[发明专利]一种基于卷积神经网络DenseNet201的铁路扣件缺陷形态分类系统

说明书

本发明涉及一种基于卷积神经网络DenseNet201的铁路扣件缺陷形态分类系统，包括：构建7585张包含四种铁路扣件缺陷形态的专有数据集；搭建卷积神经网络：1)网络预训练：在ImageNet大型公共数据集上训练DenseNet201网络，并保存训练后的权重，2)选取网络关键节点：利用DenseNet201网络的不同层结构，在专有数据集上提取特征，选用分类性能较高的层作为新网络搭建的节点，3)在选取网络搭建的节点后用经过随机初始化的两层，每层带有四个神经元的全连接层替换原全连接层，其中一个为softmax层，另一个为能实现铁路扣件缺陷形态四分类的分类层构建新网络；迁移学习。

技术领域

本发明属于图像分类领域，具体涉及一种基于基础DenseNet201卷积神经网络构建图像分类系统，将其应用到铁路工程领域，实现对目前常见铁路扣件缺陷形态的准确分类。

背景技术

随着国家对交通基础设施建设的不断投入，我国的铁路工程得到了蓬勃发展，铁路扣件是铁路系统中重要的连接部件，其作用是将钢轨紧紧得固定在轨枕上，保持轨距以及各结构的相对稳定，避免产生钢轨相对于轨枕的纵横向的爬移，进而保障列车行车安全，因此，对扣件缺陷形态进行高效、快速的检测具有重要的意义。

然而现有的检测方法主要包括人工检测和基于传统的机器视觉检测方法，但其普遍存在检测效率低下、耗时费力及检测精度不高等问题，近年来，伴随着计算机的快速发展，深度学习在计算机视觉领域也取得了巨大的成功，在很多世界级的图像分类比赛中脱颖而出，展露出强大得分类性能。

发明内容

本发明的目的在于提供一种利用深度学习方法提升铁路扣件缺陷形态分类性能的方法。首先，通过人工在既有铁路线路上进行数据样本的采集，共采集到7585张数据图像，并通过数据增强的方式增加数据样本量以避免出现过拟合，同时，采用Retinex系统对所采数据样本进行去雾降噪处理以获得更为清晰的数据图像构建专有样本数据集；然后，基于卷积神经网络DenseNet201进行每一层提取特征能力的探究；最后，引入迁移学习，并通过微调的方式对搭建新的卷积神经网络以优化。本发明的技术方案如下。

一种基于卷积神经网络DenseNet201的铁路扣件缺陷形态分类系统，包括以下步骤。

（1）构建样本数据集：人工采集了包含正常扣件、扣件弹条偏移、扣件弹条丢失、扣件丢失四种缺陷形态的数据图片，共7585张并进行人工标记，通过图像预处理及数据增强操作建立了用以铁路扣件缺陷形态分类检测的专有数据集。

（2）搭建卷积神经网络。

1)网络预训练：采用DenseNet201，通过在ImageNet大型公共数据集上进行网络预训练，并保存训练之后的权重。

2)选取网络关键节点：利用DenseNet201网络的不同层结构，在自建专有的铁路扣件缺陷形态数据集上提取对应特征，选用分类性能较高的层作为新网络搭建的节点。

3)在选取网络搭建的节点后用经过随机初始化的两层，每层带有四个神经元的全连接层替换原全连接层，其中一个为softmax层，另一个为能够实现铁路扣件缺陷形态四分类的分类层构建新的网络。

（3）引入迁移学习。

1）将新网络中对应于原本DenseNet201的部分，进行权重和卷积神经网络结构的迁移；剩下部分的网络层，将预训练之后的权重进行迁移。

2）按照新网络中特定层权重不可训练，对其余层进行微调的方式进行。