应的m*m特征图，再据此将图像划分成m*m单元网络格式，然后用单元格来预测中心坐标落在其内的目标，每个单元格都会预测确定数量的边界框，选择与真实框交并比最大的边界框来预测。所得的特征图中的两个维度是提取到的特征，一个是平面，如m*m；另一个是深度，如B*(5+C)，其中B表示一个单元格所预测的边界框数量，C表示边界框对应的类别数，而5则表示1个边界框置信度和4个坐标信息。本专利技术针对视频监控图像下的铁轨弹条检测问题提出的方法，可检测多个种类的弹条种类，不受室外复杂因素如光照等噪声影响，抗干扰性强，在弹条检测时不需要依赖人工辅助识别，可实现自动化检测，同时检测的实时性和精准性都达到了要求。为了实现上述目的，本专利技术采用的技术方案是：一种基于视频的非接触式钢轨轨枕相对位移实时测量方法，包括如下步骤：S1：针对任一个检测点，在需要检测的铁轨一侧的固定位置设置摄像头，将摄像头的监控范围对准目标检测位置，实时拍摄目标检测位置处的铁轨弹条图像；S2：采集样本图片，并对样本图像进行扩增，标注每一个样本图像中弹条的真实检测框和弹条的类别，所述的类别包括完整和缺失；将带标注的样本图像作为训练集；S3：建立YOLOV3模型，利用步骤S2获得的训练集对模型进行训练，得到训练好的弹条检测模型；所述的YOLOV3模型包括网络输入层、Darknet-53网络和多尺度预测层；将样本图像作为网络输入层的输入，得到统一尺寸的样本图像；利用统一尺寸的样本图像对Darknet-53网络进行训练，输出该样本图像的特征图；最后通过多尺度预测层对特征图采用三种尺度标注预测框，与真实预测框进行对比，输出预测框及置信度；S4：通过摄像头实时采集每一个检测点处的铁轨弹条视频，从对应当前时刻的视频中等间隔提取m帧作为当前时刻的待检测图像，将待检测图像作为步骤S3得到的训练好的弹条检测模型的输入，得到检测结果，所述的检测结果包括弹条的类别和置信度；S5：将当前时刻的m帧图像对应的检测结果取均值作为最终检测结果输出；S6：重复步骤S4至步骤S5，执行下一时刻的铁轨弹条检测，实现铁轨弹条的实时检测。与现有技术相比，本专利技术的优势在于：(1)本专利技术构建的数据集包括多个种类的铁轨弹条种类，在后续的检测中可以完成各种种类弹条的检测，丰富了检测结果；(2)本专利技术搭建的YOLOV3深度学习网络可以有效充分的学习铁轨弹条的特征，在室外复杂环境条件下检测时，抗干扰性强，极大的削弱了光照等因素对检测的影响。(3)本专利技术搭建的基于YOLOV3算法的深度学习网络可以实现自动化检测，无需人工辅助识别，提升了检测的智能化程度。附图说明图1是本专利技术实施例提供的铁轨弹条检测方法流程图。图2是本专利技术实施例提供的铁轨弹条样本标注图。图3是本专利技术实施例提供的Darknet-53网络结构图。图4是本专利技术实施例提供的偏差与方差关系组合图。图5是本专利技术实施例提供的FeaturePyramidNetwork图。图6(a)是本专利技术实施例提供的白天阳光下的弹条检测图。图6(b)是本专利技术实施例提供的雨天的弹条检测图。图6(c)是本专利技术实施例提供的夜间的弹条检测图。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面结合具体的实施例详细说明本专利技术。下面描述了具体实施例以简化本专利技术。但是需要认识到，本专利技术不局限于所说明的实施例，并且在不脱离基本原理的前提下，本专利技术的各种修改是可能的，这些等价形式同样落于本申请所附权利要求书所限定的范围。下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，本专利技术提供的一种基于YOLOV3算法的铁轨弹条检测方法，主要包括如下步骤：步骤1：针对任一个检测点，在需要检测的铁轨一侧的固定位置设置摄像头，将摄像头的监控范围对准目标检测位置，实时拍摄目标检测位置处的铁轨弹条图像；步骤2：采集样本图片，并对样本图像进行扩增，标注每一个样本图像中弹条的真实检测框和弹条的类别，所述的类别包括完整和缺失；将带标注的样本图像作为训练集；步骤3：建立YOLOV3模型，利用步骤2获得的训练集对模型进行训练，得到训练好的弹条检测模型；所述的YOLOV3模型包括网络输入层、Darknet-53网络和多尺度预测层；将样本图像作为网络输入层的输入，得到统一尺寸的样本图像；利用统一尺寸的样本图像对Darknet-53网络进行训练，输出本文档来自技高网...

