一种基于轻量化级联网络的钢轨实时缺陷检测方法技术

本发明专利技术公开了一种基于轻量化级联网络的钢轨实时缺陷检测方法，具体为：数据图像获取与筛选；预处理构建一级检测网络数据集；通过在主干网络添加SPP模块的方式改进YOLOv3

【技术实现步骤摘要】
一种基于轻量化级联网络的钢轨实时缺陷检测方法


[0001]本专利技术属于钢轨缺陷检测技术，尤其涉及一种基于轻量化级联网络的钢轨实时缺陷检测方法。

技术介绍

[0002]钢轨作为轨道的主要组成部分，其与车轮直接接触，长期承受载荷，使钢轨相比其他零部件更易损坏，因此钢轨的缺陷检测一直是轨道巡检的研究重点。常见的钢轨缺陷类型有：轨面裂缝、波浪磨耗、重型划痕、擦伤压陷、踏面剥离等(附图2)，钢轨缺陷类型繁杂且细微，潜在危害巨大，若长久失修可能会导致钢轨变形、移位、塌陷等问题，严重时将导致列车脱轨等重大交通事故。
[0003]目前在钢轨缺陷检测领域研究中，多采用基于深度卷积神经网络的图像识别方法代替人工巡检，其通过大量样本数据的标注、训练和测试进行缺陷检测。这类方法不能很好地适应样本不平衡数据，并且存在检测精度低、检测速度慢和模型复杂度较高的问题，在算法实际落地部署使用过程中，受限于硬件条件的制约存在检测效率低和困难缺陷样本的检出率较低的问题，不具有普适性。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供一种基于轻量化级联网络的钢轨实时缺陷检测方法。以解决样本不平衡对模型检测性能的影响、模型复杂度较高导致检测速度慢、部署较难的问题和困难缺陷样本检出率较低的问题。
[0005]本专利技术的一种基于轻量化级联网络的钢轨实时缺陷检测方法，包括以下步骤：
[0006]步骤1：数据图像获取与筛选。
[0007]安装在行驶的轨道车辆的测距仪检测到一定时长的高度差脉冲时，将触发轨道车辆底部的高速相机拍摄当前轨道场景，以此获取高质量轨道零部件图像；删除成像不清晰和钢轨缺失的图像，其余的钢轨图像用于一级检测网络数据集的构建。
[0008]步骤2：一级检测网络的数据集构建。
[0009]使用LabelImg图像标注软件对钢轨图像进行标注，使标注矩形框贴合钢轨所在区域，并采用数据增强(调整亮度、旋转和添加噪声)技术对数据集进行扩充，共获得训练集1600张和测试集200张图像，完成一级检测网络的数据集构建。
[0010]步骤3：一级检测网络的构建。
[0011]采用轻量级目标检测算法YOLOv3
‑
tiny作为一级检测网络的基础模型，并对YOLOv3
‑
tiny的主干网络添加SPP模块使主干网络提取更多不同维度的特征信息，SPP模块的计算原理如公式(1)～(4)所示：
[0012]y1＝MaxPool(Conv(x),5)(1)
[0013]y2×
MaxPool(Conv(x),9)(2)
[0014]y3＝MaxPool(Conv(x),11)(3)
[0015]y＝Conv(x+y1+y2+y3)(4)
[0016]式中，x为SPP模块的输入特征图，y1、y2和y3分别为通过1
×
1池化层、3
×
3池化层和5
×
5池化层得到的输出特征图，y为SPP模块的输出特征图。
[0017]步骤4：一级检测网络的训练。
[0018]采用改进YOLO v3
‑
tiny目标检测算法对数据集进行模型基础训练200个周期，在训练过程中采用Mosaic数据增强方式。
[0019]步骤5：二级分类网络的数据集构建。
[0020]对步骤4训练完毕后得到的模型进行钢轨定位识别，截取钢轨在原图中的所在区域，并从中筛选出钢轨完整，无遮挡的图像作为二级分类网络的数据集，并按照8：2的比例划分训练集和测试集。
[0021]步骤6：二级分类网络的构建。
[0022]采用Resnet34模型作为钢轨缺陷分类网络，通过深度可分离卷积替换普通卷积和减少残差块数量的方式改进Resnet34网络结构，并将网络架构的最后一个全连接层的通道数由原来的1000改为6。
[0023]步骤7：二级分类网络的训练。
[0024]采用改进Resenet34分类网络对步骤5的分类数据集的进行基础训练200个周期，并在训练过程中使用Mixup数据增强提高模型的泛化能力，使样本间的领域线性化，并在推理过程中使用卷积层和BN层融合的方式进一步提高模型的推理速度，其融合过程如公式(5)～(7)所示：
