本发明属于轨道交通运维巡检智能控制,具体涉及一种轨道缺陷检测系统鲁棒性提升的方法。
背景技术:
1、早期的轨道检测主要依靠传统的人工巡检,这种方式一方面存在着需要消耗大量人力物力、效率低下、容易漏检等缺点,另一方面还会受到列车运行的影响。随着技术的进步,目前主要使用巡检车代替人进行轨道巡检,一定程度上提升了检测效率,但仍需要人工对巡检车采集到的图像进行二次检查和分析,存在着效率低下的问题。因此,为了提高轨道缺陷检测效率和精度,亟需研究高精度的轨道缺陷检测算法。
2、随着深度学习技术在各行各业的逐步应用,许多基于深度学习的目标检测算法也逐渐被使用到轨道缺陷检测领域中。基于深度学习的目标检测算法主要分为两大类:基于候选区域和基于回归。基于回归的目标检测算法只有一个阶段,包括yolo、ssd等。yolo算法在2015年由redmon(redmon j, divvala s, girshick r, et al. you only look once:unified, real-time object detection[c]//proceedings of the ieee conference oncomputer vision and pattern recognition. 2016: 779-788.)等人提出,是将分类、定位、检测功能融合在一个网络当中,对输入图像经过一次网络计算,即可得到图像中目标的边界框和类别概率。
3、现有方法虽然利用先进目标检测模型,但轨道巡检现场光线低微,数据噪声大,有可能面临恶劣的自然环境,导致现有基于目标检测模型的方法对于噪声数据预测性能不高。另一方面 ,通过对大量现场采集数据进行人工标注的成本过高、耗费大量的人力物力、效率低下且可行性差。因此,需要研究高效、自动化的数据生成方法,减少对大量标注数据的依赖以及基于上述扩充数据的重训练方法,提高轨道缺陷检测系统的鲁棒性。提升轨道检测系统的鲁棒性对于确保列车运行安全、提高系统可靠性、降低维护成本、适应复杂场景以及支持智能化决策都具有重要的意义。这将为轨道交通系统的安全、高效、可持续运营提供有力支持。
技术实现思路
1、本发明针对现有技术的不足,提供一种轨道缺陷检测系统鲁棒性提升的方法。
2、本发明通过以下技术方案实现:
3、一种轨道缺陷检测系统鲁棒性提升方法,包括如下步骤:
4、s1:收集现场实际轨道缺陷数据,对数据进行预处理,并按照8:1:1的比例分别划分到训练集、验证集和测试集中;
5、s2:基于yolov5目标检测模型生成轨道缺陷检测模型,并采用一系列指标对轨道缺陷检测模型性能进行评估;
6、s3:通过训练集对轨道缺陷检测模型进行初训练得到轨道缺陷检测初训练模型;
7、s4:采用变异生成算法生成更具多样性的训练样本,将训练集上生成的多样性数据与原始训练集合并来对轨道缺陷检测初训练模型进行重训练,最大化模型在多样性测试样本上的性能,以此提高轨道缺陷检测系统的鲁棒性。
8、进一步,所述s1步骤中预处理为:对采集到的轨道缺陷数据按照道床异物、轨面擦伤和扣件绝缘帽缺失三类进行数据筛选并参照yolov5的标注格式对筛选出的数据进行标注。
9、进一步,所述s2步骤中,对模型的分类性能及目标检测性能进行评估的指标包括精度、召回率、f1分数、map50和map50-95指标。
10、进一步,所述变异生成算法包括数据扰动和搜索算法两部分。
11、更进一步,所述数据扰动为:使用亮度变化、对比度变化、高斯噪声、椒盐噪声来模拟实际检测场景中可能面临的自然环境扰动。
12、更进一步,所述搜索算法用于在轨道缺陷检测模型重训练过程中获取更接近最优解的参数,涉及的参数有初始样本、扰动大小、扰动方向、迭代次数、步长、停止条件。
