[发明专利]一种样本自动标注的钢轨扣件异常检测方法

说明书

本发明涉及一种样本自动标注的钢轨扣件异常检测方法。本发明能够在扣件区域定位阶段自动的收集扣件样本构建训练数据集，无需手工采集和标注训练样本。提出了一种融合基于离线学习获得的知识库和在线学习分类器的多分类识别模型，解决了扣件分类时对新线路数据的适应能力。本发明利用在线学习的思想动态的更新模板库，使扣件区域定位模块可以自适应不同铁路线路或不同区段的轨道图像。本发明还设计了一个深度卷积神经网络模型，使用多层次的卷积层来提取图像特征，对图像特征的表达能力更强，可有效提升图像分类的精度。针对不同类别扣件样本数量不平衡的问题，本发明提出了随机排序的策略减小样本数量失衡对网络性能的影响。

技术领域

本发明涉及轨道交通安全技术领域，具体说是一种样本自动标注的钢轨扣件异常检测方法。

背景技术

扣件是轨道上用以联结钢轨和轨枕的零件，其作用是将钢轨固定在轨枕上，保持轨距和阻止钢轨相对于轨枕的纵横向移动。根据轨道板型不同，扣件的安装间距在550mm-650mm，由此换算每公里钢轨的扣件数量在3400对左右，再与我国高铁干线的总里程数对应，线路上的扣件数量是巨大的。钢轨每天受列车运行的横向作用力冲击，会造成扣件固定装配结构变化，从而造成扣压失效导致钢轨移位，并进一步引起列车脱轨等重大安全事故。美国联邦铁路管理局(FAR)铁路事故数据库近十年的铁路事故数据统计显示，44％的铁路事故是由于钢轨和扣件结构存在缺陷造成。因此在轨道设备的安全维护检查中，扣件结构的状态检查是线路安全维护工作的重点。

从20世纪90年代末期，德国、澳大利亚、意大利、美国、荷兰、日本等一些发达国家已开始逐步采用视觉检测系统对轨道设备的外观状态进行检查。我国2009年首次以70万欧元从意大利mermec公司引进了轨道视觉检测系统，用于在青藏高原代替人工对青藏线铁路设备的外观状态进行检查，一定程度上解决了高原巡道的问题。但经调研发现，该系统存在对扣件缺陷的总体检出率偏低，对扣件弹条折断、弹条移位等局部微小变化的缺陷模式检出能力差，不能用于我国现有高速无砟线路的检测任务。我国在轨道视觉检测技术的研究起步较晚，中国铁道科学铁科院基础设施检测研究所在2010-2016年期间研制了轨道视觉检测系统，并基本完成了轨道图像采集系统的产品化。

钢轨扣件缺损检测系统主要包含扣件区域定位和扣件缺损识别两个模块。对于扣件区域定位，现有的方法是利用钢轨和枕木的位置关系或扣件和枕木的边缘特征来定位扣件区域。对于扣件缺损识别，现有的方法可以分为有监督式和无监督式两类。有监督式方法使用WT(Wavelet,WT)、ICA(Independent Component Analysis,ICA)等来描述扣件特征，利用LDA(Latent Dirichlet Allocation,LDA)、MLP(Multi-Layer Perceptron,MLP)、SVM(Support Vector Machine,SVM)、AdaBoosting以及Viola-Jones等分类方法来识别扣件缺损。无监督式方法使用方向场或HOG(Histogram of Oriented Gradient,HOG)来描述扣件特征，再使用基于模板匹配的方法进行扣件缺损识别。

扣件图像是由车载设备在开放环境下动态获取的自然图像，其背景为轨道，扣件区域在图像中呈连续对称分布形态。如前所述，由于我国高铁线路长、跨度大，获取图像的设备源多，因此现有图像采集系统获取的扣件图像数以亿计；再者由于不同线路的扣件类型不同，会造成图像上的扣件存在视觉形态差异；当扣件发生折断、脱落等故障时，异常模式无法预知，难以穷尽枚举，因此扣件图像数据集具有海量、非结构化、模式复杂的特征。这对扣件图像的场景识别、扣件目标检测、扣件特征模式表示等问题提出了挑战。

现在应用的扣件图像数据的机器识别模型大多是基于人工特征+分类器的方式构建，且在特征构建的过程中多借鉴或改进CV领域经典算子(如HOG、LBP)或其组合，而该类模型在处理扣件图像数据时存在三方面的问题：