[发明专利]轨道板裂缝检测方法

说明书

本发明提供了一种轨道板裂缝检测方法，本发明的目的在于构建一个模型用以识别出轨道板图像中的裂缝，本发明在利用卷积神经网络提取裂缝特征的时候，为了识别夜晚拍摄的裂缝图片和复杂背景纹理的图片，在训练集中加入了夜晚拍摄的具有复杂背景纹理的图片。并且，为了平衡样本，还加入了夜晚拍摄的具有简单背景纹理的图片，便于模型学习。

技术领域

本发明涉及一种轨道板裂缝检测方法。

背景技术

当前我国铁路维护工作仍以人工巡视检查为主，加以轨检车等工具辅助的方式。这种人工为主的方式耗时耗力，工作效率低，无法满足越来越长的里程数的实际需求，迫切需要开发高效的自动化检测技术。

现有的绝大部分的研究都是基于默认均匀的光照、未经污染的背景和简单的背景纹理的条件下拍摄的结果，但是轨道的主动维护时间一般都是在夜间铁路暂定运营的时间进行，不均匀光照、低对比度和阴影是常见的检测障碍，另外轨道板经过风化腐蚀后会出现复杂的纹理和凹凸不平的情况，对于较小裂缝的判断有较大的影响。

发明内容

本发明的目的在于提供一种轨道板裂缝检测方法。

为解决上述问题，本发明提供一种轨道板裂缝检测方法，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。

进一步的，在上述方法中，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。

进一步的，在上述方法中，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。

进一步的，在上述方法中，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。

进一步的，在上述方法中，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。

进一步的，在上述方法中，基于所述anchor值，构建改进的YOLOv3网络模型，包括：