13、更进一步,通过所述搜索算法获取更接近最优解参数包括梯度计算、迭代搜索、参数调整、搜索停止四个步骤,具体过程如下:
14、梯度计算:首先根据轨道缺陷检测模型的各评价指标定义目标函数,构建目标函数关于参数的梯度的一个计算模型,利用数据扰动扩充的样本与原始数据样本合并后的样本集通过反向传播算法计算目标函数相对于参数的梯度;
15、迭代搜索:在计算得到的梯度基础上,通过随机梯度上升迭代地更新参数,使得目标函数的值逐渐增加,以接近最优解;
16、参数调整:把轨道缺陷检测初训练模型参数作为初始值输入至计算模型中,然后在每次迭代中,根据梯度信息指导参数调整的大小和方向,采用投影法调整参数,确保参数调整过程中遵循参数范围的限制、参数间的关系约束;
17、搜索停止:通过确定迭代次数来控制迭代搜索的持续时间,在每次迭代后,检查是否满足停止条件,如果满足停止条件,则终止迭代过程,返回最终的参数值。
18、更进一步,所述搜索算法将达到最大迭代次数作为迭代搜索停止条件。
19、相对于现有技术,本发明具有的有益效果为:
20、本发明提供了一种轨道缺陷检测系统鲁棒性提升方法,为应对自然对抗样本的挑战,采用一种变异算法来生成多样性的数据,并进一步对初训练的轨道缺陷检测模型进行鲁棒重训练。鲁棒重训练中使用了更多样本数据,有助于模型更好地泛化到新的数据上;重训练中使用先前初训练模型的参数作为初始值,加速了轨道缺陷检测模型收敛的过程;目标领域相较源领域增加了变异算法生成的数据样本,将源领域的预训练模型参数作为初始参数,以此提供一些有用的特征和表示,然后在目标领域上进行微调,这种迁移学习的方式在多数情况下可以提高轨道缺陷检测模型的性能和鲁棒性。实验结果展示了重训练模型相较于初训练模型,在不同扰动下各方面性能都有所提升,准确率上升23.35%,召回率上升32.75%,map50上升30.98%,map50-95上升19.54%,结果表明对模型进行鲁棒重训练能够大幅度提升轨道缺陷检测模型各方面性能。
1.一种轨道缺陷检测系统鲁棒性提升方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种轨道缺陷检测系统鲁棒性提升方法,其特征在于,所述s1步骤中预处理为:对采集到的轨道缺陷数据按照道床异物、轨面擦伤和扣件绝缘帽缺失三类进行数据筛选并参照yolov5的标注格式对筛选出的数据进行标注。
3.根据权利要求1所述的一种轨道缺陷检测系统鲁棒性提升方法,其特征在于,所述s2步骤中,对模型的分类性能及目标检测性能进行评估的指标包括精度、召回率、f1分数、map50和map50-95指标。
4.根据权利要求1所述的一种轨道缺陷检测系统鲁棒性提升方法,其特征在于,所述变异生成算法包括数据扰动和搜索算法两部分。
5.根据权利要求4所述的一种轨道缺陷检测系统鲁棒性提升方法,其特征在于,所述数据扰动为:使用亮度变化、对比度变化、高斯噪声、椒盐噪声来模拟实际检测场景中可能面临的自然环境扰动。
6.根据权利要求4所述的一种轨道缺陷检测系统鲁棒性提升方法,其特征在于,所述搜索算法用于在轨道缺陷检测模型重训练过程中获取更接近最优解的参数,涉及的参数有初始样本、扰动大小、扰动方向、迭代次数、步长、停止条件。
7.根据权利要求6所述的一种轨道缺陷检测系统鲁棒性提升方法,其特征在于,通过所述搜索算法获取更接近最优解参数包括梯度计算、迭代搜索、参数调整、搜索停止四个步骤,具体过程如下:
8.根据权利要求7所述的一种轨道缺陷检测系统鲁棒性提升方法,其特征在于,所述搜索算法将达到最大迭代次数作为迭代搜索停止条件。