买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京智弘通达科技有限公司

摘要：基于深度学习的轨道伤损高效检测与处理方法，包括：图像采集、对采集的图像数据集进行预处理，以提高图像质量、采用图像标注工具对轨道采集图像数据集中各类损伤进行位置标注，通过距离测量对标注框进行聚类、图像特征初步提取、特征图分割、特征重组、计算块间关联程度、选择关联区域、关联特征提取、设置多类别轨道伤损类型、建立多任务数据集、建立多任务模型、判断轨道伤损类型、结果评估等步骤。本发明采用深度学习实现对轨道伤损高效检测，提高了检测精度和准确率。

主权项：1.一种基于深度学习的轨道伤损高效检测与处理方法，其特征为：步骤S1：图像采集：适用于复杂多曲面钢轨表面的图像采集模块，在无人机的云台上设置双目视觉相机组和异型截面LED组合光源，其中双目视觉相机组包括两个摄像头，用于从不同角度捕获同一场景的图像，以实现深度感知；所述异型截面LED组合光源采用LED光源，其截面形状能够确保优化光线分布，以提供均匀照明，并根据轨道现场环境可动态控制LED形状角度，确保图像采集的同步性和均匀照明；步骤S2：对采集的图像数据集进行预处理：通过无人机根据任务监控轨道区间进行周期轨道状态数据采集，并经过预处理后形成预处理后的历史轨道监控数据集并分类存储在数据库中；采集监测轨道区间的当前图像形成实时监测数据集；并经过预处理后形成实时监控数据集并分类存储在数据库中；步骤S3：采用图像标注工具对轨道采集图像数据集中各类损伤进行位置标注，通过距离测量对标注框进行聚类；步骤S4：图像特征初步提取：采用卷积核为3*3的深度卷积提取图像特征，得到初步特征图IMG，维度为[H,W,C]，其中H为特征图的高度，W为特征图的宽度，C为特征图的通道数；步骤S5：特征图分割：特征图分割为M*M个的特征块，每块的大小为[HM,WM,C]，共M2个块，便于后续重组；步骤S6：特征重组：将所有特征块排列成一行，重组后的维度为[M2,HWM2,C]，用于后续计算块间关联程度的输入，重组后特征图记为X=[x1,x2,....xM2]；其中x1是第一块的特征，xM2是第M2块的特征；步骤S7：计算块间关联程度：R=XWqWkTXT其中，R为块间关联程度，维度为[M2,C]，X为步骤S6中的重组后特征图，上标T为转置操作，Wq和Wk分别为参数矩阵，上标q和k分别代表用于计算关联程度的注意力机制中的query和key变量，参数矩阵由模型训练得到；步骤S8：选择关联区域：对于每个块，根据R块间关联程度，只选出与其最相关的t个块，认为其是相关的，块间关联关系矩阵记为RI，维度为[M2,t]，其中RIi,j，代表第i个块的第j个关联块；步骤S9：基于部分注意力的关联特征提取：对于每个块，将其与最相关的t个块相关联，以减少不必要的计算量，公式如下：Q=XWqK=FLITERX,Wk,RIV=FLITERX,Wv,RIF=ɡQKTV其中，Q，K，V分别为部分注意力计算必须的query、key、value变量；Wv为参数矩阵，其参数由模型训练得到；FLITER函数将与每个块不相关的其他块过滤掉，每个块只保留t个关联块，块间关联关系矩阵记为RI；ɡ为softmax函数，F为提取出的图像特征；步骤S10：设置多类别轨道伤损类型：将轨道伤损类型分为N种，分别为[Class1,Class2,...,ClassN]；步骤S11：建立多任务数据集：整体数据集包括N个类型的轨道伤损图片，记为DATA=[D1,D2,...,DN]；建立多任务数据集MDATA，共N个；对于第n个多任务数据集MDATAn，正样本为[Dn],负样本为所有其他非n类型的轨道伤损图片[D1,D2,...Dn-1,Dn+1,...,DN]，所有多任务数据集的图像一样，但标签正负样本类别不同；步骤S12：建立多任务模型：使用多层感知机建立N个分类模型，每个分类模型仅针对一个类别训练分类任务，即分类模型n的数据集为MDATAn，仅对第n类轨道伤损进行判断，判断结果也仅有是否属于第n类轨道伤损两种结果；将图像输入N个模型后，会得到N个分类结果，每个分类结果为0-1的小数；步骤S13：判断轨道伤损类型：对每个分类模型设定阈值，每个分类模型的阈值不同，根据模型学习结果和人工经验调节，分类结果大于阈值代表存在该类轨道伤损；步骤S14：结果评估：使用评估指标：准确率、召回率和ROC曲线，对检测结果进行评估；步骤S15：当出现伤损，将伤损类型的判断结果通知到相关负责人，保证轨道运行的安全性。

全文数据：

权利要求：

百度查询： 北京智弘通达科技有限公司 基于深度学习的轨道伤损高效检测与处理方法