[发明专利]基于深度卷积神经网络的雷达信号铁路路基病害检测方法

摘要

本发明涉及的是一种基于深度卷积神经网络的雷达信号铁路路基病害检测方法。该方法通过车载路基检测雷达自动扫描采样获得路基原始雷达数据，然后抽取各扫描道轨枕上界面处的雷达反射信号序列进行频谱分析，获得轨枕和铁轨强反射信号的频谱灰度图；通过标注采集的部分信号频谱图中病害，设计深度卷积神经网络提取信号分析特征图，采用候选区域网络和全连接层，多次迭代构建铁路路基病害检测模型，得到路基病害的分类和检测框的预测。该方法首次提出利用深度卷积神经网络，分析铁路路基探地雷达信号中铁轨和轨枕的强反射信号，实现有砟铁路路基病害的快速检测和病害识别，为路基病害的快速整治处理提供技术支持，满足未来线路自动检测、快速养护的需求，保证铁路运营安全。

主权项

1.一种基于深度卷积神经网络的雷达信号铁路路基病害检测方法，其特征在于，包括以下步骤：步骤(1)、通过车载路基检测雷达自动扫描采样获得路基原始雷达数据，然后抽取各扫描道轨枕上界面处的雷达反射信号序列进行频谱分析，获得轨枕和铁轨强反射信号的频谱灰度图，筛选存在病害的图像，并归一化图像大小；步骤(2)、寻找并标注病害所在，记录检测框，作为网络输入的一部分；其中标注病害的方法具体为：记录病害类别，以图片左上角为坐标原点，获得矩形框左上角坐标以及右下角坐标，连同图片名，图片的长、宽和深度一起制作成XML格式；步骤(3)、扩充数据用以激活函数，把扩充后的数据分为训练集和测试集，训练集占80％，测试集占20％；步骤(4)、把步骤(3)获得的训练集和步骤(2)获得的XML文件一同作为输入，送入深度卷积神经网络，迭代计算获得铁路路基的翻浆冒泥病害检测模型；所述深度卷积神经网络的具体结构为：经卷积计算得到特征图，再通过区域建议网络获得候选区域，候选区域与特征图一起进入池化层池化，经全连接层检测框回归、分类器分类，如此反复迭代，完成病害的分类和定位，最终获得铁路路基病害的检测模型；其中区域建议网络遵循如下规定：给每个锚点分类为正类和负类，给以下两类锚点分配正标签：(a)与某一个正确标注检测框有最高交集并集之比的锚点；(b)与任意正确标注检测框有大于70％的交集并集之比的锚点；以此为依据，定义单个样本的损失函数为：其中，而tx＝(x‑xa)/wa ty＝(y‑ya)/ha    (4)tw＝log(w/wa) th＝log(h/ha)    (5)以上公式中，i为候选区域编号，p_i是候选区域是目标的概率；表示样本正负，为1则是正样本，为0则是负样本；(x,y,w,h)为提供给候选区域池化的四元组；(x,y)、w和h分别表示预测矩形框的中点坐标以及宽和长；相应的，(x_a,y_a)、w_a和h_a分表表示锚点对应的矩形框的中点坐标以及宽和长；(x^*,y^*)、w^*和h^*分别表示原始标注框的中点坐标以及宽和长；L_cls是分类损失函数,L_reg是回归损失函数；步骤(5)、用步骤(3)获得的测试集检验步骤(4)的模型效果，采用PR曲线作为评价模型优劣的指标；其中采用PR曲线评价模型优劣的细节为：采用PR曲线作为评价模型的指标，约定精确度为分类器判定的铁路路基病害在所有预测铁路路基病害中的比例，而召回为了正确预测铁路路基病害位置与真实标注病害样本的比例；以精确度作为纵坐标，召回作为横坐标绘制PR曲线，用平均正确率AP作为评价模型某一类的指标，即得分；其中，AP值为PR曲线下面积，采用mAP作为对于整个模型的得分，其中mAP为各类AP平均值，即式中，n为类别数，APi为第i类得分；步骤(6)、将步骤(4)模型作为病害检测网络的标准，实现铁路路基的翻浆冒泥病害检测自动化。