[发明专利]一种无砟轨道表观伤损样本数据库的构建方法

说明书

本发明公开了一种无砟轨道表观伤损样本数据库的构建方法，包括采集无砟轨道表观图像；构建无砟轨道表观伤损编码规范；对无砟轨道表观图像进行标注，同时基于无砟轨道表观伤损编码规范对无砟轨道表观图像中的伤损进行编码，从而自动生成无砟轨道表观伤损样本图例及其属性文件；基于无砟轨道表观伤损样本图例及其属性文件构建无砟轨道表观伤损样本数据库；该方法统一化、标准化无砟轨道伤损的描述，高效标注无砟轨道伤损样本并集中管理，方便行业运用。

技术领域

本发明涉及铁路轨道检测技术领域，具体涉及一种无砟轨道表观伤损样本数据库的构建方法。

背景技术

截至2020年底，铁路营业里程达到14.63万公里，高铁无砟轨道营业里程已达2.3万公里；无砟轨道检测、监测设备日益完善，综合检测列车、综合巡检车、专业检测车和搭载式监测设备日益完善，检测监测数据规模庞大、种类繁多，呈现多源、海量等特征。

随着运营里程和运营时间的增长，无砟轨道线路结构伤损逐步显现，结构伤损检查、维修工作对运营的影响也日益突出；

目前高速铁路无砟轨道表观伤损在日德法等国家均有较统一的名称、定义、描述等，而我国虽在部分规范中有一定的规定，但并不完整，也不构成体系，运营中线路结构伤损名称、伤损描述等尚无明确定义，检查录入的结果五花八门，为后续的信息化处理、集中统一管理数据和统计分析带来极大困难。

作为伤损识别的基础，前期的数据标注工作也是不容忽视的；在铁路交通场景中，常常需要在大尺寸、低质量的伤损图像中标注出相对尺寸较为细微的线性伤损图像，且这些线性伤损往往不具有自然物体图像那样明确一致的结构、表观特性，对标注人的专业知识也有一定的要求；

现存的图像标注工具labelme、CVAT等虽然能够满足像素级别标注的基本需求，但是纯手工的标注方式对于海量的无砟轨道表观图像数据来说效率欠佳；并且，无砟轨道常见伤损裂缝、离缝等通常呈现线性结构，边界模糊，而非一个边界线组成的封闭区域，但上述标注工具均采用封闭式、无松弛模糊标注的方法，并不完全适用于无砟轨道场景的标注工作；由以上分析可知，这种专业场景下的像素级标注是一件十分耗时耗力的工作，研究高效的专业标注方法及流程具有极高的现实应用价值。

基于人工智能技术的深度卷积神经网络日益体现出在图像领域的优势，针对无砟轨道表观裂缝、离缝、缺损等伤损状态的快速检测和智能语义识别，行业内已开展多项研究工作，积累了较为丰富的图像数据，但是没有正式建立针对无砟轨道的高质量和大规模的伤损样本数据库以进行统一集中管理，为现场提供支持。

发明内容

针对上述问题，本发明的目的是提供一种无砟轨道表观伤损样本数据库的构建方法，该方法统一化、标准化无砟轨道伤损的描述，高效标注无砟轨道伤损样本并集中管理，方便行业运用。

本发明所采用的技术方案是：一种无砟轨道表观伤损样本数据库的构建方法，包括以下步骤：

S100：采集无砟轨道表观图像；

S200：构建无砟轨道表观伤损编码规范；

S300：对所述无砟轨道表观图像进行标注，同时基于所述无砟轨道表观伤损编码规范对无砟轨道表观图像中的伤损进行编码，从而自动生成无砟轨道表观伤损样本图例及其属性文件；

S400：基于所述无砟轨道表观伤损样本图例及其属性文件构建无砟轨道表观伤损样本数据库。

优选地，所述步骤S100中还包括对采集到的无砟轨道表观图像进行图像切分预处理。

优选地，所述步骤S200中的无砟轨道表观伤损编码规范包括四组：字典码、特征码、信息码和图像码；所述四组中包括八级：部件名称、伤损类型、定位信息、属性特征、伤损级别、顺位信息、检测信息和图像信息；所述八级中包括若干字段。

优选地，所述步骤S300中对所述无砟轨道表观图像进行标注包括：