一种基于深度学习的多轨道钢轨定位方法技术

本发明专利技术涉及一种基于深度学习的多轨道钢轨定位方法，包括以下步骤：使用安装摄像头的巡检车采集轨道图像，对图像数据集进行人工标注；构建R2CNN深度学习模型，设置合理的锚窗参数，并对模型进行训练；将训练好的模型对图像进行检测，分别得到轴对齐边界框和倾斜边界框的检测结果，并进行初步筛选；对两类边界框检测结果进行修正和融合，即可得到准确、稳定的多轨道钢轨定位结果。本发明专利技术可以适用于同时包含垂直和倾斜轨道的道岔路段图像，且能够定位多轨道钢轨区域。多轨道钢轨区域。多轨道钢轨区域。

【技术实现步骤摘要】
一种基于深度学习的多轨道钢轨定位方法


[0001]本专利技术属于轨道异常检测领域，具体为一种基于深度学习的多轨道钢轨定位方法。

技术介绍

[0002]铁路交通在我国的交通运输体系中具有不可替代的重要地位，随着铁路运输需求的日益增长，铁路交通中存在的安全问题日益突出。钢轨是铁路交通中的关键基础设施，当钢轨出现异常时，例如磨损、裂痕等，可能会给铁路交通造成巨大的安全隐患，因此及时地对钢轨设施进行安全检测是十分重要的任务。
[0003]在我国，传统的铁路钢轨安全检测的是采用人工巡检的方式进行的，这类方法通常效率较低。随着近年来深度学习技术的不断发展，基于机器视觉的方式，采用安装摄像头设备的巡检车进行全自动铁路巡检工作的方式逐渐成为新的趋势。该方法首先采用巡检车的摄像头垂直于铁路地面进行拍摄采集图像，再基于图像对钢轨和紧固件等区域进行定位，最后对定位区域进行异常的分析与检测。在该项技术中，钢轨区域的精确定位结果是钢轨异常检测的重要基础，也对其他紧固件的缺失、扭转等异常检测起到了重要的辅助作用，因此，实现精确的钢轨定位十分关键。
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的多轨道钢轨定位方法，其特征在于，该方法包括以下步骤：步骤一、通过巡检车安装的摄像头垂直于铁路地面进行拍摄，图像采集完毕后，对图像数据集中的待检测钢轨进行人工标注工作；步骤二、搭建R2CNN模型，根据待检测钢轨的实际尺寸，设计合理的模型参数，并进行模型的训练；步骤三、使用训练好的R2CNN模型对道岔路段图像进行检测，分别得到轴对齐边界框和倾斜边界框的预测结果，并根据先验知识对它们进行筛选；步骤四、融合轴对齐边界框和倾斜边界框的预测结果，计算两两边界框的重叠程度IOU，设置阈值，重叠程度较大的轴对齐边界框和倾斜边界框被判断为同一个钢轨区域的检测结果；步骤五、若被判断为同一个钢轨区域，则根据先验知识，对于垂直钢轨区域，删去倾斜边界框，保留轴对齐边界框的检测结果；对于倾斜钢轨区域，根据轴对齐边界框结果，对部分倾斜边界框的检测结果进行修正后，删去轴对齐边界框，保留倾斜边界框的检测结果，由此得到融合后的准确多轨道钢轨定位结果。2.根据权利要求1所述的一种基于深度学习的多轨道钢轨定位方法，其特征在于：所述步骤一中，对图像数据集中的待检测钢轨进行人工标注，其中对于垂直钢轨和倾斜钢轨均采用四个顶点坐标x0,y0,x1,y1,x2,y2,y3,y3的格式作为数据标签。3.根据权利要求1所述的一种基于深度学习的多轨道钢轨定位方法，其特征在于：所述步骤二中，所搭建的R2CNN深度学习模型中，将区域提案模块的预定义锚窗的比例设定为1，1/3，1/5,该设定接近实际待检测钢轨的比例，对模型的检测性能有较好的提升。4.根据权利要求1所述的一种基于深度学习的多轨道钢轨定位方法，其特征在于：所述步骤三中，对R2CNN模型输出的轴对齐边界框和倾斜边界框的预测结果进行初步筛选，设置预测置信度阈值为0.9，同时根据钢轨实际情况，删去宽度大于55或倾斜角度绝对值大于40的倾斜边界框，所述倾斜角度为边界框的长边与垂直方向的夹角。5.根据权利要求1所...

【专利技术属性】
技术研发人员：路小波，彭鑫冯，魏运，
申请(专利权)人：东南大学，
类型：发明
国别省市：