一种基于深度学习的三阶段轨旁设备故障自动检测方法技术

本发明专利技术提供了一种基于深度学习的三阶段铁路轨旁设备故障自动检测方法。该方法包括以下步骤：构建轨旁设备目标检测数据集；将待检测的轨旁图像送入轨旁设备目标检测网络中，定位与识别不同类型的轨旁设备，提取轨旁设备感兴趣区域；构建轨旁设备ROI语义分割数据集；设计并训练基于改进DeepLabv3+的轻量化语义分割网络，对轨旁设备ROI图像进行像素级别的分割；将轨旁设备ROI分割图作为研究对象，根据不同轨旁设备故障所呈现的不同视觉特征，分别设计长宽比例阈值、极点坐标比较和轮廓定量检测的三种快速故障判别算法。本发明专利技术充分融合了基于深度学习的目标检测与语义分割技术，对铁路轨旁设备实现了由粗到细的故障自动检测，实际应用意义较强。应用意义较强。应用意义较强。

【技术实现步骤摘要】
一种基于深度学习的三阶段轨旁设备故障自动检测方法


[0001]本专利技术涉及铁路轨旁设备故障检测
，尤其涉及一种基于深度学习的三阶段铁路轨旁设备故障自动检测方法。

技术介绍

[0002]中国铁路建设规模持续增长，铁路安全问题越来越受到人们的关注。铁路轨旁设备作为铁路交通线路中的关键角色之一，其健康状况直接影响着铁路运输的安全。传统对轨旁设备的故障检测方式是通过人工视觉巡检完成的，易受环境、心理等因素的影响，导致检测效率不高，准确性低。
[0003]现有的铁路轨旁设备故障自动检测方法，通过使用传统机器学习方法例如图像模板匹配(TM)、决策树(DT)和支持向量机(SVM)，或深度学习方式例如卷积神经网络(CNN)等完成对特定类型的轨旁设备故障检测，虽然准确率有所提高，但仅仅适用于场景稳定、目标单一的轨旁设备图像，对于实际环境下的种类复杂多样、故障区域大小不一的轨旁设备而言，这些方法都具有较大的局限性。

