道床裂纹识别方法及装置制造方法及图纸

本发明专利技术公开了道床裂纹识别方法及装置，方法包括：获取裂纹辅助数据集及裂纹检测数据集；裂纹辅助数据集包括预设的裂纹图像及对应的第一标签数据；裂纹检测数据集包括采集的道床裂纹图像及对应的第二标签数据；利用裂纹辅助数据集对深度学习模型进行训练，得到第一道床裂纹识别模型；利用裂纹检测数据集对第一道床裂纹识别模型进行训练，得到第二道床裂纹识别模型；采集待识别的道床裂纹图像；将待识别的道床裂纹图像输入至第二道床裂纹识别模型，得到所述待识别的道床裂纹图像对应的道床裂纹识别结果；其中，所述深度学习模型采用语义分割算法。本发明专利技术基于语义分割算法，提升了道床裂纹的检出率和准确率。床裂纹的检出率和准确率。床裂纹的检出率和准确率。

【技术实现步骤摘要】
道床裂纹识别方法及装置


[0001]本专利技术涉及人工智能
，尤其涉及道床裂纹识别方法及装置。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]钢轨是整个铁路轨道的主要组成部分，是铁路运输基础设施之一，作用是引导列车的车轮前进方向，直接承受列车车轮作用力，并传递到道床上。由于长期暴露在野外，经过风霜雨雪、高温低温等各种自然条件的影响，以及列车运行带来的压力，道床会不可避免地产生裂纹，进而带来各种安全隐患。道床裂纹由于在图像中像素占比低，形态不固定，一直是巡检图像识别的难点。道床裂纹包含无砟轨道板裂纹和有砟轨枕裂纹。道床裂纹问题是高速铁路中的普遍性问题。裂纹一旦形成，特别是贯穿裂纹的出现危害极大，它会降低轨道的耐久性，削弱轨道的承载力，危害到轨道的安全使用，所以有效识别道床裂纹是一个重要的问题。
[0004]现有方法需要大量的钢轨缺陷图像样本，可检测的缺陷必须是样本中出现过类型的缺陷。对于小样本情况下的钢轨表面缺陷技术容易出现漏检。
[0005]综上，目前亟需一种道床裂纹识别方法，用于解决上述现有技术存在的问题。