[0025]x
i
＝wz
i
+b(5)
[0026][0027][0028]式中，ε为趋于零的实数，w和b分别为卷积核的权重和偏置，z
i
和x
i
分别为卷积层的输入和输出，y
i
为BN层输出，μ
B
和分别为x
i
的均值和方差，γ和β分别为缩放因子和位移参数；将同为线性操作的卷积层和BN层合并来省去BN层的计算量，减少模型访问内存的次数，提高推理速度。
[0029]步骤8：级联检测。
[0030]通过依次连接一级钢轨定位检测网络和二级钢轨缺陷分类网络，实现钢轨的高精度的实时缺陷检测。
[0031]本专利技术的有益技术效果为：
[0032]1.本专利技术基于级联网络的钢轨实时缺陷检测方法，既降低了钢轨困难缺陷样本的检测难度，又避免了样本不平衡导致模型泛化能力较低的问题，实现钢轨的高精度的实时缺陷检测。
[0033]2.本专利技术通过在主干网络添加SPP模块的方式改进YOLOv3
‑
tiny，降低了钢轨的漏检率，并对将主干网络架构每层的通道数减少50％和删除中尺度检测层，压缩模型尺寸，大大提高了模型应用部署可行性和计算效率。
[0034]3.本专利技术通过Mixup数据增强、深度可分离卷积和减少残差块的数量的方式改进Resnet34分类网络，提高模型的泛化能力，大幅度地减少网络结构冗余参数和网络深度，从而获取了更小的模型和更快的模型推理速度。
附图说明
[0035]图1为本专利技术基于轻量化级联网络的钢轨实时缺陷检测方法流程图。
[0036]图2为钢轨缺陷示例图。
[0037]图3为改进YOLOv3
‑
tiny网络结构图。
[0038]图4为改进Resnet34网络结构图
具体实施方式
[0039]下面结合附图和具体实施方法对本专利技术做进一步详细说明。
[0040]本专利技术的一种基于轻量化级联网络的钢轨实时缺陷检测方法流程如图1所示，具体包括以下步骤：
[0041]步骤1：数据图像获取与筛选。
[0042]安装在行驶的轨道车辆的测距仪检测到一定时长的高度差脉冲时，将触发轨道车辆底部的高速相机拍摄当前轨道场景，以此获取高质量轨道零部件图像；删除成像不清晰和钢轨缺失的图像，其余的钢轨图像用于一级检测网络数据集的构建。
[0043]步骤2：一级检测网络的数据集构建。
[0044]使用LabelImg图像标注软件对钢轨图像进行标注，使标注矩形框贴合钢轨所在区域，并采用数据增强本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量化级联网络的钢轨实时缺陷检测方法，其特征在于，包括以下步骤：步骤1：数据图像获取与筛选；安装在行驶的轨道车辆的测距仪检测到一定时长的高度差脉冲时，将触发轨道车辆底部的高速相机拍摄当前轨道场景，以此获取高质量轨道零部件图像；删除成像不清晰和钢轨缺失的图像，其余的钢轨图像用于一级检测网络数据集的构建；步骤2：一级检测网络的数据集构建；使用LabelImg图像标注软件对钢轨图像进行标注，使标注矩形框贴合钢轨所在区域，并采用数据增强技术对数据集进行扩充，共获得训练集1600张和测试集200张图像，完成一级检测网络的数据集构建；步骤3：一级检测网络的构建；采用轻量级目标检测算法YOLOv3
‑
tiny作为一级检测网络的基础模型，并对YOLOv3
‑
tiny的主干网络添加SPP模块使主干网络提取更多不同维度的特征信息，SPP模块的计算原理如公式(1)～(4)所示：y1＝MaxPool(Conv(x),5)(1)y2＝MaxPool(Conv(x),9)(2)y3＝MaxPool(Conv(x),11)(3)y＝Conv(x+y1+y2+y3)(4)式中，x为SPP模块的输入特征图，y1、y2和y3分别为通过1
×
1池化层、3
×
3池化层和5
×
5池化层得到的输出特征图，y为SPP模块的输出特征图；步骤4：一级检测网络的训练；采用改进YOLO v3
‑
tiny目标检测算法对数据集进行模型基础训练200个周期，在训练过程中采用Mosaic数据增强方式；步骤5：二级分类网络的数据集构建；对...

【专利技术属性】
技术研发人员：吴松荣，杨平，张浩然，周懿，张瀚文，刘齐，邓鸿枥，柳博，付聪，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：