基于改进深度学习网络的轨面状态识别的方法技术

本发明专利技术公开了基于改进深度学习网络的轨面状态识别的方法，采用ResNet

【技术实现步骤摘要】
基于改进深度学习网络的轨面状态识别的方法


[0001]本专利技术涉及轨面状态识别
，特别是涉及一种基于改进深度学习网络的轨面状态识别方法。

技术介绍

[0002]轨道交通车辆牵引/制动性能的有效发挥依赖于轮轨接触情况，干燥、潮湿、油污等不同轨面状态下的车辆运行性能差异较大。针对传统人工经验为主的钢轨表面即轨面状态识别存在主观性大、滞后严重等问题。轨道交通车辆牵引/制动性能的有效发挥依赖于轮对和轨道相互接触时的黏着利用情况，引起轮轨黏着特征发生改变的重要影响因素是轨面状态的突然变化，因此有效识别出不同轨面状态是精确检测轮轨黏着特征的前提条件。不同轨面状态下的轮轨黏着特性差异较大，如积雪轨面的黏着系数远小于干燥轨面。因我国轨道交通车辆运行区域繁杂，运行过程中的轨面状态突变时有发生，实现轨面状态的有效识别对提高轮轨黏着利用率和轨道车辆运行效率具有重要意义，现有技术中的轨面状态识别常采用网络模型，例如传统ResNet
‑
50模型，采用此方法的轨面状态识别模型提取到的深层网络特征比较多时，会产生大量的多特征问题，比如多数据样本融合问题、特征选取问题等，另外，训练数据样本不足或匮乏的情况下，深度学习网络就无法学习到所需要的样本特征，导致其轨道识别的精度低，误判率大。
[0003]公开号为CN111994129A的专利技术创造专利，公开了一种轮轨列车防滑控制方法及系统，所述的专利技术创造进行轨道识别时，利用安装于列车车头前方的摄像头实时的获取所述轨道图像；将轨道图像输入至预先训练好的轨道介质识别网络模型，根据轨道介质识别网络模型输出的结果，获取与轨道图像相对应的介质种类；所述专利技术创造采用常规网络识别模型，例如传统ResNet
‑
50模型，易出现训练数据样本不足或匮乏的情况，此时深度学习网络就无法学习到所需要的样本特征，导致轨道识别的精度低，误判率大。

