基于多尺度协作深度学习的无砟轨道板裂缝测量方法技术

本发明专利技术实施例中提供了一种基于多尺度协作深度学习的无砟轨道板裂缝测量方法，属于图像处理技术领域，具体包括：搭建多尺度协作深度学习的裂缝测量框架；将多张样本图像分为训练集和验证集；调整深度目标检测网络的超参数并输出训练集中每张样本图像对应的最优的裂缝区域提取结果；将每张裂缝区域提取结果进行边界坐标裁剪，得到裂缝图像并输入深度语义分割网络调整深度语义分割网络的超参数；得到裂缝测量模型；将采集到的目标无砟轨道板对应的目标图像输入裂缝检测模型，得到目标图像中裂缝的连续宽度值。通过本发明专利技术的方案，协作分析和传递图像—像素—宽度三个尺度的特征，减少了复杂背景导致的像素误判并得到了精细化的裂缝宽度测量值。裂缝宽度测量值。裂缝宽度测量值。

【技术实现步骤摘要】
基于多尺度协作深度学习的无砟轨道板裂缝测量方法


[0001]本专利技术实施例涉及图像处理
，尤其涉及一种基于多尺度协作深度学习的无砟轨道板裂缝测量方法。

技术介绍

[0002]目前，随着高速铁路投入运营时间的增长，受气候、环境、服役时间等影响，无砟轨道板表面逐步出现裂缝并不断生长。裂缝不仅降低了混凝土结构的强度，还缩短了轨道板的使用寿命。当裂缝宽度扩展到一定严重程度时会造成扣件松动和轨道移位，进而导致整个无砟轨道结构的失效，严重威胁高速铁路的运行安全。精准测量无砟轨道板表面裂缝宽度并以此评估其严重程度是高速铁路日常巡检工作的重要内容，也是养护维修决策的关键依据。
[0003]裂缝边界的检测精度直接决定着其严重程度，即裂缝宽度测量的可靠性。传统的基于图像处理技术的测量方案通过处理巡检图像中的浅层特征(如颜色、灰度、轮廓、边缘和频率)来区分裂缝像素和背景像素。尽管它们结构简单且计算成本较低，但最佳阈值和种子像素的选择需要大量的人工干预和预定义的公式设计，如果裂缝特征或检测背景发生重大变化，就需要调整计算参数甚至重新设计算法，具有高特异性、低泛化性和不确定性，易产生模糊或不连续的裂缝边界(漏检)导致无效的宽度测量。
[0004]尽管基于深度学习的解决方案相比传统图像处理技术极大地提升了检测精度和效率，但大部分算法仅适用于单调、均一的场景，其共性在于仅通过像素尺度的分析来检测裂缝边界，难以区分裂缝像素以及与裂缝高度相似的噪声、污损等背景像素，对复杂背景状况的适应性差造成的漏检或误检导致裂缝宽度测量严重偏离实际。
[0005]综上所述，裂缝宽度的精细化测量是高速铁路无砟轨道板裂缝状态刻画和维护决策的关键依据，但现有的基于机器视觉的解决方案仅适用于单调、均一的场景，在复杂背景条件下易产生漏检或误检导致裂缝测量结果偏离真实值。
[0006]可见，亟需一种适应性和测量精准度高的基于多尺度协作深度学习的无砟轨道板裂缝测量方法。

