[发明专利]混凝土轨枕裂纹的检测方法、系统、设备和介质

说明书

本发明公开了一种混凝土轨枕裂纹的检测方法、系统、设备和介质，其中检测方法，包括以下步骤：构建图像集，图像集包括图像数据和标注信息；根据图像集统计裂纹目标外形的尺度分布状况；根据尺度分布状况构建卷积神经网络模型；基于图像集对卷积神经网络模型进行训练，以得到识别模型；基于识别模型对混凝土轨枕图像中的裂纹目标进行检测与定位。本发明通过根据图像集统计裂纹目标外形的尺度分布状况，再根据尺度分布状况构建卷积神经网络模型，使得训练得到的识别模型检测混凝土轨枕图像中的裂纹目标的准确率明显提升。

技术领域

本发明属于混凝土轨枕裂纹的检测技术领域，尤其涉及一种混凝土轨枕裂纹的检测方法、系统、设备和介质。

背景技术

轨道交通是加快城市转型发展的重要基础设施，在缓解城市拥堵和快速跨区通勤方面发挥着无可替代的作用。随着近年来中国主要城市轨道交通网络的加速发展，城市轨道交通总里程数逐年增势迅猛，在便捷化城市人群生活工作的同时，却给轨道交通的日常巡检与维护带来了巨大挑战，这其中就包括了对大量轨枕的健康状态监测。轨枕是用来支撑、固定钢轨并将向道床传递钢轨压力的轨道重要部件，轨枕的健康状态对行车安全起着至关重要的作用，关乎列车以及运载乘客的生命安全。由此可见，对轨枕的健康状态进行及时、准确的监测和反馈，对城市轨道交通的安全运营有着十分重要的意义。

城市轨道交通的轨枕主要采用混凝土材料，表面裂纹是可视化反映轨枕健康状态的一种关键表征。目前对于这种轨枕裂纹的传统巡检方式主要依靠人力，然而随着轨道交通里程数的不断增长，依靠人眼视觉对巨量轨枕进行检查变得愈发困难。目前工业上主要采用的是人工视觉的检测方法，容易受到各种不确定因素的影响，因此该方法存在效率低，准确度差等问题。随着卷积神经网络的不断发展，基于卷积神经网络的一些目标识别网络被提出。但是，这些方法大都被用于自然界的物体识别，裂纹在纵向尺度上属于微小目标，极容易在深度学习提取特征阶段消失且混凝土表面图像通常受光照。污渍等影响，图像背景复杂，且裂纹的种类多，尺度小，检测难度高，将其应用于混凝土表面裂纹检测存在定位不准确，存在漏判误判严重的问题。

目前，基于深度学习的混凝土轨枕裂纹检测方法(例如，专利申请CN110044905A涉及的一种双块式轨枕的裂纹检测方法)，其将输入图像固定网格化划分为多个小的矩形图片块，然后利用深度神经网络对每个图片块分别进行裂纹判断，输出各图片块中存在裂纹的概率，然后结合人工底层特征系数最终加权得到裂纹所在的所有图片块区域。其具体实施方式为：

1)在轨枕图片数据集上对深度神经网络进行训练，得到用于判别轨枕是否存在裂纹的深度神经网络模型；

2)利用待检测双块式轨枕自身定位孔定位其凹槽区域，以双块式轨枕的凹槽区域为感兴趣区域，提取矩形检测图片；

3)提取上述矩形检测图片的底层特征，以底层特征中存在的非零像素点数量除以其像素总数得到加权系数w；

4)对矩形检测图片进行网格化划分得到图片块，将图片块输入训练好的深度神经网络模型，得到每个图片块存在裂纹的概率p；

5)设定概率阈值，将得到的每个图片块存在裂纹的概率p乘以加权系数，得到最终每个图片块存在裂纹的最终概率，将最终概率大于概率阈值的图片块判定为有裂纹。

上述基于深度学习的轨枕裂纹检测方法，主要通过对输入轨枕图像进行网格化切分，利用深度神经网络对各切分图片块是否存在裂纹进行分类，通过统计所有图片块存在裂纹的概率完成对整幅图像是否存在裂纹的最终判别。其存在以下缺点：

1)模型权重文件体积大，不利于部署在终端检测设备上；

2)对输入图像的人为网格化切分容易造成单图片块缺乏全局或周围局部信息，使得算法模型单独对各图像块进行裂纹判别时的准确率下降；

3)由于裂纹的尺度跨越范围大且不稳定，实际应用时，网格化切分的尺度需要结合具体应用场景进一步试验确定，切分的尺度差异容易对后续裂纹识别的准确率造成直接影响；