基于卷积神经网络的铁路路基病害雷达图实时检测方法与流程

本发明涉及铁路路基病害检测、雷达图像智能识别技术领域，尤其涉及一种基于卷积神经网络的铁路路基病害雷达图实时检测方法。

背景技术：

我国铁路现阶段在进行告诉发展的同时，由于运营里程和时间的增加，铁路路基病害问题已经开始显现。铁路路基病害是铁路交通运输领域的重大安全问题，给铁路安全运营带来隐患。如何从海量的铁路路基检测数据中快速、准确的识别潜在的路基病害风险源，保障铁路运输安全，成为急需解决的技术难题。

车载地质雷达检测技术以其无损、高效、高精度、结果直观等特点，在铁路路基检测领域迅速推广和应用。与传统方法相比，地质雷达可以快速查明全线路的路基情况，现已成为铁路路基的日常检测的主要技术手段。铁路路基地质雷达检测数据属于海量数据，平均每检测30公里产生约23g的地质雷达数据，然而目前对铁路路基病害的识别依然依靠人工判读雷达图像进行识别，成本高、效率低，而且对操作员的知识和经验要求高。现有检测技术主要集中在人工设计特征与支持向量机、浅层神经网络等传统机器学习方法结合使用，此类方法耗时且准确率低。已有基于候选区域的卷积神经网络识别技术无法达到实时处理需求，难以负担地质雷达海量数据检测任务。

技术实现要素：

本发明针对现有技术中的上述问题，提出的一种基于卷积神经网络的铁路路基病害雷达图实时检测方法，利用深度残差网络提取雷达图像特征，并采用多尺度预测网络代替池化层和全连接层，从而减少了计算量，使得神经网络在有效提高检测精度的同时，还能够保证检测速度，此方法在nvidiartx2080硬件环境下检测速度达到0.038秒/张(每秒26帧)，能够满足实时性工程要求，可用于铁路路基病害识别等科学领域。

本发明所采用的技术方案如下：

步骤(1)、将路基病害图像进行标注，并生成包含目对应的xml标注文件；

步骤(2)、把步骤(1)中的病害图像和标注完成后获得的xml文件划分为训练集和测试集，训练集占90％，测试集占10％，训练集和测试集中均包含雷达病害图像和xml格式的病害标注信息；

步骤(3)、搭建卷积神经网络，将雷达图和标注文件作为网络的输入，病害类型，病害所在位置坐标，病害置信度作为网络输出；

步骤(4)、把步骤(2)中获得的训练集的病害图像和xml文件进行扩充，一同作为输入，送入步骤(3)中的卷积神经网络，通过梯度下降法迭代计算获得铁路路基病害检测模型；

步骤(5)、用步骤(2)中获得的测试集检验步骤(4)模型效果，利用检测平均精度和每秒帧数作为评价模型优劣的指标；

步骤(6)、利用步骤(4)中获得的模型作为铁路路基病害检测模型，实现铁路路基病害智能检测。

本发明的有益效果是，相比已有铁路路基病害雷达图检测方法，本发明提出一种基于卷积神经网络的铁路路基病害雷达图实时检测方法，使得神经网络在保证高精度检测的同时能够实现实时检测。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为根据本发明一个实施例的总体流程图；

图2为根据本发明一个实施例的卷积神经网络结构图；

图3为根据本发明一个实施例的铁路路基下沉病害检测结果示例图；

图4为根据本发明一个实施例的铁路路基翻浆冒泥检测结果示例图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出。参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在介绍基于卷积神经网络的铁路路基病害雷达图实时检测方法之前，先介绍本实施例选用的数据。本数据集中铁路路基病害图来自车载探地雷达(意大利ids公司的ris车载雷达)获取的铁路路基雷达图像，共计铁路路基病害图403张图片构建数据集。

图1为根据本发明一个实施例的总体流程图；

如图1所示，该基于卷积神经网络的铁路路基病害雷达图实时检测方法包括以下步骤：

s1010：使用来自车载探地雷达获取的铁路路基病害雷达图像，对图像的病害区域进行标注，标注信息包括病害区域的左上角坐标、右下角坐标、病害图像大小和病害类型，并将标注信息打包生成xml文件，每个xml文件的文件名与病害图像文件名相同。

s1020：将s1010标注完成的病害图和xml文件随机的划分为训练集和测试集，其中训练集占90％，测试集占10％。

s1030：将s1020中的路基病害图进行随机扩充，扩充方法为：水平镜像，随机裁剪，对比度调整，通过扩充数据集可以使神经网络拥有更好的鲁棒性，提高识别精度。

s1040：深度残差网络的结构如图2所示，在送入神经网络前，将病害图作为目标以416*416的分辨率作为网络输入，并将雷达图像划分为s×s个方格，待检测病害中心若落在某个方格中，则此方格负责预测该病害，随后在卷积神经网络中前向传播进行特征提取，网络中没有池化层和全连接层，特征图的尺寸变换通过改变卷积核的步长来实现，网络将整张图作为网络的输入，随后经过整个卷积神经网络进行特征提取，过程中没有产生候选区域的步骤。

s1110、s1210、s1310：如图2所示，随着网络的深入，会产生三种不同尺度的特征图，尺度一为52*52，尺度二为26*26，尺度三为13*13，神经网络三个尺度上进行不同尺度的预测。

s1410：如图2所示，通过卷积和上采样的方式对三个尺度进行特征融合，在多个尺度的融合特征图上分别独立做检测，从而实现对不同尺寸的病害目标检测。

s1420：神经网络在s1110、s1210、s1310三个尺度上输出s×s×(3×5+t)维的向量；其中s代表每张图对应横排单元格数量，3代表每个单元格预测的边界框数量，5代表预测的检测框的位置和置信度，t代表预测的病害类别。在通过梯度下降法不断更新神经网络参数来最小化损失函数的过程中，损失函数为：

式中，loss为损失函数，s代表每张图对应横排单元格数量，b代表每个单元格可预测边界框数量，λcoord和λnoobj为惩罚项系数，设定为λcoord＝5和λnoobj＝0.5，为第i个病害所在位置的中心横坐标、纵坐标、宽度和高度的真实值，(xi,yi,wi,hi)为第i个病害所在位置的中心横坐标、纵坐标、宽度和高度的预测值，代表第i格子第j个预测框内是否有目标，有为1，无为0，为标签中边界框和预测边界框的面积交并比值，ci为置信度与标签中边界框和预测边界框的面积交并比值的乘积，classes代表目标种类，为目标属于给定种类的概率，属于为1，不属于为0，pi(c)为预测种类属于给定的概率，范围在0到1之间。在得到边界框之后，通过非极大值抑制(剔除重合率高于40％的边界框)从而得到检测结果。

s1430：使用s1020划分的测试集数据对s1420中产生的模型进行评估，采用均值平均精度和每秒帧数作为评价模型优劣的指标，其中均值平均精度为各类别pr曲线(查准率和召回率曲线)下面积的平均值，每秒帧数即每秒内可以预测的图片数量。

s1440：利用s1430获得的最优模型作为铁路路基病害检测评价模型，实现铁路路基病害智能检测。

为说明本发明方法检测效果的优越性，本实施例在ubuntu18.04操作系统，nvidiartx2080平台下检测速度达到0.038秒/张(每秒26帧)，检测平均精度达到0.95，实现在保障精度的同时能兼顾实时检测。

图3和图4所示为根据本发明一个实施例的铁路路基病害雷达图检测结果，由图3和图4可以看出，本发明能够有效检测出铁路路基下沉和翻浆冒泥病害。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。