地铁铁轨的智能维护方法及其系统技术方案

本申请涉及铁轨维护技术领域，其具体地公开了一种地铁铁轨的智能维护方法及其系统，其首先获取被检测地铁铁轨的超声回波信号，并对所述超声回波信号进行S变换以得到S变换图，然后，将所述S变换图通过使用通道注意力机制的卷积神经网络模型和将所述超声回波信号的波形图通过使用空间注意力机制的卷积神经网络模型并融合以得到超声探测特征图，最后，对所述超声探测特征图进行沿通道维度的特征分布校正并通过分类器以得到分类结果，所述分类结果用于表示被检测地铁铁轨是否发生损伤,通过这样的方式，能够精准地对于地铁铁轨是否发生损伤进行评估判断，以进行地铁铁轨的质检维护，优化检测的效率和质量。优化检测的效率和质量。优化检测的效率和质量。

【技术实现步骤摘要】
地铁铁轨的智能维护方法及其系统


[0001]本申请涉及智能监控
，且更为具体地，涉及一种地铁铁轨的智能维护方法及其系统。

技术介绍

[0002]随着城市的发展，城市轨道交通系统越来越普遍。由于地铁主要是依靠铁轨运行的，因此，铁轨的质量是保证地铁运行安全的关键。为了确保铁轨的状态良好，需要对铁轨进行无损检验。目前，对在役钢轨无损检测的方法主要是超声波脉冲反射探伤法，其原理是根据铁轨伤损反射的超声回波来检测铁轨的伤损情况。
[0003]但是，由于传统的检测方式是依靠人工通过超声探测仪来对于超声回波信号进行分析，以此来进行铁轨的伤损检测，此方案不仅会耗费大量的人力，而且检测需要专业技术人员来进行，效率较低。
[0004]因此，期望一种优化的地铁铁轨的智能维护方案。

