CN107621626A - 基于深度卷积神经网络的雷达信号铁路路基病害检测方法 - Google Patents

Abstract

本发明涉及的是一种基于深度卷积神经网络的雷达信号铁路路基病害检测方法。该方法通过车载路基检测雷达自动扫描采样获得路基原始雷达数据，然后抽取各扫描道轨枕上界面处的雷达反射信号序列进行频谱分析，获得轨枕和铁轨强反射信号的频谱灰度图；通过标注采集的部分信号频谱图中病害，设计深度卷积神经网络提取信号分析特征图，采用候选区域网络和全连接层，多次迭代构建铁路路基病害检测模型，得到路基病害的分类和检测框的预测。该方法首次提出利用深度卷积神经网络，分析铁路路基探地雷达信号中铁轨和轨枕的强反射信号，实现有砟铁路路基病害的快速检测和病害识别，为路基病害的快速整治处理提供技术支持，满足未来线路自动检测、快速养护的需求，保证铁路运营安全。

Description

基于深度卷积神经网络的雷达信号铁路路基病害检测方法

技术领域

本发明涉及铁路路基病害的病害特征表示和检测技术领域，尤其涉及一种基于深度卷积神经网络的雷达信号铁路路基病害检测方法。

背景技术

近年来，随着道路交通的高速发展，公共交通正从建设期转向养护期，路基作为铁路轨道的基础，作为铁路线路下部结构，对行车安全有着重要作用。铁路路基病害如基床冻害、翻浆冒泥、基床下沉、外挤等，会造成铁面严重变形，影响铁路正常通行，甚至造成安全事故。如何及时准确的发现病害所在，已成为保证行车安全的重中之重。

传统的有砟铁路路基病害检测方法以等距离挖深法、轻型动力触探法、瑞利波面波法、核子密度仪法、高密度电阻法等为主，这些方法存在效率低、对现有线路有损、不能提供长路段详细信息等缺陷。地质雷达是一种用于探测地下介质的广谱(1MHz－1GHz)电磁技术，该法利用高频短脉冲的电磁波遇异常地质反射的特性，接收并形成雷达剖面图，是地球物理方法中的一种高分辨率、高效率、实时无损的广谱电磁法探地雷达技术快速、无损且高效，是铁路路基检测领域中最有潜力的一种方式。可以根据质雷达图像，看出隐藏在地表以下的路基病害，但由于其病害区分度低，主要依靠人工凭经验判断，主观性大，且准确率低、费时费力，难以建立统一的评价标准。深度卷积神经网络使用卷积层结构使每个高层神经元只与前一层神经元中的某一区域相关联,有利于高层神经元捕获特征间的相对位置信息，能够在层次化结构能够在不同的层次上抽取图像的特征,其接受像素图像输入并自适应学习特征的特性使得它可以被应用于处理探地雷达信号(GPR)图像。

本发明涉及的是一种基于深度卷积神经网络的雷达信号铁路路基病害检测方法。该方法通过车载路基检测雷达自动扫描采样获得路基原始雷达数据，然后抽取各扫描道轨枕上界面处的雷达反射信号序列进行频谱分析，获得轨枕和铁轨强反射信号的频谱灰度图；通过标注采集的部分信号频谱图中病害，设计深度卷积神经网络提取信号分析特征图，采用候选区域网络和全连接层，多次迭代构建铁路路基病害检测模型，得到路基病害的分类和检测框的预测。该方法首次提出利用深度卷积神经网络，分析铁路路基探地雷达信号中铁轨和轨枕的强反射信号，实现有砟铁路路基病害的快速检测和病害识别，为路基病害的快速整治处理提供技术支持，满足未来线路自动检测、快速养护的需求，保证铁路运营安全。

发明内容

本发明针对现有技术中的上述问题，本发明提出一种基于深度卷积网络的雷达信号铁路路基病害检测方法，适用于各种铁路路基病害的检测，可以高效准确的发现病害，实现病害检测自动化。

本发明所采用的技术方案如下：

步骤(1)、通过车载路基检测雷达自动扫描采样获得路基原始雷达数据，然后抽取各扫描道轨枕上界面处的雷达反射信号序列进行频谱分析，获得轨枕和铁轨强反射信号的频谱灰度图，筛选存在病害的图像，并归一化图像大小；

步骤(2)、寻找并标注病害所在，记录病害类别(class)。以图片左上角为坐标原点，获得矩形框左上角坐标(X_min,Y_min)以及右下角坐标(X_max,Y_max)，连同图片名，图片尺寸(长、宽、深度)一起制作成可扩展标记语言(XML)格式；

步骤(3)、扩充数据用以激活函数，把扩充后的数据分为训练集和测试集，训练集占80％，测试集占20％；

步骤(4)、把步骤(3)获得的训练集和步骤(2)获得的XML文件一同作为输入，送入卷积神经网络，经卷积计算得到特征图，再通过区域建议网络获得候选框，候选框与特征图一起依次经过池化层、全连接层得到检测框回归、分类器分类，如此反复迭代，最终获得铁路路基病害的检测模型；