【技术保护点】
1.一种基于YOLOV3算法的铁轨弹条检测方法，其特征在于，包括如下步骤：/nS1：针对任一个检测点，在需要检测的铁轨一侧的固定位置设置摄像头，将摄像头的监控范围对准目标检测位置，实时拍摄目标检测位置处的铁轨弹条图像；/nS2：采集样本图片，并对样本图像进行扩增，标注每一个样本图像中弹条的真实检测框和弹条的类别，所述的类别包括完整和缺失；将带标注的样本图像作为训练集；/nS3：建立YOLOV3模型，利用步骤S2获得的训练集对模型进行训练，得到训练好的弹条检测模型；/n所述的YOLOV3模型包括网络输入层、Darknet-53网络和多尺度预测层；将样本图像作为网络输入层的输入，得到统一尺寸的样本图像；利用统一尺寸的样本图像对Darknet-53网络进行训练，输出该样本图像的特征图；最后通过多尺度预测层对特征图采用三种尺度标注预测框，与真实预测框进行对比，输出预测框及置信度；/nS4：通过摄像头实时采集每一个检测点处的铁轨弹条视频，从对应当前时刻的视频中等间隔提取m帧作为当前时刻的待检测图像，将待检测图像作为步骤S3得到的训练好的弹条检测模型的输入，得到检测结果，所述的检测结果包括弹条的类别和置信度；/nS5：将当前时刻的m帧图像对应的检测结果取均值作为最终检测结果输出；/nS6：重复步骤S4至步骤S5，执行下一时刻的铁轨弹条检测，实现铁轨弹条的实时检测。/n...

【技术特征摘要】
1.一种基于YOLOV3算法的铁轨弹条检测方法，其特征在于，包括如下步骤：
S1：针对任一个检测点，在需要检测的铁轨一侧的固定位置设置摄像头，将摄像头的监控范围对准目标检测位置，实时拍摄目标检测位置处的铁轨弹条图像；
S2：采集样本图片，并对样本图像进行扩增，标注每一个样本图像中弹条的真实检测框和弹条的类别，所述的类别包括完整和缺失；将带标注的样本图像作为训练集；
S3：建立YOLOV3模型，利用步骤S2获得的训练集对模型进行训练，得到训练好的弹条检测模型；
所述的YOLOV3模型包括网络输入层、Darknet-53网络和多尺度预测层；将样本图像作为网络输入层的输入，得到统一尺寸的样本图像；利用统一尺寸的样本图像对Darknet-53网络进行训练，输出该样本图像的特征图；最后通过多尺度预测层对特征图采用三种尺度标注预测框，与真实预测框进行对比，输出预测框及置信度；
S4：通过摄像头实时采集每一个检测点处的铁轨弹条视频，从对应当前时刻的视频中等间隔提取m帧作为当前时刻的待检测图像，将待检测图像作为步骤S3得到的训练好的弹条检测模型的输入，得到检测结果，所述的检测结果包括弹条的类别和置信度；
S5：将当前时刻的m帧图像对应的检测结果取均值作为最终检测结果输出；
S6：重复步骤S4至步骤S5，执行下一时刻的铁轨弹条检测，实现铁轨弹条的实时检测。


2.根据权利要求1所述的基于YOLOV3算法的铁轨弹条检测方法，其特征在于，步骤S2中对样本图像进行扩增的方法包括：
2.1)随机剪裁：随机裁掉原始图像中的四角、中心或者上下部分，将裁剪后的图像作为新增样本图；
2.2)镜像翻转：对原始图像进行镜像翻转，将翻转后的图像作为新增样本图；
2.3)随机调节图像参数：随机调节原始图像的亮度、对比度，将调节后的图像作为新增样本图。


3.根据权利要求1所述的基于YOLOV3算法的铁轨弹条检测方法，其特征在于，步骤S2所述的真实检测框利用目标左上和右下两个点的坐标信息表示。


4.根据权利要求1所述的基于YOLOV3算法的铁轨弹条检测方法，其特征在于，所述的YOLOV3模型中的网络输入层将输入图像的尺寸大小调整为32的整倍数，优选为256x256。


5.根据权利要求4所述的基于YOLOV3算法的铁轨弹条检测方法，其特征在于，所述的YOLOV3模型中的Darknet-53对输入图像的处理过程为：
a)针对尺寸为256x256输入图像，首先经过一个3x3x32的卷积层输出256x256x32；
b)接着经过一个3x3x64，stride＝2的卷积层输出为128x128x64；
c)经过一个残差块，输出为128x128x64；
d)过一个3x3x128，stride＝2的卷积层输出为64x64x12...

【专利技术属性】
技术研发人员：厉小润，张楠，何钢迪，王森荣，王晶，林超，许国平，王建军，朱彬，鄢祖建，
申请(专利权)人：浙江大学，中铁第四勘察设计院集团有限公司，
类型：发明
国别省市：浙江;33