一种基于深度学习的铁路路基挡护设备服役状态评估方法技术

本发明专利技术公开了一种基于深度学习的铁路路基挡护设备服役状态评估方法，涉及铁路路基工程灾害智能评估技术领域。该方法包括采集多源途经的评估区域铁路路基挡护设备的服役状态图像；对损伤类型进行分类；将采集的铁路路基挡护设备的服役状态图像进行除杂处理，训练铁路路基挡护设备损伤类型识别网络模型进行损伤类型识别；对识别的铁路路基挡护设备的损伤类型进行聚类，计算各种损伤类型的铁路路基挡护设备损伤病害占有率；计算铁路路基挡护设备损伤程度等级分数；计算铁路路基挡护设备病害权重；对铁路路基挡护设备服役状态进行评估。本发明专利技术具有检测速度快、检测精度高的优点，能够更容易的满足实时性的要求，具有较高的鲁棒性和可扩展性。性和可扩展性。性和可扩展性。

【技术实现步骤摘要】
一种基于深度学习的铁路路基挡护设备服役状态评估方法


[0001]本专利技术涉及铁路路基工程灾害智能评估
，具体涉及一种基于深度学习的铁路路基挡护设备服役状态评估方法。

技术介绍

[0002]随着交通强国战略的逐步深入推进，铁路工程的安全运营成为了当下最为关键的技术问题，由于铁路工程涉及专业领域众多，高效经济的完成铁路线下工务设备的安全评估成为当下研究热点，铁路路基工程中，尤其在山区、深路堑、高填方地段使用了大量的挡护设备结构用来加固路基边坡工程，且类型繁多，随着挡护设备的服役时间增长，在自然营力和列车荷载共同作用下，结构出现较多的损伤，尤其在极端天气作用下，严重威胁了铁路的安全运营，因此急需一种快速有效且经济的方式来完成铁路挡护设备的服役状态的快速评估计算方法。
[0003]当前，关于铁路挡护设备的评估应用仅停留在人工巡检，消耗人力物力巨大，消耗时间多，且非常不经济，开发一种基于多途径图像信息的深度学习方法来快速评估铁路路基工程挡护设备的技术，实现快速完成铁路挡护设备的快速评估，为铁路工务维护减少众多工作量，是亟须解决的问题。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供了一种基于深度学习的铁路路基挡护设备服役状态评估方法，实现实时对铁路路基挡护设备进行风险评估，避免造成巨大经济损失。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0006]一种基于深度学习的铁路路基挡护设备服役状态评估方法，包括以下步骤：
[0007]S1、采集多源途经的评估区域铁路路基挡护设备的服役状态图像；
[0008]S2、根据铁路路基挡护设备的损伤模式和铁路路基行车安全程度对损伤类型进行分类；
[0009]S3、将采集的铁路路基挡护设备的服役状态图像进行除杂处理，训练铁路路基挡护设备损伤类型识别网络模型对待识别的铁路路基挡护设备的服役状态图像进行损伤类型识别；
[0010]S4、对识别的铁路路基挡护设备的损伤类型进行聚类，划分为铁路路基挡护设备损伤区域和完整良好区域，计算各种损伤类型的铁路路基挡护设备损伤病害占有率；
[0011]S5、根据各种损伤类型的铁路路基挡护设备损伤病害占有率计算铁路路基挡护设备损伤程度等级分数；
[0012]S6、根据各种损伤类型的铁路路基挡护设备损伤病害占有率计算铁路路基挡护设备病害权重；
[0013]S7、根据铁路路基挡护设备损伤程度等级分数和铁路路基挡护设备病害权重对铁
路路基挡护设备服役状态进行评估。
[0014]可选地，所述多源途经包括：
[0015]途经开行列车车载摄像记录、工务检修人员拍照记录、铁路站房站点人工拍照、监测基站监控摄像头拍照。
[0016]可选地，所述损伤类型进行分类包括：
[0017]墙体上方危岩落石、坡面砂浆掉落、排水设施堵塞、坡脚排水沟开裂破损、路基挡墙几何尺寸不足。
[0018]可选地，所述将采集的路基挡护设备的服役状态图像进行除杂处理具体包括：
