【技术实现步骤摘要】
本专利技术涉及基于计算机的轨道扣件异常检测，具体涉及一种轨道扣件异常检测方法及系统。
技术介绍
1、轨道基础设施设备是保证列车正常运行的基础，轨道扣件是其重要的一个组成部分。扣件主要由弹条、螺旋道钉、轨距挡板和垫板等组成，不同部件的异常都会造成不同的隐患，及时检查扣件各部件的健康状况有利于保证列车正常安全运行和维检部门精准维修。传统的检测方式是人工巡检，不仅浪费人力物力，实时性和准确率还难以保证。因此，开发先进智能的铁路扣件异常检测算法是非常有必要的。
2、现有的异常检测方法多为依赖二维视觉图像信息，利用图像处理和深度学习算法实现异常识别和定位。但在工程应用中，因受到光线、阴影和表面污渍等影响，缺乏三维信息的输入算法很容易产生误判。以激光雷达、深度相机和立体视觉为代表的三维信息采集设备逐渐冒出势头，各具优劣。针对扣件尺寸小、病害精细的特点，深度相机以其近距离、高精度的优势被广泛使用。目前常用的多源数据融合方式为特征层融合和结果层融合，特征层融合所构建网络模型复杂，存在占用内存大的弊端，顺序结构的结果层融合没有充分利用多源数据的优势，融合程度并不高。
技术实现思路
1、本专利技术的目的在于提供一种轨道扣件异常检测方法及系统，以解决上述
技术介绍
中存在的至少一项技术问题。
2、为了实现上述目的，本专利技术采取了如下技术方案：
3、一方面，本专利技术提供一种轨道扣件异常检测方法，包括：
4、获取轨道扣件图像；
5、利用预先训练好的
6、进一步的，使用基于像元级的维度互补式图像融合方法，融合深度图与对应的灰度图，构建轨道扣件融合数据集，包括：
7、采用灰度缩放系数c取1.0，调节常数γ取0.7的gamma算子增强灰度图亮度和对比度，imggray为灰度像素矩阵，imggray’为增强后的灰度像素矩阵；
8、imggray′＝c·imggrayγ；
9、将深度图归一化运算到与灰度图相同的数量级，imgdepth为深度像素矩阵，imgdepth’为归一化后的深度像素矩阵，min为求取矩阵最小值，max为求取矩阵最大值，(i,j)代表像素矩阵第i行、第j列；
10、
11、将像元级别的平面二维像素矩阵与第三维深度矩阵进行点乘运算，imgmultiply为乘积像素矩阵；
12、imgmultiply＝imggray′(i,j)·imgdepth′(i,j)
13、采用以0作为下限的归一化方式进行溢出处理，得到铁路扣件融合图像，imgfused为融合像素矩阵；
14、
15、进一步的，构建一个新颖的特征融合-解耦模块，实现骨干网络的多维度特征融合和任务解耦，包括：骨干网络由卷积层、池化层和三种block构成，block1包括一个卷积归一化激活函数层和多个c3_1模块，block2包括一个卷积归一化激活函数层和一个上采样层，block3包括三个c3_2模块和一个卷积归一化激活函数层，三种模块交替、重复构成骨干网络。
16、进一步的，多维度特征融合的方式为将骨干网络浅层block和深层block提取到的特征图进行三次融合，三种尺寸分别为80×80×256、40×40×512和40×40×256，通过基于pytorch的连接函数将骨干网络提取到的浅层特征图f1、f2和f4与深层特征图f3、f5和f6进行连接，连接函数如下所示：
17、torch.cat(f1,f5)
18、torch.cat(f2,f3)
19、torch.cat(f4,f6)；
20、任务解耦由block4完成，block4包括多个卷积归一化激活函数层和2d卷积层。
21、进一步的，特征图f6和f7输入到一个卷积归一化激活函数层后分支两路，分别输入到两个卷积归一化激活函数层，一支路输入2d卷积层后输出预测类别结果，另一支路再次分支，分别输入2d卷积层后分别输出预测位置信息和预测置信度信息。
22、进一步的，采用检测准确率指标引导的损失函数再权重方式，在训练过程中不断调整类别权重矩阵，从而实现轨道扣件异常检测，包括：
23、选取检测准确率指标ap，iou阈值为[0.5：0.95]；
24、在每一轮训练之前，将该轮之前所有轮的验证集ap矩阵进行加权计算，m为训练轮数，c为类别代号，k＝1,2,…,m-1；
25、
26、对加权ap矩阵aveap进行最大值归一化运算；
27、增设约束条件对上述矩阵进行修正得到基于交叉熵函数的类别损失函数的权重wcm，从而实现网络学习倾向动态变化；
28、
29、第二方面，本专利技术提供一种轨道扣件异常检测系统，包括：
30、获取模块，用于获取轨道扣件图像；
31、检测模块，用于利用预先训练好的异常检测模型对获取的所述轨道扣件图像进行处理，得到轨道扣件异常检测结果；其中，训练异常检测模型包括：使用基于像元级的维度互补式图像融合方法，融合轨道扣件图像的深度图与对应的灰度图，构建轨道扣件融合数据集；构建特征融合-解耦模块，实现骨干网络的多维度特征融合和任务解耦；采用检测准确率指标引导的损失函数再权重方式，在训练过程中不断调整类别权重矩阵，从而实现轨道扣件异常检测。
32、第三方面，本专利技术提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的轨道扣件异常检测方法。
33、第四方面，本专利技术提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的轨道扣件异常检测方法。
34、第五方面，本专利技术提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的轨道扣件异常检测方法的指令。
35、本专利技术有益效果：利用基于数据层的多源数据融合方式构建铁路扣件融合数据集可以实现多维信息互补，还可以最大程度的保留原始信息，解决二维异常检测因缺乏第三维深度信息所造成的易受光线、阴影和表面污渍干扰从而引起的误判问题，实现扣件的精准异常检测。相比特征层和结果层的融合方式，本专利技术通过数据层融合构建的扣件异常检测网本文档来自技高网...