技术实现思路

[0004]针对现有的铁路轨旁设备故障自动检测方法存在的缺陷，本专利技术提出了一种基于深度学习的三阶段铁路轨旁设备故障自动检测方法，以实现高效准确地检测轨旁设备故障。
[0005]为实现上述目的，本专利技术采用了如下技术方案：
[0006]一种基于深度学习的三阶段铁路轨旁设备故障自动检测方法，包括：
[0007]S1：构建铁路轨旁设备目标检测数据集：标记每个轨旁设备的类别信息与位置坐标信息，将标注好的轨旁设备图像划分为训练集、验证集和测试集；
[0008]S2：基于所述轨旁设备目标检测数据集设计并训练基于YOLOv5的轨旁设备目标检测网络；
[0009]S3：将待检测图像送入所述目标检测网络中进行轨旁设备的定位与识别，提取出图像中的潜在轨旁设备感兴趣区域(ROI)；
[0010]S4：构建轨旁设备ROI语义分割数据集：将轨旁设备ROI图像中的像素点分为目标区域与背景区域两大类别，标注ROI图像中每个像素点的所属类别信息，将标注好的轨旁设备ROI图像划分为训练集、验证集和测试集；
[0011]S5：在轨旁设备ROI语义分割数据集上设计并训练基于改进DeepLabv3+的轻量化语义分割网络；
[0012]S6：将待检测的轨旁设备ROI图像送入所述语义分割网络中，得到轨旁设备ROI分割图；
[0013]S7：根据不同轨旁设备故障所呈现的不同视觉特征，分别设计基于长宽比例阈值、基于极点坐标比较和基于轮廓定量检测的三种故障判别方法，利用故障判别方法对相应的
轨旁设备ROI分割图进行故障判别。
[0014]优选地，步骤S1所述构建轨旁设备目标检测数据集包括，获取到轨旁设备图像集合后，使用矩形框对每张图像中的轨旁设备进行类别标注与位置坐标标注。
[0015]优选地，所述S2中的基于所述轨旁设备目标检测数据集设计并训练基于YOLOv5的轨旁设备目标检测网络，包括：
[0016]所述轨旁设备目标检测网络，以YOLOv5架构为基础，使用GhostConv层和C3Ghost层替换原始的Conv层和C3层，包括Backbone、Neck和Head模块，轨旁设备图像通过Backbone模块进行特征提取，得到三个由浅入深的有效特征层，然后被送入到Neck模块，Neck模块由FPN结构与PAN结构构建而成的，其中FPN自顶向下传递轨旁设备的语义特征，而PAN则自底向上地传递轨旁设备的位置特征，语义特征与位置特征融合后输出三个加强特征层，每个特征层不但包含通道信息和尺寸信息，还包含每个特征点的位置参数、是否包含轨旁设备以及轨旁设备种类信息，这三个加强特征层送入Head模块，通过解码计算得到预测框，然后进行非极大值抑制处理，筛选得到最终的预测框，所述轨旁设备目标检测网络在COCO数据集上进行预训练，然后将模型权重迁移至轨旁设备目标检测数据集上训练。
[0017]优选地，所述S3中的将待检测图像送入所述目标检测网络中进行轨旁设备的定位与识别，提取出图像中的潜在轨旁设备感兴趣区域(ROI)，包括：
[0018]将待检测的图像送入所述目标检测网络中进行轨旁设备的识别与定位，并根据预测得到轨旁设备的类别信息与位置信息，对图像中的轨旁设备ROI进行裁剪，提取出相应的轨旁设备ROI局部图像。
[0019]优选地，所述步骤S5中的所述在轨旁设备ROI语义分割数据集上设计并训练基于改进DeepLabv3+的轻量化语义分割网络，包括：
[0020]所述基于改进DeepLabv3+的轻量化语义分割网络，以DeepLabv3+为基础，采用融合了CA注意力机制的GhostNet作为主干特征提取网络，使用密集空洞空间金字塔池化DenseASPP结构提取高级语义特征；增加一个特征图切分与提取模块并行提取高级语义特征，然后进行高级语义特征融合，通过特征图切分与提取模块对中间特征图进行特征复用与增强，并从主干特征提取网络额外提取一个占原始输入分辨率1/2的底层特征图参与最终的特征融合；
[0021]所述轨旁设备ROI语义分割网络在PASCAL
‑
VOC2012数据集上进行预训练，然后将模型权重迁移至轨旁设备ROI语义分割数据集上进行训练。
[0022]优选地，所述步骤S7中的根据不同轨旁设备故障所呈现的不同视觉特征，分别设计基于长宽比例阈值、基于极点坐标比较和基于轮廓定量检测的三种故障判别方法，利用故障判别方法对相应的轨旁设备ROI分割图进行故障判别，包括：
[0023]设计的三种快速故障判别算法，包括长宽比例阈值、极点坐标比较和轮廓定量检测：
[0024]长宽比例阈值算法，具体包括检测ROI分割图上的所有轮廓区域，绘制每个轮廓区域的最小外接矩形，计算每个最小外接矩形的长度与宽度的数值比例，将数值比例与先验阈值进行比较，根据比较结果筛选并判别每个轮廓区域是否发生故障；
[0025]极点坐标比较算法，具体包括依次检测ROI分割图上两大主轮廓的各自左右极点的水平坐标，设置两次比较，第一次是比较轮廓A的左极点水平坐标与轮廓B的右极点水平
坐标的大小关系，第二次是比较轮廓A的右极点水平坐标与轮廓B的左极点水平坐标的大小关系，根据两次大小关系的比较结果判定轨旁设备是否发生部件分离故障；
[0026]轮廓定量检测算法，具体包括检测ROI分割图的所有几何轮廓，将待检测部件的几何轮廓数量与先验阈值进行比较，根据比较结果判别轨旁设备是否发生部件断裂故障。
[0027]本专利技术实例提供的基于深度学习的三阶段铁路轨旁设备故障自动检测方法，将故障检测任务分为由粗到细的三个阶段，通过目标检测、语义分割和故障判别三个技术实现了对铁路轨旁设备的故障自动检测；本专利技术克服了传统故障检测方法的局限性，能够实现对多种类型轨旁设备的故障检测，具有良好的检测性能。
附图说明
[0028]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的三阶段铁路轨旁设备故障自动检测方法，其特征在于，包括：S1：构建铁路轨旁设备目标检测数据集：标记每个轨旁设备的类别信息与位置坐标信息，将标注好的轨旁设备图像划分为训练集、验证集和测试集；S2：基于所述轨旁设备目标检测数据集设计并训练基于YOLOv5的轨旁设备目标检测网络；S3：将待检测图像送入所述目标检测网络中进行轨旁设备的定位与识别，提取出图像中的潜在轨旁设备感兴趣区域；S4：构建轨旁设备ROI语义分割数据集：将轨旁设备感兴趣区域图像中的像素点分为目标区域与背景区域两大类别，标注感兴趣区域图像中每个像素点的所属类别信息，将标注好的轨旁设备感兴趣区域图像划分为训练集、验证集和测试集；S5：在轨旁设备感兴趣区域语义分割数据集上设计并训练基于改进DeepLabv3+的轻量化语义分割网络；S6：将待检测的轨旁设备感兴趣区域图像送入所述语义分割网络中，得到轨旁设备感兴趣区域分割图；S7：根据不同轨旁设备故障所呈现的不同视觉特征，分别设计基于长宽比例阈值、基于极点坐标比较和基于轮廓定量检测的三种故障判别方法，利用故障判别方法对相应的轨旁设备感兴趣区域分割图进行故障判别。2.如权利要求1所述的一种基于深度学习的三阶段铁路轨旁设备故障自动检测方法，其特征在于，步骤S1所述构建轨旁设备目标检测数据集包括，获取到轨旁设备图像集合后，使用矩形框对每张图像中的轨旁设备进行类别标注与位置坐标标注。3.如权利要求2所述的一种基于深度学习的三阶段铁路轨旁设备故障自动检测方法，其特征在于，所述S2中的基于所述轨旁设备目标检测数据集设计并训练基于YOLOv5的轨旁设备目标检测网络，包括：所述轨旁设备目标检测网络，以YOLOv5架构为基础，使用GhostConv层和C3Ghost层替换原始的Conv层和C3层，包括Backbone、Neck和Head模块，轨旁设备图像通过Backbone模块进行特征提取，得到三个由浅入深的有效特征层，然后被送入到Neck模块，Neck模块由FPN结构与PAN结构构建而成的，其中FPN自顶向下传递轨旁设备的语义特征，而PAN则自底向上地传递轨旁设备的位置特征，语义特征与位置特征融合后输出三个加强特征层，每个特征层不但包含通道信息和尺寸信息，还包含每个特征点的位置参数、是否包含轨旁设备以及轨旁设备种类信息，这三个加强特征层送入Head模块，通过解码计算得到预测框，然后进行非极大值抑制处理，筛选得到最终的预测框，所述轨旁设备目标检测网络在COCO数据集上进行预训练，然后将模型权重迁移至轨旁设备目标检测数据集上训练。4.如权利要求1所述的一种基于深度学习的三阶段铁路轨旁...

【专利技术属性】
技术研发人员：邢薇薇，张冠甲，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：