技术实现思路

[0007]有鉴于此，本专利技术实施例提供一种基于多尺度协作深度学习的无砟轨道板裂缝测量方法，至少部分解决现有技术中存在适应性和测量精准度较差的问题。
[0008]第一方面，本专利技术实施例提供了一种基于多尺度协作深度学习的无砟轨道板裂缝测量方法，包括：
[0009]搭建多尺度协作深度学习的裂缝测量框架，其中，所述裂缝测量框架包括深度目标检测网络、深度语义分割网络和改进的正交投影算法；
[0010]将多张样本图像分为训练集和验证集，其中，所述样本图像为包含裂缝的无砟轨道板对应的图像；
[0011]将所述训练集和所述验证集训练所述深度目标检测网络，调整所述深度目标检测网络的超参数并输出所述训练集中每张所述样本图像对应的最优的裂缝区域提取结果；
[0012]将每张所述裂缝区域提取结果进行边界坐标裁剪，得到裂缝图像并输入所述深度语义分割网络调整所述深度语义分割网络的超参数；
[0013]根据调整超参数的深度目标检测网络、调整超参数的深度语义分割网络和所述改进的正交投影算法得到裂缝测量模型；
[0014]将采集到的目标无砟轨道板对应的目标图像输入所述裂缝检测模型，得到所述目标图像中裂缝的连续宽度值。
[0015]根据本专利技术实施例的一种具体实现方式，所述将采集到的目标无砟轨道板对应的目标图像输入所述裂缝检测模型，得到所述目标图像中裂缝的连续宽度值的步骤，包括：
[0016]将所述目标图像输入所述裂缝检测模型，得到所述目标图像对应的裂缝区域提取结果；
[0017]将所述裂缝区域提取结果进行边界坐标裁剪，得到裁剪图像；
[0018]根据所述裁剪图像得到裂缝边界像素检测结果，并根据所述改进的正交投影算法计算所述连续宽度值。
[0019]根据本专利技术实施例的一种具体实现方式，所述根据所述裁剪图像得到裂缝边界像素检测结果，并根据所述改进的正交投影算法计算所述连续宽度值的步骤，包括：
[0020]将所述裂缝边界像素检测结果输入所述改进的正交投影算法，提取单像素的裂缝骨架，其中，所述裂缝骨架的方向为由局部相邻骨架点导出的每个骨架点处的切线方向，其中心是骨架点；
[0021]沿着逆时针方向和八邻域对所述裂缝边界像素检测结果进行跟踪匹配，通过匹配所有的边界像素，将二值边界转换为一个分层序列，得到完整的裂缝轮廓；
[0022]从每个所述骨架点像素引出正交投影射线作为所述裂缝骨架的法线，将每条所述正交投影射线和裂缝的两条轮廓线两个交点之间的欧几里得距离作为所述连续宽度值。
[0023]根据本专利技术实施例的一种具体实现方式，所述深度目标检测网络包括输入端、特征提取模块和坐标预测模块。
[0024]根据本专利技术实施例的一种具体实现方式，所述深度语义分割网络包括编码器和解码器。
[0025]根据本专利技术实施例的一种具体实现方式，所述将所述训练集和所述验证集训练所述深度目标检测网络，调整所述深度目标检测网络的超参数并输出所述训练集中每张所述样本图像对应的最优的裂缝区域提取结果的步骤之前，所述方法还包括：
[0026]对每张所述样本图像中的裂缝进行区域标注。
[0027]根据本专利技术实施例的一种具体实现方式，所述将所述训练集和所述验证集训练所述深度目标检测网络，调整所述深度目标检测网络的超参数并输出所述训练集中每张所述样本图像对应的最优的裂缝区域提取结果的步骤，包括：
[0028]将全部所述训练集输入所述深度目标检测网络，得到每张所述样本图像对应的预测边界框；
[0029]根据每张所述样本图像的预测边界框与标注边界框计算损失函数，并根据所述损失函数调整所述深度目标检测网络的超参数直至与所述验证集验证后的平均精度达到预
设条件，固定所述深度目标检测网络的超参数，并输出所述训练集中每张所述样本图像对应的最优的裂缝区域提取结果。
[0030]根据本专利技术实施例的一种具体实现方式，所述将每张所述裂缝区域提取结果进行边界坐标裁剪，得到裂缝图像并输入所述深度语义分割网络调整所述深度语义分割网络的超参数的步骤，包括：
[0031]将全部所述裂缝图像输入所述深度语义分割网络，得到每张所述样本图像对应的预测像素；
[0032]根据每张所述样本图像的预测像素与标注像素计算交叉熵损失，并根据所述交叉熵损失调整所述深度目标检测网络的超参数直至与所述验证集验证后的平均精度达到预设条件，固定所述深度目标检测网络的超参数。
[0033]本专利技术实施例中的基于多尺度协作深度学习的无砟轨道板裂缝测量方案，包括：搭建多尺度协作深度学习的裂缝测量框架，其中，所述裂缝测量框架包括深度目标检测网络、深度语义分割网络和改进的正交投影算法；将多张样本图像分为训练集和验证集，其中，所述样本图像为包含裂缝的无砟轨道板对应的图像；将所述训练集和所述验证集训练所述深度目标检测网络，调整所述深度目标检测网络的超参数并输出所述训练集中每张所述样本图像对应的最优的裂缝区域提取结果；将每张所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度协作深度学习的无砟轨道板裂缝测量方法，其特征在于，包括：搭建多尺度协作深度学习的裂缝测量框架，其中，所述裂缝测量框架包括深度目标检测网络、深度语义分割网络和改进的正交投影算法；将多张样本图像分为训练集和验证集，其中，所述样本图像为包含裂缝的无砟轨道板对应的图像；将所述训练集和所述验证集训练所述深度目标检测网络，调整所述深度目标检测网络的超参数并输出所述训练集中每张所述样本图像对应的最优的裂缝区域提取结果；将每张所述裂缝区域提取结果进行边界坐标裁剪，得到裂缝图像并输入所述深度语义分割网络调整所述深度语义分割网络的超参数；根据调整超参数的深度目标检测网络、调整超参数的深度语义分割网络和所述改进的正交投影算法得到裂缝测量模型；将采集到的目标无砟轨道板对应的目标图像输入所述裂缝检测模型，得到所述目标图像中裂缝的连续宽度值。2.根据权利要求1所述的方法，其特征在于,所述将采集到的目标无砟轨道板对应的目标图像输入所述裂缝检测模型，得到所述目标图像中裂缝的连续宽度值的步骤，包括：将所述目标图像输入所述裂缝检测模型，得到所述目标图像对应的裂缝区域提取结果；将所述裂缝区域提取结果进行边界坐标裁剪，得到裁剪图像；根据所述裁剪图像得到裂缝边界像素检测结果，并根据所述改进的正交投影算法计算所述连续宽度值。3.根据权利要求2所述的方法，其特征在于,所述根据所述裁剪图像得到裂缝边界像素检测结果，并根据所述改进的正交投影算法计算所述连续宽度值的步骤，包括：将所述裂缝边界像素检测结果输入所述改进的正交投影算法，提取单像素的裂缝骨架，其中，所述裂缝骨架的方向为由局部相邻骨架点导出的每个骨架点处的切线方向，其中心是骨架点；沿着逆时针方向和八邻域对所述裂缝边界像素检测结果进行跟踪匹配，通过匹配所有的边界像素，将二值边界转换为一个分层序列，得到完整的裂缝轮廓；从每个所述骨架...

【专利技术属性】
技术研发人员：胡文博，王卫东，邱实，杨怀志，王劲，汪思成，伍定泽，朱星盛，谷永磊，
申请(专利权)人：中南大学，
类型：发明
国别省市：