[0019]从路基挡护设备的服役状态图像中选取设定大小的区域作为参照块，在所选取的参照块周围设定范围内使用栅格扫描方式寻找差异度最小的像素点，将寻找得到的像素点组成相似块，将参照块平移，直至铺满整幅图像；
[0020]计算参照块和相似块之间的匹配误差，将超出设定匹配误差阈值的相似块删除；
[0021]根据相似块中像素点与块中心的距离和像素点与图像中心的距离计算相似块的权重；
[0022]将参考块与对应的相似块进行加权叠加，得到最终铁路路基挡墙净化像素信息。
[0023]可选地，所述训练路基挡护设备损伤类型识别网络模型对待识别的路基挡护设备的服役状态图像进行损伤类型识别具体包括：
[0024]将除杂后的铁路路基挡护设备像素信息进行损伤区域标注，并将标注后的服役状态图像划分为训练集和验证集；
[0025]采用随机数设置路基挡护设备损伤类型识别网络模型的初始训练权重，利用训练集和验证集对路基挡护设备损伤类型识别网络模型进行训练；
[0026]利用路基坡体服役状态归类损失函数判断路基挡护设备损伤类型识别网络模型是否达到训练停止条件；若是，则停止训练，得到训练后的路基挡护设备损伤类型识别网络模型；否则继续训练；
[0027]利用训练后的路基挡护设备损伤类型识别网络模型对待识别的路基挡护设备的服役状态图像进行损伤类型识别。
[0028]可选地，所述路基坡体服役状态归类损失函数具体为：
[0029][0030]其中，λ
coord
表示增加含有损伤信息的区域权重的系数；s表示铁路路基挡护设备损
伤图片网格尺寸；B表示预测框的尺寸；表示候选框置信度；表示预测框置信度；表示候选框中损伤信息类别得分；表示预测框中损伤信息类别得分；表示判断铁路路基挡护设备损伤图片网格中第i个网格中的第j个候选框是否负责这个损伤类型；表示第i个损伤图片网格中的第j个损伤候选框的横坐标；表示第i个损伤图片网格中的第j个损伤预测框的横坐标；表示第i个损伤图片网格中的第j个损伤候选框的纵坐标；表示第i个损伤图片网格中的第j损伤预测框的纵坐标；表示第i损伤图片网格中的第j个损伤候选框的宽度；表示第i个损伤图片网格中的第j个损伤预测框的宽度；表示第i个损伤图片网格中的第j个损伤候选框的高度；表示第i个损伤图片网格中的第j个损伤预测框的高度；表示含有损伤类型的损伤候选框置信度预测；表示不含损伤类型的候选框置信度预测；表示类型预测。
[0031]可选地，步骤S4具体包括：
[0032]根据路基挡护设备的服役状态图像的识别结果将路基挡护设备服役状态按照损伤类型进行分类；
[0033]采用路基挡护设备损伤的聚类方式将服役状态图像的状态空间像素点信息聚类为两类，划分为铁路路基挡护设备损伤区域和完整良好区域；
[0034]提取聚类后的路基挡护设备服役状态时空信息中损伤区域的边缘信息；
[0035]利用像素点对铁路路基挡护设备损伤区域轮廓进行填充，计算填充所用像素点的面积；
[0036]利用像素集的获取源对多源途经信息标定并进行面积换算，得到铁路路基挡护设备服役受损的区域面积；
[0037]按照损伤类型分别计算各种损伤类型的损伤区域总面积；
[0038]根据各个损伤类型的损伤区域总面积和铁路路基挡护设备的总面积计算各种损伤类型的铁路路基挡护设备损伤病害占有率。
[0039]可选地，步骤S5具体包括：
[0040]根据各种损伤类型的铁路路基挡护设备损伤病害占有率将铁路路基挡护设备损伤程度划分为多个量化等级；
[0041]根据铁路路基挡护设备损伤病害占有率计算对应量化等级的铁路路基挡护设备损伤程度等级分数；
[0042]对处于两个量化等级的铁路路基挡护设备损伤病害占有率，采用下式计算铁路路基挡护设备损伤程度等级分数：