技术实现思路

[0004]针对上述存在的技术问题，本专利技术提供了一种基于改进深度学习网络的轨面状态识别的方法。
[0005]本专利技术采用以下具体的技术方案：
[0006]基于改进深度学习网络的轨面状态识别的方法，其特征在于，所述方法包括以下步骤：
[0007]S1：采集原始轨面状态图像；
[0008]S2：基于配准技术对所述原始轨面状态图像进行处理，获取训练图像数据集，采用ResNet
‑
50网络构建轨面状态辨识模型，所述ResNet
‑
50网络构建的轨面状态辨识模型由五个部分组成：一个输入层(Input)，五个卷积组(Conv1～Conv5_x)，一个平均池化层(Average pool)，一个全连接层(fc)和一个输出层(Output)，输入的数据通过五个卷积组(Conv1～ConV5_x)进行特征学习，第1个卷积组(Conv1)只含有一次卷积计算，第2
‑
5个卷积
组(Conv2_x～Conv5_x)包含多个相同的残差单元；提取特征后通过平均池化层的压缩保留其主要特征传给全连接层进行分类识别，输出其想要的结果；
[0009]S3：利用S2中的图像数据集对ResNet50模型进行迁移训练并测试，得到轨面状况识别深度学习网络模型，所述模型以残差网络ResNet
‑
50作为骨干网络，引入迁移学习对网络结构和参数进行改进，所述基于迁移学习的ResNet
‑
50优化过程分为预训练阶段和微调阶段；
[0010]其中，步骤S3的具体步骤为:
[0011]S3.1：预训练阶段，在ImageNet数据集上对ResNet50模型进行预训练，将ResNet
‑
50网络模型在ImageNet数据集进行训练直至其分类准确率收敛，然后保存其模型参数；
[0012]S3.2：微调阶段，将S3.1中预训练好的ResNet
‑
50模型移除最后的分类层，将剩下的ResNet
‑
50模型作为轨面状态图像数据库的轨面图像特征提取器，微调新的ResNet
‑
50网络模型直到轨面状态图像分类准确率收敛，将ImageNet数据集训练好的ResNet
‑
50的模型和参数迁移到自建轨面数据集；
[0013]进一步地，所述S1中采集原始轨面状态图像，其轨面状态分为无污染物的干燥轨面、含有水分的潮湿轨面，以及含有润滑油和水混合的油污轨面3种类型。
[0014]进一步地，所述步骤S3.1的预训练阶段中，将搭建的网络模型参数进行初始化，并将准备好的图像数据样本集去训练所搭建的网络模型。
[0015]进一步地，所述网络模型在训练过程中不断对模型进行调整，使其模型的损伤函数逐渐稳定且趋于0，模型参数在刚开始训练时会不断变化，直到分类准确率收敛的时候，将模型参数保存下来，方便下次对其它图像进行相同操作。
[0016]进一步地，所述预训练阶段剩下的ResNet
‑
50模型去除掉了平均池化层和全连接层，替换为由新全局平均池化层和新全连接层组成自定义分类层。
[0017]进一步地，所述新全局平均池化层对整个特征图求平均值，并对整个ResNet
‑
50网络从结构上做正则化防止过拟合。
[0018]进一步地，所述新全局平均池化层后加入三层新全连接层，新全连接层在模型进行迁移学习过程中，发挥“防火墙”功能。
[0019]进一步地，所述在前两层新全连接层引入Dropout控制其参数耦合，有效地防止前两层新全连接层的参数耦合太多，以有效抑制新全连接层过拟合，最后一层新全连接层连接Sigmoid逻辑划分回归器的函数从而对轨面状态进行分类。所述轨面状态分类完成后，输入轨面状态图像数据对处理后新的ResNet
‑
50模型进行训练；在使用优化的ResNet
‑
50模型对轨面状态图像进行训练时，要特别注意的是：开始训练的第一步要先固定没有被替换掉的ResNet
‑
50网络层中的参数，相当于优化后的ResNet
‑
50模型进行前向计算，但进行反向传递时不再更新参数，并且优化后的ResNet
‑
50模型训练过程中只更新自定义的分类新全连接层中的参数。然后，选取一个相对较小的学习率进行训练，比如0.001。最后，可以有选择地在新全连接层的参数学习得差不多的时候，可以解冻没有被替换掉的ResNet
‑
50网络层，再对整个ResNet
‑
50网络进行训练。
[0020]进一步地，所述方法采用实验验证其可行性。
[0021]本专利技术的有益效果为：
[0022]本专利技术提出针对轨面状态识别的改进ResNet
‑
50深度学习网络模型，模型使用了
残差网络ResNet
‑
50作为骨干网络，引入迁移学习对网络结构和参数进行改进，基于改进后的Re本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进深度学习网络的轨面状态识别的方法，其特征在于，所述方法包括以下步骤：S1：采集原始轨面状态图像；S2：基于配准技术对所述原始轨面状态图像进行处理，获取训练图像数据集，采用ResNet
‑
50网络构建轨面状态辨识模型，所述ResNet
‑
50网络构建的轨面状态辨识模型由五个部分组成：一个输入层(Input)，五个卷积组(Conv1～Conv5_x)，一个平均池化层(Average pool)，一个全连接层(fc)和一个输出层(Output)；S3：利用S2中的图像数据集对ResNet50模型进行迁移训练并测试，得到对轨面状态识别的改进ResNet
‑
50深度学习网络模型，所述模型以残差网络ResNet
‑
50作为骨干网络，引入迁移学习对网络结构和参数进行改进，所述基于迁移学习的ResNet
‑
50优化过程分为预训练阶段和微调阶段；其中，步骤S3的具体步骤为:S3.1：预训练阶段，在ImageNet数据集上对ResNet50模型进行预训练，将ResNet
‑
50网络模型在ImageNet数据集进行训练直至其分类准确率收敛，然后保存其模型参数；S3.2：微调阶段，将S3.1中预训练好的ResNet
‑
50模型移除最后的分类层，将剩下的ResNet
‑
50模型作为轨面状态图像数据库的轨面图像特征提取器，微调新的ResNet
‑
50网络模型直到轨面状态图像分类准确率收敛，将ImageNet数据集训练好的ResNet
‑
50的模型和参数迁移到自建轨面数据集。2.根据根据权利要求1所述的基于改进深度学习网络的轨面状态识别的方法，其特征在于...

【专利技术属性】
技术研发人员：刘丽丽，左继红，罗丹，杨传音，刘建华，李欣，吴仁超，欧阳萍，
申请(专利权)人：湖南铁道职业技术学院，
类型：发明
国别省市：