技术实现思路

[0005]本申请提供一种地铁铁轨的智能维护方法及其系统，能够精准地对于地铁铁轨是否发生损伤进行评估判断，以进行地铁铁轨的质检维护，优化检测的效率和质量。
[0006]第一方面，提供了一种地铁铁轨的智能维护方法，所述方法包括：获取被检测地铁铁轨的超声回波信号；对所述超声回波信号进行S变换以得到S变换图；将所述S变换图通过使用通道注意力机制的卷积神经网络模型以得到S变换频域特征图；将所述超声回波信号的波形图通过使用空间注意力机制的卷积神经网络模型以得到超声波形特征图；融合所述S变换频域特征图和所述超声波形特征图以得到超声探测特征图；对所述超声探测特征图进行沿通道维度的特征分布校正以得到校正后超声探测特征图；以及，将所述校正后超声探测特征图通过分类器以得到分类结果，所述分类结果用于表示被检测地铁铁轨是否发生损伤。
[0007]结合第一方面，在第一方面的一种实现方式中，对所述超声回波信号进行S变换以得到S变换图，包括：
[0008]以如下S变换公式对所述超声回波信号进行S变换以得到所述S变换图；
[0009]其中，所述S变换公式为：
[0010][0011]其中，s(f,τ)表示所述S变换图，τ为时移因子，x(t)表示所述超声回波信号，f表示频率，t表示时间，τ为时移因子。
[0012]结合第一方面，在第一方面的一种实现方式中，将所述S变换图通过使用通道注意力机制的卷积神经网络模型以得到S变换频域特征图，包括：所述使用通道注意力机制的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：
[0013]基于二维卷积核对所述输入数据进行卷积处理以生成卷积特征图；
[0014]对所述卷积特征图进行池化处理以生成池化特征图；
[0015]对所述池化特征图进行激活处理以生成激活特征图；
[0016]计算所述激活特征图中各个通道对应的特征矩阵的特征值均值与所有通道对应的特征矩阵的特征值均值之和的商作为各个通道对应的特征矩阵的加权系数；以及
[0017]以所述激活特征图中各个通道的加权系数对各个通道的特征矩阵进行加权以生成通道注意力特征图；
[0018]其中，所述使用通道注意力机制的卷积神经网络模型的第一层的输入为所述S变换图，所述使用通道注意力机制的卷积神经网络模型的最后一层的输出为所述S变换频域特征图。
[0019]结合第一方面，在第一方面的一种实现方式中，将所述超声回波信号的波形图通过使用空间注意力机制的卷积神经网络模型以得到超声波形特征图，包括：使用所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：
[0020]基于卷积核对所述输入数据进行卷积处理以得到卷积特征图；
[0021]将所述卷积特征图通过空间注意力模块以得到所述空间注意力得分矩阵；
[0022]将所述空间注意力得分矩阵与所述差分特征图沿通道维度的各个特征矩阵进行按位置点乘以所述空间注意力特征图；
[0023]对所述空间注意力特征图进行沿通道维度的池化处理以得到池化特征图；以及
[0024]对所述池化特征图进行非线性激活以得到激活特征图；
[0025]其中，所述使用空间注意力机制的卷积神经网络模型的第一层的输入为所述超声回波信号的波形图，使用空间注意力机制的卷积神经网络模型的最后一层的输出为所述超声波形特征图。
[0026]结合第一方面，在第一方面的一种实现方式中，融合所述S变换频域特征图和所述超声波形特征图以得到超声探测特征图，包括：以如下融合公式来融合所述S变换频域特征图和所述超声波形特征图以得到超声探测特征图，其中，所述融合公式为：
[0027]F1＝αF
s
+βF
d
[0028]其中，F1为所述超声探测特征图，F
s
为所述S变换频域特征图，F
d
为所述超声波形特征图，“+”表示所述S变换频域特征图和所述超声波形特征图相对应位置处的元素相加，α和β为用于控制所述超声探测特征图中所述S变换频域特征图和所述超声波形特征图之间的平衡的加权参数。
[0029]结合第一方面，在第一方面的一种实现方式中，对所述超声探测特征图进行沿通道维度的特征分布校正以得到校正后超声探测特征图，包括：
[0030]对所述超声探测特征图进行特征相关性累积区分机制建模以获得通道加权特征向量；
[0031]以所述通道加权特征向量对所述超声探测特征图进行通道维度的加权校正以得到所述校正后超声探测特征图。
[0032]结合第一方面，在第一方面的一种实现方式中，对所述超声探测特征图进行特征相关性累积区分机制建模以获得通道加权特征向量，包括：
[0033]以如下加权公式对所述超声探测特征图进行特征相关性累积区分机制建模以获
得所述通道加权特征向量；
[0034]其中，所述加权公式为：
[0035]V
w
＝GAP{Sigmoid[cov1(F)]⊕
ReLU[cov2(F)]}
[0036]其中F表示所述超声探测特征图，cov1(
·
)和cov2(
·
)分别表示对特征图进行基于不同卷积核的单层卷积操作，ReLU(
·
)表示ReLU激活函数，Sigmoid(
·
)表示Sigmoid激活函数，且GAP表示对特征图的每个特征矩阵进行全局池化操作，
⊕
表示按位置加法，V
w
表示所述通道加权特征向量。
[0037]结合第一方面，在第一方面的一种实现方式中，将所述校正后超声探测特征图通过分类器以得到分类结果，所述分类结果用于表示被检测地铁铁轨是否发生损伤，包括：
[0038]将所述校正后超声探测特征图投影为分类特征向量；
[0039]使用所述分类器的全连接层对所述校正后分类特征向量进行全连接编码以得到全连接编码特征向量；
[0040]将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述校正后超声探测特征图归属于各个分类标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地铁铁轨的智能维护方法，其特征在于，包括：获取被检测地铁铁轨的超声回波信号；对所述超声回波信号进行S变换以得到S变换图；将所述S变换图通过使用通道注意力机制的卷积神经网络模型以得到S变换频域特征图；将所述超声回波信号的波形图通过使用空间注意力机制的卷积神经网络模型以得到超声波形特征图；融合所述S变换频域特征图和所述超声波形特征图以得到超声探测特征图；对所述超声探测特征图进行沿通道维度的特征分布校正以得到校正后超声探测特征图；以及将所述校正后超声探测特征图通过分类器以得到分类结果，所述分类结果用于表示被检测地铁铁轨是否发生损伤。2.根据权利要求1所述的地铁铁轨的智能维护方法，其特征在于，对所述超声回波信号进行S变换以得到S变换图，包括：以如下S变换公式对所述超声回波信号进行S变换以得到所述S变换图；其中，所述S变换公式为：其中，s(f,τ)表示所述S变换图，τ为时移因子，x(t)表示所述超声回波信号，f表示频率，t表示时间，τ为时移因子。3.根据权利要求2所述的地铁铁轨的智能维护方法，其特征在于，将所述S变换图通过使用通道注意力机制的卷积神经网络模型以得到S变换频域特征图，包括：所述使用通道注意力机制的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：基于二维卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；计算所述激活特征图中各个通道对应的特征矩阵的特征值均值与所有通道对应的特征矩阵的特征值均值之和的商作为各个通道对应的特征矩阵的加权系数；以及以所述激活特征图中各个通道的加权系数对各个通道的特征矩阵进行加权以生成通道注意力特征图；其中，所述使用通道注意力机制的卷积神经网络模型的第一层的输入为所述S变换图，所述使用通道注意力机制的卷积神经网络模型的最后一层的输出为所述S变换频域特征图。4.根据权利要求3所述的地铁铁轨的智能维护方法，其特征在于，将所述超声回波信号的波形图通过使用空间注意力机制的卷积神经网络模型以得到超声波形特征图，包括：使用所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：基于卷积核对所述输入数据进行卷积处理以得到卷积特征图；
将所述卷积特征图通过空间注意力模块以得到所述空间注意力得分矩阵；将所述空间注意力得分矩阵与所述差分特征图沿通道维度的各个特征矩阵进行按位置点乘以所述空间注意力特征图；对所述空间注意力特征图进行沿通道维度的池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述使用空间注意力机制的卷积神经网络模型的第一层的输入为所述超声回波信号的波形图，使用空间注意力机制的卷积神经网络模型的最后一层的输出为所述超声波形特征图。5.根据权利要求4所述的地铁铁轨的智能维护方法，其特征在于，融合所述S变换频域特征图和所述超声波形特征图以得到超声探测特征图，包括：以如下融合公式来融合所述S变换频域特征图和所述超声波形特征图以得到超声探测特征图，其中，所述融合公式为：F1＝αF
s
+βF
d
其中，F1为所述超声探测特征图，F
s
为所述S变换频域...

【专利技术属性】
技术研发人员：管淳，黄立新，陈晔君，曹维，
申请(专利权)人：江西中昌工程咨询监理有限公司，
类型：发明
国别省市：