【技术保护点】
1.一种轨道扣件异常检测方法，其特征在于，包括：
2.根据权利要求1所述的轨道扣件异常检测方法，其特征在于，使用基于像元级的维度互补式图像融合方法，融合深度图与对应的灰度图，构建轨道扣件融合数据集，包括：
3.根据权利要求1所述的轨道扣件异常检测方法，其特征在于，构建一个新颖的特征融合-解耦模块，实现骨干网络的多维度特征融合和任务解耦，包括：骨干网络由卷积层、池化层和三种Block构成，Block1包括一个卷积归一化激活函数层和多个C3_1模块，Block2包括一个卷积归一化激活函数层和一个上采样层，Block3包括三个C3_2模块和一个卷积归一化激活函数层，三种模块交替、重复构成骨干网络。
4.根据权利要求3所述的轨道扣件异常检测方法，其特征在于，多维度特征融合的方式为将骨干网络浅层Block和深层Block提取到的特征图进行三次融合，三种尺寸分别为80×80×256、40×40×512和40×40×256，通过基于PyTorch的连接函数将骨干网络提取到的浅层特征图F1、F2和F4与深层特征图F3、F5和F6进行连接，连接函数如下所示：p>
5.根据权利要求4所述的轨道扣件异常检测方法，其特征在于，特征图F6和F7输入到一个卷积归一化激活函数层后分支两路，分别输入到两个卷积归一化激活函数层，一支路输入2d卷积层后输出预测类别结果，另一支路再次分支，分别输入2d卷积层后分别输出预测位置信息和预测置信度信息。
6.根据权利要求5所述的轨道扣件异常检测方法，其特征在于，采用检测准确率指标引导的损失函数再权重方式，在训练过程中不断调整类别权重矩阵，从而实现轨道扣件异常检测，包括：
7.一种轨道扣件异常检测系统，其特征在于，包括：
8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1-6任一项所述的轨道扣件异常检测方法。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求1-6任一项所述的轨道扣件异常检测方法。
10.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1-6任一项所述的轨道扣件异常检测方法的指令。
...【技术特征摘要】
1.一种轨道扣件异常检测方法，其特征在于，包括：
2.根据权利要求1所述的轨道扣件异常检测方法，其特征在于，使用基于像元级的维度互补式图像融合方法，融合深度图与对应的灰度图，构建轨道扣件融合数据集，包括：
3.根据权利要求1所述的轨道扣件异常检测方法，其特征在于，构建一个新颖的特征融合-解耦模块，实现骨干网络的多维度特征融合和任务解耦，包括：骨干网络由卷积层、池化层和三种block构成，block1包括一个卷积归一化激活函数层和多个c3_1模块，block2包括一个卷积归一化激活函数层和一个上采样层，block3包括三个c3_2模块和一个卷积归一化激活函数层，三种模块交替、重复构成骨干网络。
4.根据权利要求3所述的轨道扣件异常检测方法，其特征在于，多维度特征融合的方式为将骨干网络浅层block和深层block提取到的特征图进行三次融合，三种尺寸分别为80×80×256、40×40×512和40×40×256，通过基于pytorch的连接函数将骨干网络提取到的浅层特征图f1、f2和f4与深层特征图f3、f5和f6进行连接，连接函数如下所示：
5.根据权利要求4所述的轨道扣件异常检测方法，其特征在于，特征图f6和f7输入到一个卷积归一化激活...
【专利技术属性】
技术研发人员：秦勇，高阳，曹志威，连丽容，戈轩宇，白婕，于杭，李威，寇淋淋，柳青红，张启福，王玉强，秦杰，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。