[发明专利]一种基于深度学习的三阶段轨旁设备故障自动检测方法

说明书

本发明提供了一种基于深度学习的三阶段铁路轨旁设备故障自动检测方法。该方法包括以下步骤：构建轨旁设备目标检测数据集；将待检测的轨旁图像送入轨旁设备目标检测网络中，定位与识别不同类型的轨旁设备，提取轨旁设备感兴趣区域；构建轨旁设备ROI语义分割数据集；设计并训练基于改进DeepLabv3+的轻量化语义分割网络，对轨旁设备ROI图像进行像素级别的分割；将轨旁设备ROI分割图作为研究对象，根据不同轨旁设备故障所呈现的不同视觉特征，分别设计长宽比例阈值、极点坐标比较和轮廓定量检测的三种快速故障判别算法。本发明充分融合了基于深度学习的目标检测与语义分割技术，对铁路轨旁设备实现了由粗到细的故障自动检测，实际应用意义较强。

技术领域

本发明涉及铁路轨旁设备故障检测技术领域，尤其涉及一种基于深度学习的三阶段铁路轨旁设备故障自动检测方法。

背景技术

中国铁路建设规模持续增长，铁路安全问题越来越受到人们的关注。铁路轨旁设备作为铁路交通线路中的关键角色之一，其健康状况直接影响着铁路运输的安全。传统对轨旁设备的故障检测方式是通过人工视觉巡检完成的，易受环境、心理等因素的影响，导致检测效率不高，准确性低。

现有的铁路轨旁设备故障自动检测方法，通过使用传统机器学习方法例如图像模板匹配(TM)、决策树(DT)和支持向量机(SVM)，或深度学习方式例如卷积神经网络(CNN)等完成对特定类型的轨旁设备故障检测，虽然准确率有所提高，但仅仅适用于场景稳定、目标单一的轨旁设备图像，对于实际环境下的种类复杂多样、故障区域大小不一的轨旁设备而言，这些方法都具有较大的局限性。

发明内容

针对现有的铁路轨旁设备故障自动检测方法存在的缺陷，本发明提出了一种基于深度学习的三阶段铁路轨旁设备故障自动检测方法，以实现高效准确地检测轨旁设备故障。

为实现上述目的，本发明采用了如下技术方案：

一种基于深度学习的三阶段铁路轨旁设备故障自动检测方法，包括：

S1：构建铁路轨旁设备目标检测数据集：标记每个轨旁设备的类别信息与位置坐标信息，将标注好的轨旁设备图像划分为训练集、验证集和测试集；

S2：基于所述轨旁设备目标检测数据集设计并训练基于YOLOv5的轨旁设备目标检测网络；

S3：将待检测图像送入所述目标检测网络中进行轨旁设备的定位与识别，提取出图像中的潜在轨旁设备感兴趣区域(ROI)；

S4：构建轨旁设备ROI语义分割数据集：将轨旁设备ROI图像中的像素点分为目标区域与背景区域两大类别，标注ROI图像中每个像素点的所属类别信息，将标注好的轨旁设备ROI图像划分为训练集、验证集和测试集；

S5：在轨旁设备ROI语义分割数据集上设计并训练基于改进DeepLabv3+的轻量化语义分割网络；

S6：将待检测的轨旁设备ROI图像送入所述语义分割网络中，得到轨旁设备ROI分割图；

S7：根据不同轨旁设备故障所呈现的不同视觉特征，分别设计基于长宽比例阈值、基于极点坐标比较和基于轮廓定量检测的三种故障判别方法，利用故障判别方法对相应的轨旁设备ROI分割图进行故障判别。

优选地，步骤S1所述构建轨旁设备目标检测数据集包括，获取到轨旁设备图像集合后，使用矩形框对每张图像中的轨旁设备进行类别标注与位置坐标标注。

优选地，所述S2中的基于所述轨旁设备目标检测数据集设计并训练基于YOLOv5的轨旁设备目标检测网络，包括：