[发明专利]一种样本自动标注的钢轨扣件异常检测方法

权利要求书

1.一种样本自动标注的钢轨扣件异常检测方法，其特征在于，包括以下步骤：

步骤1，采集轨道图像；

步骤2，建立模板库，所述模板库包括固定部分和动态部分；首先将已有扣件区域模板和背景区域模板添加到模板库中的固定部分；对于一条待检测的铁路线路，用户需要手动定位第一帧轨道图像中的扣件区域，并将其存储到模板库中的固定部分；

将所述扣件区域模板按照类别进行分类，分为正常扣件模板和缺陷扣件模板；所述缺陷扣件模板按照类别进行分类，分为损坏扣件模板和丢失扣件模板；

使用扣件区域定位模块得到每一帧轨道图像中准确的扣件区域的位置，并根据更新规则来更新模板库中的正常扣件模板队列和背景区域模板队列，将其作为模板库的动态部分；

步骤3，利用模板库中的正常扣件模板、损坏扣件模板和丢失扣件模板对定位得到的扣件区域进行预分类，计算每个扣件区域的类别得分，并更新模板库中的损坏扣件模板队列和丢失扣件模板队列；

将分值高于预设阈值λ的扣件区域作为训练样本，形成训练数据集；

步骤4，构建深度卷积神经网络模型，用于进行扣件缺损识别；使用训练数据集对深度卷积神经网络模型进行预训练，再使用待检测线路的扣件样本对深度卷积神经网络模型进行微调，最后通过深度卷积神经网络模型判断扣件类别，输出最终的检测结果；

步骤3中，采用在线-离线相融合的方法对定位得到的扣件区域进行预分类，具体为：

a)离线学习：依据模板库中的固定部分，通过建立有监督学习框架对扣件大数据进行处理，构建模式分类器，采用多级分类结构：首先构建一个二分类模型，判断扣件属于正常或者缺陷类别；然后构建一个多类别的分类器，进一步识别扣件缺陷类别；

b)在线学习，构建在线学习分类器：通过模板匹配方法，构建随着检测进度动态更新的模板更新机制，并应用KNN方法对邻近样本的相似性进行比较，并通过距离度量来判断邻近样本间的相似程度；

c)多分类器决策：融合基于离线学习获得的结果和在线学习分类器的识别结果，最终判定输入扣件区域的类别。

2.如权利要求1所述的样本自动标注的钢轨扣件异常检测方法，其特征在于，步骤2中，使用扣件区域定位模块得到每一帧轨道图像中准确的扣件区域的位置，具体为：

对每一帧轨道图像，利用基于LSD的钢轨边界定位方法，在轨道图像中进行钢轨边界的定位，得到扣件候选区域；再利用滑动窗口法从扣件候选区域中提取子窗口，计算子窗口的HOG特征与模板库中每个模板之间的相似度，按照相似度从高向低选择K个扣件区域模板，利用K近邻算法对子窗口所属类别进行打分，分值最高的子窗口被视为最优的扣件区域，再推断出其它扣件区域，并计算分值；

所述K为K近邻算法的近邻数量，是手工选取的经验值。

3.如权利要求2所述的样本自动标注的钢轨扣件异常检测方法，其特征在于，步骤2中，所述更新规则为：

1)分别将钢轨两侧分值最高的扣件区域添加到模板库中的正常扣件区域模板队列；

2)分别在钢轨两侧分值最高的扣件区域附近随机地抓取两个背景区域，将其添加到模板库中的背景区域模板队列；

3)如果模板库中某一队列的长度大于预设阈值L_max，删除位于该队列头部的模板；

所述L_max是预设阈值，表示模板队列的最大长度。

4.如权利要求1所述的样本自动标注的钢轨扣件异常检测方法，其特征在于，步骤3中，计算每个扣件区域的类别得分：首先使用扣件区域的HOG特征与模板库中的扣件区域模板作相似度计算，再使用K-NN算法对扣件区域进行分类；

为了提高分类精度，设计了一个相似度的计分函数，其定义如下：

其中，x_i是扣件区域与第i个模板的相似度，通过巴氏系数计算得到。

5.如权利要求1所述的样本自动标注的钢轨扣件异常检测方法，其特征在于，步骤3中，所述预设阈值λ为手工选取的经验值，设置为0.8。