[发明专利]一种基于卷积神经网络的轨道扣件检测及分类方法

权利要求书

1.一种基于卷积神经网络的轨道扣件检测及分类方法，其特征在于包括以下步骤：

(a)采集轨道三维图像数据，先将所述三维图像数据进行图像预处理，然后将图像预处理后的所述三维图像数据分成训练集图像和测试集图像；

(b)构造新的faster-RCNN网络的网络层级结构，设置网络参数，并采用预训练模型对网络层的权重进行初始化；

(c)加载所述训练集图像，在深度学习平台上训练网络模型，通过迭代的方式，不断地降低网络输出值与实际真实值之间的误差，并达到预设迭代次数后停止迭代，得到最终的网络模型；

(d)输入所述测试集图像到所述的最终的网络模型中，获得所述测试集图像中扣件的坐标与类别。

2.根据权利要求1所述的一种基于卷积神经网络的轨道扣件检测及分类方法，其特征在于：在步骤(a)中，所述图像预处理的方法如下：先采用线结构光相机获取轨道三维形貌数据，以轨道平面为深度图像的水平面基准，将所述轨道三维形貌数据转换成所述轨道二维深度图像，并对轨道二维深度图像精度进行压缩，从原来的float16位深度图像转化为uint8位深度图像，最后将二维深度图像进行缩放；

所述float16位深度图像转化为uint8位深度图像的转化公式如下：

其中，u(x,y)代表float16位深度图像中像素坐标(x,y)处的像素灰度值，v(x,y)代表uint8位深度图像中像素坐标(x,y)处的像素灰度值，floor代表对值向下取整。

3.根据权利要求1所述的一种基于卷积神经网络的轨道扣件检测及分类方法，其特征在于：在步骤(b)中，所述网络层级结构包括特征提取层、RPN 层以及RCNN层，

所述特征提取层：用于提取轨道三维图像数据的特征提取；

所述RPN层：用于推理得到目标的预选框；

所述RCNN层：用于依据所述RPN层输出的每个预选框位置和特征提取层的输出中提取出其对应的特征图F_proposal，得到预测目标的类别概率P_cls及其预测框左上角的坐标(x,y)和矩形框的宽度w和高度h。

4.根据权利要求3所述的一种基于卷积神经网络的轨道扣件检测及分类方法，其特征在于：所述特征提取层包括依次通过的多个conv/bn/relu层和至少一个combinationblock层，

所述conv/bn/relu层采用卷积层、批标准化层和线性整流激活层的组合方式；

所述combination block层采用多个Inception网络结构组成。

5.根据权利要求4所述的一种基于卷积神经网络的轨道扣件检测及分类方法，其特征在于：在所述特征提取层中，经过所述conv/bn/relu层的处理，每一所述conv/bn/relu层的输出尺寸是输入所述conv/bn/relu层的1/2。

6.根据权利要求4所述的一种基于卷积神经网络的轨道扣件检测及分类方法，其特征在于：所述Inception网络结构的每层输入会分别进入3个分支，第1分支通过卷积核为1×1的conv/bn/relu层，第2分支先后通过卷积核为1×1的conv/bn/relu层和3×3的conv/bn/relu层，第3分支则先后通过卷积核为1×1的conv/bn/relu层和2组卷积核为3×3的conv/bn/relu层，3个分支最后在通道维度上进行合并，作为该层的最终输出。

7.根据权利要求4所述的一种基于卷积神经网络的轨道扣件检测及分类方法，其特征在于：最后一个所述conv/bn/relu层经过最大池化层下采样到原尺寸的1/2。

8.根据权利要求4所述的一种基于卷积神经网络的轨道扣件检测及分类方法，其特征在于：最后一个所述combination block层经过反卷积层上采样到原尺寸的2倍，并使用一个卷积核为1×1的卷积层对合并之后的特征层进行降维，输入到后续RPN层和RCNN层中。