多传感器融合的钢轨廓形识别方法及装置与流程

本发明涉及钢轨检测，尤其涉及一种多传感器融合的钢轨廓形识别方法及装置。

背景技术：

1、本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

2、钢轨廓形检测过程中，如果列车在正线行驶，则激光采集光条形态比较一致。但实际检测过程中，当列车经过道岔或其它受干扰区域时，激光条纹形态由于钢轨表面光照反射、异物干扰以及轨道结构渐变等干扰因素将呈现不同的廓形形态，如图1所示，图1中(a)：钢轨激光断面廓形；图1中(b)：正线上理想廓形；图1中(c)：形状变化廓形；图1中(d)：光照影响廓形；图1中(d)：噪声干扰廓形。列车行车环境下，由于受到随机噪声、标定误差、车体扰动和采集设备自身等诸多因素的影响，实测的轮廓数据中存在大量不确定的噪声干扰，特别是当轨头存在油污，轨腰被道砟掩埋时，测量数据存在较大的误差，即产生与实际测量结果相悖的离群值，严重影响测量结果。因此，如何在高速车载动态行车环境下快速准确地识别非正常廓形，是钢轨廓形检测和分析首先要解决的关键问题。在钢轨廓形检测任务中，使用经典的基于自然光图像的目标识别算法存在相应的问题，主要原因在于钢轨廓形图像有效信息少缺乏丰富的纹理特征等自身特点，与一般自然光图像识别问题区别较大。对于激光条纹图像的识别，一个可靠的识别算法需要解决诸如噪声干扰、光照变化、运动物体形变、目标遮挡等诸多实际问题。

3、目前，已有一些文献和专利针对这一问题提出了相应的解决方案。已有的廓形识别方法都针对单个结构光传感器采集的廓形图像，单一传感器的方法容易受环境干扰检测结果不稳定。

技术实现思路

1、本发明实施例提供一种多传感器融合的钢轨廓形识别方法，用以提高钢轨廓形识别的准确率，该方法包括：

2、获取历史待识别钢轨左右轨的内外侧廓形图像；其中，左右轨的内外侧廓形图像分别由安装在检测列车下方设置的图像传感器采集；

3、针对每一传感器采集的廓形图像建立一个深度神经网络，将每一传感器采集的廓形图像输入对应的深度神经网络，训练得到一个深度神经网络模型，将每一深度神经网络模型的预测概率转换为质量函数作为一个融合候选因子；每一融合候选因子包括所有的待识别钢轨廓形状态；

4、根据多个融合候选因子，以及基于核诱导置信度kibm增强的证据理论传感器融合算法，进行待识别钢轨廓形状态的决策融合，训练得到最终的多传感器融合的钢轨廓形识别模型，其中，所述钢轨廓形识别模型用于在高速车载动态行车环境下根据当前待识别钢轨左右轨的内外侧廓形图像识别钢轨非正常廓形。

5、本发明实施例还提供一种多传感器融合的钢轨廓形识别装置，用以提高钢轨廓形识别的准确率，该装置包括：

6、获取单元，用于获取历史待识别钢轨左右轨的内外侧廓形图像；其中，左右轨的内外侧廓形图像分别由安装在检测列车下方设置的图像传感器采集；

7、融合候选因子确定单元，用于针对每一传感器采集的廓形图像建立一个深度神经网络，将每一传感器采集的廓形图像输入对应的深度神经网络，训练得到一个深度神经网络模型，将每一深度神经网络模型的预测概率转换为质量函数作为一个融合候选因子；每一融合候选因子包括所有的待识别钢轨廓形状态；

8、融合识别单元，用于根据多个融合候选因子，以及基于核诱导置信度kibm增强的证据理论传感器融合算法，进行待识别钢轨廓形状态的决策融合，训练得到最终的多传感器融合的钢轨廓形识别模型，其中，所述钢轨廓形识别模型用于在高速车载动态行车环境下根据当前待识别钢轨左右轨的内外侧廓形图像识别钢轨非正常廓形。

