[发明专利]轨道板裂缝检测方法

权利要求书

1.一种轨道板裂缝检测方法，其内容包括：

步骤S1：使用拍摄工具于某城市火车站分别在白天和夜晚对轨道板的裂缝图片进行采样，并采集非裂缝图像作为负样本，其中，分别采集所述裂缝图片复杂背景纹理和简单背景纹理作为正负样本，并使用opencv对负样本进行扩充，用于模拟各种其他情况下拍摄的裂缝图像；

步骤S2：采用LabelImg工具对上述采集到的负样本制定VOC格式数据集，将VOC格式数据集划分为训练集、验证集和测试集；

步骤S3：采用k-means算法对所述训练集的标注信息进行聚类，获得所需的anchor值；

步骤S4：基于所述anchor值，构建改进的YOLOv3网络模型；

步骤S5：通过所述训练集对所述的改进的YOLOv3网络模型进行训练，利用反向传播更新网络参数；

步骤S6：将测试集送入训练好的改进的YOLOv3网络模型中，执行裂缝目标检测和模型评估。

2.如权利要求1所述的轨道板裂缝检测方法，其特征在于，步骤S2中，将VOC格式数据集划分为训练集、验证集和测试集，包括：

将负样本按照7:1:2的比例划分为训练集、验证集和测试集，再对训练集、验证集和测试集分别制作标注。

3.如权利要求2所述的轨道板裂缝检测方法，其特征在于，对训练集、验证集和测试集分别制作标注，包括：

分别在训练集、验证集和测试集的图片上随机标出所有包含裂缝的边界框。

4.如权利要求3所述的轨道板裂缝检测方法，其特征在于，步骤S3：采用k-means算法对所述训练集的标注信息进行聚类，获得所需的anchor值，包括：

采用k-means算法对训练集的标注的信息进行聚类，获得所需的anchor值。

5.如权利要求1所述的轨道板裂缝检测方法，其特征在于，采用k-means算法对训练集的标注的信息进行聚类，获得所需的anchor值，包括：

对训练集的图片的宽高做归一化；

随机选取训练集的图片中若干个边界框作为初始anchor，使用IOU作为聚类过程中的度量值，如果两个anchor越相似，则它们的度量值越接近，将每个边界框分配给距离最近的anchor，计算每个簇中所有的边界框的宽和高的均值，更新anchor，重复迭代直到anchor不再变化。

6.如权利要求1所述的轨道板裂缝检测方法，其特征在于，基于所述anchor值，构建改进的YOLOv3网络模型，包括：

(4-1)对YOLOv3模型原有的Darknet-53网络中残差单元引入深度可分离卷积和倒残差结构，其中，所述深度可分离卷积和倒残差结构，将传统卷积层分解为逐点卷积和逐层卷积两部分；并将原残差单元中的3×3卷积层修改为3×3逐点卷积，将原残差单元中的1×1卷积层修改为1×1逐层卷积，在3×3逐点卷积层之前增加1×1逐层卷积形成“扩张-卷积-压缩”的倒残差结构。

(4-2)对所述残差单元引入SENet通道注意力机制，SENet通道注意力机制的位置设置在残差单元之后，对于残差单元的输出分为两个方向，一个方向经过SENet中的压缩操作，对全局特征图进行平均池化，获得全局感受野；随后进行SENet中的激励操作，将压缩操作得到的结果通过全连接层的学习得到各个通道的权重系数，通过sigmoid函数将各个通道的权重归一化到(0,1)之间；最后将SENet输出的结果与残差单元的输出进行Scale操作，实现对每个通道的特征进行加权；

(4-3)对原YOLOv3网络中的RPN网络进行改进，其中，在RPN网络的基础上增加自下而上的路径聚合网络结构，对RPN网络的多个输出进行下采样和卷积操作，使网络充分利用了浅层特征，解决了网络对微小裂缝检测能力不足的问题；

(4-4)使用Mish作为激活函数。