[0043][0044]其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的铁路路基挡护设备服役状态评估方法，其特征在于，包括以下步骤：S1、采集多源途经的评估区域铁路路基挡护设备的服役状态图像；S2、根据铁路路基挡护设备的损伤模式和铁路路基行车安全程度对损伤类型进行分类；S3、将采集的铁路路基挡护设备的服役状态图像进行除杂处理，训练铁路路基挡护设备损伤类型识别网络模型对待识别的铁路路基挡护设备的服役状态图像进行损伤类型识别；S4、对识别的铁路路基挡护设备的损伤类型进行聚类，划分为铁路路基挡护设备损伤区域和完整良好区域，计算各种损伤类型的铁路路基挡护设备损伤病害占有率；S5、根据各种损伤类型的铁路路基挡护设备损伤病害占有率计算铁路路基挡护设备损伤程度等级分数；S6、根据各种损伤类型的铁路路基挡护设备损伤病害占有率计算铁路路基挡护设备病害权重；S7、根据铁路路基挡护设备损伤程度等级分数和铁路路基挡护设备病害权重对铁路路基挡护设备服役状态进行评估。2.根据权利要求1所述的基于深度学习的铁路路基挡护设备服役状态评估方法，其特征在于，所述多源途经包括：途经开行列车车载摄像记录、工务检修人员拍照记录、铁路站房站点人工拍照、监测基站监控摄像头拍照。3.根据权利要求1所述的基于深度学习的铁路路基挡护设备服役状态评估方法，其特征在于，所述损伤类型进行分类包括：墙体上方危岩落石、坡面砂浆掉落、排水设施堵塞、坡脚排水沟开裂破损、路基挡墙几何尺寸不足。4.根据权利要求1所述的基于深度学习的铁路路基挡护设备服役状态评估方法，其特征在于，所述将采集的路基挡护设备的服役状态图像进行除杂处理具体包括：从路基挡护设备的服役状态图像中选取设定大小的区域作为参照块，在所选取的参照块周围设定范围内使用栅格扫描方式寻找差异度最小的像素点，将寻找得到的像素点组成相似块，将参照块平移，直至铺满整幅图像；计算参照块和相似块之间的匹配误差，将超出设定匹配误差阈值的相似块删除；根据相似块中像素点与块中心的距离和像素点与图像中心的距离计算相似块的权重；将参考块与对应的相似块进行加权叠加，得到最终铁路路基挡墙净化像素信息。5.根据权利要求1所述的基于深度学习的铁路路基挡护设备服役状态评估方法，其特征在于，所述训练路基挡护设备损伤类型识别网络模型对待识别的路基挡护设备的服役状态图像进行损伤类型识别具体包括：将除杂后的铁路路基挡护设备像素信息进行损伤区域标注，并将标注后的服役状态图像划分为训练集和验证集；采用随机数设置路基挡护设备损伤类型识别网络模型的初始训练权重，利用训练集和验证集对路基挡护设备损伤类型识别网络模型进行训练；
利用路基坡体服役状态归类损失函数判断路基挡护设备损伤类型识别网络模型是否达到训练停止条件；若是，则停止训练，得到训练后的路基挡护设备损伤类型识别网络模型；否则继续训练；利用训练后的路基挡护设备损伤类型识别网络模型对待识别的路基挡护设备的服役状态图像进行损伤类型识别。6.根据权利要求5所述的基于深度学习的铁路路基挡护设备服役状态评估方法，其特征在于，所述路基坡体服役状态归类损失函数具体为：其中，λ
coord
表示增加含有损伤信息的区域权重的系数；s表示铁路路基挡护设备损伤图片网格尺寸；B表示预测框的尺寸；表示候选框置信度；表示预测框置信度；表示候选框中损伤信息类别得分；表示预测框中损伤信息类别得分；表示判断铁路路基挡护设备损伤图片网格中第i个网格中的第j个候选框是否负责这个损伤类型；表示第i个损伤图片网格中的第j个损伤候选框的横坐标；表示第i个损伤图片网格中的第j个损伤预测框的横坐标；表示第i个损伤图片网格中的第j个损伤候选框的纵坐标；表示...

【专利技术属性】
技术研发人员：苏谦，裴彦飞，牛云彬，张宗宇，王迅，贾文怡，刘惊灏，张棋，苏芮，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：