9、本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述多传感器融合的钢轨廓形识别方法。

10、本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述多传感器融合的钢轨廓形识别方法。

11、本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述多传感器融合的钢轨廓形识别方法。

12、本发明实施例中，多传感器融合的钢轨廓形识别方案，与现有技术中基于单个结构光传感器采集的廓形图像进行的钢轨廓形识别方案中，钢轨廓形识别结果准确率低的技术方案相比，通过：获取历史待识别钢轨左右轨的内外侧廓形图像；其中，左右轨的内外侧廓形图像分别由安装在检测列车下方设置的图像传感器采集；针对每一传感器采集的廓形图像建立一个深度神经网络，将每一传感器采集的廓形图像输入对应的深度神经网络，训练得到一个深度神经网络模型，将每一深度神经网络模型的预测概率转换为质量函数作为一个融合候选因子；每一融合候选因子包括所有的待识别钢轨廓形状态；根据多个融合候选因子，以及基于核诱导置信度kibm增强的证据理论传感器融合算法，进行待识别钢轨廓形状态的决策融合，训练得到最终的多传感器融合的钢轨廓形识别模型，其中，所述钢轨廓形识别模型用于在高速车载动态行车环境下根据当前待识别钢轨左右轨的内外侧廓形图像识别钢轨非正常廓形，可以提高钢轨廓形识别的准确率。

技术特征：

1.一种多传感器融合的钢轨廓形识别方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，将每一深度神经网络模型的预测概率转换为质量函数作为一个融合候选因子，包括：按照如下公式将每一深度神经网络模型的预测概率转换为质量函数作为一个融合候选因子：

3.如权利要求2所述的方法，其特征在于，所述公式的终止条件是：

4.如权利要求1所述的方法，其特征在于，假设辨别帧fod记为ω，ω是fod，fod的幂集为2ω，幂集包含所有可能出现的待识别钢轨廓形状态，kibm由下式定义：

5.如权利要求4所述的方法，其特征在于，根据实际检测任务动态确定生成kibm的核函数。

6.如权利要求1所述的方法，其特征在于，gaussian-kibm)假设m1、m2是两组质量函数，ω是fod，则gaussian-kibm下述公式定义：

7.如权利要求1所述的方法，其特征在于，所述多传感器融合的钢轨廓形识别模型的工作过程包括：

8.如权利要求7所述的方法，其特征在于，基于kibm确定每一传感器的可信度，包括：

9.如权利要求7所述的方法，其特征在于，根据每一传感器的可信度，以及每一传感器的信息量，融合得到最终的钢轨廓形识别结果，包括：

10.如权利要求9所述的方法，其特征在于，将所有质量函数融合n-1次，融合得到最终的钢轨廓形识别结果，n代表传感器的数量，包括：按照如下公式得到最终的钢轨廓形识别结果：

11.如权利要求1所述的方法，其特征在于，所述深度神经网络为权重共享的深度神经网络。

12.一种多传感器融合的钢轨廓形识别装置，其特征在于，包括：

13.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至11任一所述方法。

14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至11任一所述方法。

15.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至11任一所述方法。

技术总结
本发明公开了一种多传感器融合的钢轨廓形识别方法及装置，其中该方法包括：获取历史待识别钢轨左右轨的内外侧廓形图像；针对每一传感器采集的廓形图像建立一个深度神经网络，将每一传感器采集的廓形图像输入对应的深度神经网络，训练得到一个深度神经网络模型，将每一深度神经网络模型的预测概率转换为质量函数作为一个融合候选因子；根据多个融合候选因子，以及基于核诱导置信度KIBM增强的证据理论传感器融合算法，进行待识别钢轨廓形状态的决策融合，训练得到最终的多传感器融合的钢轨廓形识别模型，该模型用于在高速车载动态行车环境下根据当前待识别钢轨左右轨的内外侧廓形图像识别钢轨非正常廓形。本发明可以提高钢轨廓形识别的准确率。

技术研发人员：王胜春,王宁,韩强,王昊,赵鑫欣,王乐,任盛伟,刘俊博
受保护的技术使用者：中国铁道科学研究院集团有限公司
技术研发日：
技术公布日：2024/4/17