[发明专利]一种轨道板裂缝检测方法

说明书

本申请提供了一种轨道板裂缝检测方法，所述方法包括：S1：采集轨道板裂缝图片作为样本，非裂缝图像作为负样本；S2：对采集到的所述图片制定标签，划分为训练集和测试集；S3：对所述训练集的图片进行标准化处理，并送入神经网络中，迭代式进行特征提取，得到卷积特征图；S4：对得到的所述卷积特征图进行分组，训练与分组相同数量的弱分类器，根据对应特征向量进行预测，再汇聚所有分类器对当前样本的置信度并交由一个较强的分类器决策；S5：对所述测试集进行归一化操作，送入神经网络中，模拟现实预测结果，采用按统计量，执行硬投票分类。

技术领域

本发明涉及轨道检测技术领域，具体地，涉及一种轨道板裂缝检测方法。

背景技术

城市建设带动高铁产业迅速发展，不过在其给人们带来便利的同时，由于昼夜温差变化较大，且高铁动车对轨道板的挤压，可能轨道板裂缝不断扩大，最终造成一定安全事故。故轨道板裂缝检测是保证人民安全和国家稳定的重要任务。然而传统的轨道板裂缝需要依靠人工筛选，且完全依靠主观和经验主义，这是极其不合理的检测方式。

随着人工智能和数字图像处理领域的不断发展，现如今已经存在利用卷积神经网络来取代人工和传统图像处理等检测方式。目前在相关领域，已有一定的研究结果，柴雪松等人利用深度神经网络对隧道衬砌裂缝识别，李良福等人也采用卷积神经网络对桥梁裂缝进行了较为成功的检测。

但是大部分的研究都是基于默认光线充足等良好环境拍摄的结果，然而夜晚拍摄的裂缝图片存在对比度低等问题，难以被检测出来。本发明在利用卷积神经网络进行检测时候，为了识别夜晚拍摄的裂缝图片，在训练集合中加入夜晚拍摄的裂缝图像，便于模型学习。

发明内容

针对现有技术中的缺陷，本申请实施例提供了一种轨道板裂缝检测方法。所述技术方案如下：

一种轨道板裂缝检测方法，包括以下步骤：

S1：采集轨道板裂缝图片作为样本，非裂缝图像作为负样本；

S2：对采集到的所述图片制定标签，划分为训练集和测试集；

S3：对所述训练集的图片进行标准化处理，并送入神经网络中，迭代式进行特征提取，得到卷积特征图；

S4：对得到的所述卷积特征图进行分组，训练与分组相同数量的弱分类器，根据对应特征向量进行预测，再汇聚所有分类器对当前样本的置信度并交由一个较强的分类器决策；

S5：对所述测试集进行归一化操作，送入神经网络中，模拟现实预测结果，采用按统计量，执行硬投票分类。

在一个可能的实现方式中，所述神经网络采用二值交叉熵作为损失函数，采用反向传播调整和优化所述神经网络的网络参数。

在一个可能的实现方式中，所述对采集到的所述图片制定标签，划分为训练集和测试集，包括：将裂缝图片的标签设定为1，将非裂缝图片的标签设定为0。

在一个可能的实现方式中，所述方法包括：将所述卷积特征图分割成单一组的形式。

在一个可能的实现方式中，将所述神经网络中的特征图进行分组，通过神经网络中的步长机制将最终特征图的空间大小设定为u∈并将其分为M＝m×m组。

在一个可能的实现方式中，所述训练与分组相同数量的弱分类器，根据对应特征向量进行预测，再汇聚所有分类器对当前样本的置信度并交由一个较强的分类器决策；包括

添置一个能够融合所有信息的组来进行预测及反馈，由于该组具备融合了其他组的概率信息，因此能够综合分析各弱分类的性能，提升最终预测准确率，降低预测方差。

在一个可能的实现方式中，所述方法包括：