[发明专利]少样本学习的钢轨表面缺陷检测方法及装置

说明书

本发明提供了一种少样本学习的钢轨表面缺陷检测方法及装置，该方法包括：对少量已标注的钢轨表面缺陷图像进行数量扩展，构建钢轨表面缺陷数据集；构建多层级特征融合的钢轨表面缺陷检测网络模型，多层级特征融合的钢轨表面缺陷检测网络模型的多任务损失函数包括目标定位边界框损失函数和多类别分类损失函数，目标定位边界框损失函数用于训练模型定位缺陷区域，多类别分类损失函数用于训练模型识别缺陷类别；根据钢轨表面缺陷数据集训练模型；在采集到多张钢轨图像后，获得拼接后的钢轨图像并输入至多层级特征融合的钢轨表面缺陷检测网络模型中，输出钢轨表面缺陷检测结果。本发明可以在少量已标注的样本下训练钢轨表面缺陷检测网络模型，效果好。

技术领域

本发明涉及轨道交通安全技术领域，尤其涉及一种少样本学习的钢轨表面缺陷检测方法及装置。

背景技术

钢轨是铁路轨道的重要组成部件，用于引导列车车轮前进。近年来，为满足日益增长的运输需求，铁路运输高速化和重载化的程度不断提高，导致大量线路中钢轨病害问题频繁出现，其中，钢轨表面缺陷最为常见。钢轨表面缺陷会严重影响列车运行安全，容易引发铁路事故。因此，亟需研究更高效、更准确的钢轨表面缺陷自动化检测方法，定期地检测线路中的钢轨状态，指导铁路养护单位进行维修保养，以保障铁路运行安全。

基于视觉相机的自动化检测技术由于其成本低、速度快、客观性强等优点，一直受到学术界和工业界的广泛关注，已成功应用于轨道轮廓测量、轨距测量、轨道塞钉检测、接触网检测、钢轨扣件检测和钢轨表面缺陷检测等任务。基于视觉相机的钢轨表面缺陷检测方法可以分为有监督式和无监督式两类。有监督式方法通常采用滑动窗口法从原始钢轨图像中提取子区域，然后使用局部频率特征(Local Frequency Features,LFF)、最大稳定极值区域(Maximally Stable Extremal Regions,MSER)或光谱特征(Spectral Features,SF)表示子区域的特征，最后，训练K-近邻(K-Nearest Neighbor,K-NN)或支撑向量机(Support Vector Machine,SVM)识别子区域是否存在缺陷。无监督式方法通常采用局部归一化(Local Normalization,LN)、逆Perona-Malik(PM)扩散模型或迈克尔逊对比度(Michelson-Like Contrast,MLC)对原始钢轨图像进行增强，然后利用轮廓投影(Projection Profile,PP)、自适应阈值二值化(Adaptive Threshold Binarization,ATB)或受限最大熵(Proportion Emphasized Maximum Entropy,PEME)来定位缺陷区域的像素。然而，上述方法依赖局部的图像纹理特征和轨道先验参数，在实际检测任务中，容易受到光照条件、图像噪声、轨道环境等外界因素的干扰，方法的鲁棒性较差，准确率和效率难以满足实际检测任务的需求。

钢轨图像是由车载设备在开放环境下动态获取的自然图像，我国铁路运营里程长、跨度大，钢轨图像数以亿计，并且不同线路的钢轨类型不同，钢轨图像存在视觉形态差异。此外，任意一处钢轨缺陷区域的大小、形态都不相同，异常模式无法预知，难以穷尽枚举。因此，钢轨表面缺陷检测方法需要处理海量、非结构化、缺陷模式复杂的钢轨图像，存在非常巨大的挑战。

近年来，深度卷积神经网络(Deep Convolutional Neural Network,DCNN)在目标定位和图像识别方面取得了巨大的突破，相较于传统的计算机视觉方法，深度卷积神经网络大幅提升了目标定位和图像识别任务的准确率和速度。目前，许多基于视觉的铁路基础设施病害检测系统利用Faster-RCNN、SSD、YOLO等基于DCNN的方法执行目标检测任务，极大地提高了铁路基础设施病害检测工作的效率和准确性。然而，现有的基于DCNN的目标检测方法应用于钢轨表面缺陷检测任务时仍存在以下几个方面的困难：

一是，基于DCNN的目标检测方法属于有监督式学习方法，通常分为目标定位和目标分类两个模块，每个模块都需要输入大量已标注数据进行训练。然而，在实际的钢轨表面缺陷检测任务中，有缺陷钢轨图像的数量非常稀缺，导致无法手动地收集和标注充足的训练样本；