技术实现思路

[0006]本专利技术实施例提供一种道床裂纹识别方法，用以提升道床裂纹的检出率和准确率，该方法包括：
[0007]获取裂纹辅助数据集及裂纹检测数据集；裂纹辅助数据集包括预设的裂纹图像及对应的第一标签数据；裂纹检测数据集包括采集的道床裂纹图像及对应的第二标签数据；
[0008]利用裂纹辅助数据集对深度学习模型进行训练，得到第一道床裂纹识别模型；
[0009]利用裂纹检测数据集对第一道床裂纹识别模型进行训练，得到第二道床裂纹识别模型；
[0010]采集待识别的道床裂纹图像；
[0011]将待识别的道床裂纹图像输入至第二道床裂纹识别模型，得到所述待识别的道床裂纹图像对应的道床裂纹识别结果；
[0012]其中，所述深度学习模型采用语义分割算法。
[0013]本专利技术实施例还提供一种道床裂纹识别装置，用以提升道床裂纹的检出率和准确率，该装置包括：
[0014]训练模块，用于获取裂纹辅助数据集及裂纹检测数据集；裂纹辅助数据集包括预设的裂纹图像及对应的第一标签数据；裂纹检测数据集包括采集的道床裂纹图像及对应的第二标签数据；利用裂纹辅助数据集对深度学习模型进行训练，得到第一道床裂纹识别模型；利用裂纹检测数据集对第一道床裂纹识别模型进行训练，得到第二道床裂纹识别模型；
[0015]识别模块，用于采集待识别的道床裂纹图像；将待识别的道床裂纹图像输入至第二道床裂纹识别模型，得到所述待识别的道床裂纹图像对应的道床裂纹识别结果；其中，所述深度学习模型采用语义分割算法。
[0016]本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述道床裂纹识别方法。
[0017]本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述道床裂纹识别方法。
[0018]本专利技术实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述道床裂纹识别方法。
[0019]本专利技术实施例中，获取裂纹辅助数据集及裂纹检测数据集；裂纹辅助数据集包括预设的裂纹图像及对应的第一标签数据；裂纹检测数据集包括采集的道床裂纹图像及对应的第二标签数据；利用裂纹辅助数据集对深度学习模型进行训练，得到第一道床裂纹识别模型；利用裂纹检测数据集对第一道床裂纹识别模型进行训练，得到第二道床裂纹识别模型；采集待识别的道床裂纹图像；将待识别的道床裂纹图像输入至第二道床裂纹识别模型，得到所述待识别的道床裂纹图像对应的道床裂纹识别结果；其中，所述深度学习模型采用语义分割算法，与现有技术相比，基于语义分割算法，利用裂纹辅助数据集对深度学习模型进行训练，得到第一道床裂纹识别模型；利用裂纹检测数据集对第一道床裂纹识别模型进行训练，得到第二道床裂纹识别模型，提升了道床裂纹的检出率和准确率。
附图说明
[0020]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0021]图1为本专利技术提供的道床裂纹识别方法的流程示意图；
[0022]图2为本专利技术提供的道床裂纹识别方法的流程示意图；
[0023]图3为本专利技术提供的道床裂纹识别方法的流程示意图；
[0024]图4为本专利技术提供的道床裂纹识别方法的流程示意图；
[0025]图5为本专利技术提供的道床裂纹识别装置的结构示意图。
具体实施方式
[0026]为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。
[0027]图1为本专利技术实施例提供的一种道床裂纹识别方法所对应的流程示意图，如图1所示，该方法包括：
[0028]步骤101，获取裂纹辅助数据集及裂纹检测数据集。
[0029]需要说明的是，裂纹辅助数据集包括预设的裂纹图像及对应的第一标签数据；裂
纹检测数据集包括采集的道床裂纹图像及对应的第二标签数据。
[0030]本专利技术实施例中，采集的道床裂纹图像包括无砟轨道板裂纹图像及有砟轨枕裂纹图像。
[0031]在一种可能的实施方式中，采集的道床裂纹图像来自于轨道巡检采集设备。轨道巡检采集设备采用线阵相机，对轨道进行连续拍摄。轨道巡检采集设备采集到的图像为灰度图像，垂直于轨面拍摄而成。
[0032]在一种可能的实施方式中，采用连线和画框的方法对裂纹进行定位，得到第一标签数据、第二标签数据。
[0033]步骤102，利用裂纹辅助数据集对深度学习模型进行训练，得到第一道床裂纹识别模型。
[0034]步骤103，利用裂纹检测数据集对第一道床裂纹识别模型进行训练，得到第二道床裂纹识别模型。
[0035]步骤104，采集待识别的道床裂纹图像。
[0036]步骤105，将待识别的道床裂纹图像输入至第二道床裂纹识别模型，得到待识别的道床裂纹图像对应的道床裂纹识别结果。
[0037]其中，深度学习模型采用语义分割算法。
[0038]上述方案，利用裂纹辅助数据集对深度学习模型进行训练，得到第一道床裂纹识别模型。利用裂纹检测数据集对第一道床裂纹识别模型进行训练，得到第二道床裂纹识别模型。通过深度学习的方法，提升了道床裂纹的检出率和准确率。
[0039]本专利技术实施例在得到待识别的道床本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种道床裂纹识别方法，其特征在于，包括：获取裂纹辅助数据集及裂纹检测数据集；裂纹辅助数据集包括预设的裂纹图像及对应的第一标签数据；裂纹检测数据集包括采集的道床裂纹图像及对应的第二标签数据；利用裂纹辅助数据集对深度学习模型进行训练，得到第一道床裂纹识别模型；利用裂纹检测数据集对第一道床裂纹识别模型进行训练，得到第二道床裂纹识别模型；采集待识别的道床裂纹图像；将待识别的道床裂纹图像输入至第二道床裂纹识别模型，得到所述待识别的道床裂纹图像对应的道床裂纹识别结果；其中，所述深度学习模型采用语义分割算法。2.如权利要求1所述的道床裂纹识别方法，其特征在于，所述深度学习模型采用基于对象上下文表示的语义分割算法。3.如权利要求1所述的道床裂纹识别方法，其特征在于，利用裂纹辅助数据集对深度学习模型进行训练，得到第一道床裂纹识别模型，包括：将裂纹辅助数据集作为样本数据，构建第一训练集和第一测试集；利用第一训练集对深度学习模型进行训练，得到所述第一道床裂纹识别模型；利用第一测试集对所述第一道床裂纹识别模型进行测试。4.如权利要求1所述的道床裂纹识别方法，其特征在于，利用裂纹检测数据集对第一道床裂纹识别模型进行训练，得到第二道床裂纹识别模型，包括：将裂纹检测数据集作为样本数据，构建第二训练集和第二测试集；利用第二训练集对第一道床裂纹识别模型进行训练，得到所述第二道床裂纹识别模型；利用第二测试集对所述第二道床裂纹识别模型进行测试。5.如权利要求1所述的道床裂纹识别方法，其特征在于，所述采集的道床裂纹图像包括无砟轨道板裂纹图像及有砟轨枕裂纹图像。6.一种道床...

【专利技术属性】
技术研发人员：顾子晨，杜馨瑜，程雨，宋浩然，戴鹏，王登阳，刘国跃，方玥，张翼，苟云涛，任盛伟，李海浪，
申请(专利权)人：中国铁道科学研究院集团有限公司中国铁道科学研究院集团有限公司基础设施检测研究所，
类型：发明
国别省市：