[发明专利]一种基于多尺度分级的列车轮对踏面损伤分类识别方法

权利要求书

1.一种基于多尺度分级的列车轮对踏面损伤分类识别方法，其特征在于，包括以下步骤：

S1、采集当前列车纵向振动数据；

S2、根据SVM二分类方法处理列车纵向振动数据得到粗分类结果，所述粗分类结果包括两种类型：无损伤、有损伤；当粗分类结果为无损伤则结束此次识别过程，列车正常运行，当粗分类结果为有损伤则采集轮对踏面图像并进入S3；所述SVM二分类方法将数据集即列车纵向振动数据通过硬间隔最大化，训练一个线性可分的支持向量机对轮对踏面进行粗分类得到粗分类识别结果；

S3、应用VGGNet作为特征提取网络，提取步骤S2中采集的轮对踏面图像特征；

S4、基于softmax分类器识别轮对踏面图像获取细分类结果，所述细分类结果包括三种类型：严重损伤、一般损伤、较小损伤。

2.根据权利要求1所述的一种基于多尺度分级的列车轮对踏面损伤分类识别方法，其特征在于，步骤S2中SVM二分类方法的具体过程：

S21、将步骤S1采集的列车纵向振动数据进行标记；

S22、假设训练过程中超平面为：ω^Tx+b＝0，缩放ω和b得到ω_scale和b_scale；

S23、训练过程中添加约束条件为：

S24、最后通过训练得到一个线性可分的支持向量机。

3.根据权利要求1所述的一种基于多尺度分级的列车轮对踏面损伤分类识别方法，其特征在于，步骤S3中VGGNet网络的具体实现步骤如下：

a、获取若干张样本图像，每张样本图像为不同损伤程度的轮对踏面图像，对样本图像进行数据增强，例如翻转，旋转，裁剪等，得到训练图像集；

b、将训练图像集标注样本标签，标签分为严重损伤、一般损伤、较小损伤三类，将训练图像集尺度归一化；

c、采用tensorflow平台搭建VGGNet网络架构，在基础的VGGNet16网络的基础上增加两个卷积网，将不同层次的特征图进行融合提取特征，并将融合后的特征直接连接一个具有1x1卷积核的卷积层来替换全连接层。

4.根据权利要求3所述的一种基于多尺度分级的列车轮对踏面损伤分类识别方法，其特征在于，步骤c具体实现步骤如下：

c1、底层采用VGGNet16的前10个卷积层及4个池化层，用conv1_1、conv1_2、conv2_1、conv2_2、conv3_1、conv3_2、conv3_3、conv4_1、conv4_2、conv4_3表示10个卷积层，用pool1、pool2、pool3表示3个池化层，其中构建的模型架构为：conv1_1、conv1_2、pool1、conv2_1、conv2_2、pool2、conv3_1、conv3_2、conv3_3、pool3、conv4_1、conv4_2、conv4_3顺序连接；

c2、pool3后所得到的特征图在输入到conv4_1的同时，添加一个卷积网，将得到的特征图输入到卷积网中进行处理；卷积网包含两个卷积层及一个池化层，其卷积层的卷积核为7x7的卷积核；同时在conv4_3后添加一个卷积网，该卷积网同样包含两个卷积层及一个池化层，卷积层的卷积核为5x5的卷积核；

c3、两个卷积网的输出并入一个拼接层，所述拼接层在连接一个卷积层，来代替原有网络的全连接层，卷积层采用1x1的卷积核；

c4、在卷积层之后采用平均池化层来代替传统的最大池化层。

5.根据权利要求1所述的一种基于多尺度分级的列车轮对踏面损伤分类识别方法，其特征在于，步骤S4具体为：通过特征融合后最终得到一个1X3维的向量，对向量中的元素求对数，然后概率归一化，使得所有的概率和为1，最后输入待检测图像得到三个概率值，并根据概率值的大小进行来判定图像的细分类结果。

6.根据权利要求1所述的一种基于多尺度分级的列车轮对踏面损伤分类识别方法，其特征在于，在列车车体上设置加速度传感器用于采集步骤S1中所述的列车纵向振动数据，在列车车体上设置相机用于采集步骤S2中所述的轮对踏面图像。