步骤(5)、用步骤(3)获得的测试集检验步骤(4)模型效果，采用PR曲线作为评价模型优劣的指标；

步骤(6)、将步骤(4)模型作为检测网络的标准，实现铁路路基的翻浆冒泥病害检测自动化。

本发明的有益效果是，相比传统的人工凭借经验寻找病害，本发明提出一种基于深度卷积网络的雷达信号铁路路基病害检测方法，可以更准确、快速的识别铁路路基的翻浆冒泥，有利实现实时、自动化的病害检测，有效规避人工检测带来的主观性，有利于客观评价病害，建立客观真实的铁路路基病害评价指标体系。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为本发明实施例的总体流程图

图2为本发明翻浆冒泥病害标注示例

图3为病害检测区域建议网络示例

图4为本发明实施例翻浆冒泥病害检测结果示例

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明，以下实施例不构成对本发明的限定。

如图1所示，本发明方法的实施流程具体包括以下步骤：

S1010：用车载探地雷达(意大利IDS公司的RIS车载雷达)获取铁路路基雷达图像，使用由平行放置的3个400MHz屏蔽天线进行数据采集，数据采集过程中，400MHz天线时窗设置为60ns，采样点数设为512点，采样间距0.115m，抽取各扫描道轨枕上界面处的雷达反射信号序列进行频谱分析，获得轨枕和铁轨强反射信号的频谱灰度图。

S1020：选取存在病害的图像，归一化图像大小，构成原始数据集A。

S1110：深度卷积神经网络属于有监督学习的一种，需要把图像的检测框信息作为监督，因此需要寻找并标记数据集A的病害。翻浆冒泥土病害处于地下0.05～0.5米范围内，其雷达图像具有明显的上升规律和形状特征，即翻浆冒泥土的雷达图像与正常路段相比呈现出明显的半抛物线和顶部直线特征，类似于“倒扣的浴盆”的形式。以此为依据，具体标记标注方法如下，两点确定一个矩形，以图片左上角作为坐标原点，标记检测框左上角(X_min,Y_min)以及右上角(X_max,Y_max)。根据铁路路基病害类别选取唯一标识，如本实例标注病害翻浆冒泥，标签为raisingsoil。连同坐标、标签名、文件名、长宽、深度等信息一起，制作成可扩展标记语言(XML)格式，便于深度卷积神经网络读取。

S1210：在神经网络训练过程中，数据往往比模型更重要，只有采样范围广，密度大，模型学习结果才更接近于真实情况。所以需要对隧道采集图像进行合理扩充。本实例采集100处病害图像，对S1010获得的数据集A进行添加噪声，调整亮度，放大等操作，获得扩充数据1700份，得到扩充数据集B。

S1220：为了检测最终模型的效果，对模型进行分类。随机选取S1210获得的数据集B中的80％作为训练集C₁，20％作为测试集C₂。

S1310：将S1220的训练集C₁与S1110获得的XML文件一起作为输入，送入卷积神经网络。调整训练参数，迭代次数70000次，步长50000，用ZF(Zeiler and Fergus model)模型作为权重，经过卷积运算得到特征图。

S1320：通过区域建议网络得到候选框。相比于传统的基于CPU运算的候选框提取算法，本方法采用区域建议网络，利用GPU强大的浮点运算能力以及和训练网络共享卷积特征的特点，极大压缩候选区域提取所需时间。区域建议网络如图2所示。在最后一个共享卷积层输出卷积特征上，以锚点为中心滑动窗口映射到一个更低维度的512维向量，该向量输出检测框回归层和检测框分类层。其中分类层输出每一个位置上，锚点属于前景和背景的概率，而回归层输出每一个位置上，锚点对应窗口各种变换的参数。整个过程并没有显式地提取任何候选窗口，完全使用网络自身完成判断和修正。

为了使梯度下降迅速，本发明做如下规定:

给每个锚点分类为正类和负类。给以下两类锚点分配正标签:

(1)与某一个正确标注检测框有最高交集并集之比的锚点。

(2)与任意正确标注检测框有大于70％的交集并集之比的锚点。

以此为依据，本发明定义单个样本的损失函数为：

其中，

而

t_x＝(x-x_a)/w_a t_y＝(y-y_a)/h_a (4)

t_w＝log(w/w_a) t_w＝log(h/h_a) (5)

式中，i为候选区域编号，p_i是候选区域是目标的概率；表示样本正负，为1则是正样本，为0则是负样本；(r,c,h,w)为提供给S1330的兴趣区域池化的四元组；x为预测矩形框，x_a为锚点对应矩形框，x^*为ground truth。L_cls是分类损失函数，L_reg是回归损失函数。

S1330：每个兴趣区域池化层都由唯一的两组表示左上顶点和右下顶点的坐标和所共同组成的由S1320得到的四元组(r,c,h,w)表示。将每个候选区域均分成大小相等的方框，利用最大池化把各种大小的候选区域转变为统一大小的方框，送入下一层。

S1340：采用softmax分类器作为分类层，检测框回归作为回归层，迭代收敛结果输出作为铁路路基检测模型。

S1350：采用精确度召回(PR,Precision Recall)曲线作为评价模型的指标。PR曲线可以很好的表现分类、检索性能。以专业人员标注的铁路路基病害位置为依据，约定精确度(Precision)为分类器判定的铁路路基病害在所有预测铁路路基病害中的比例，而召回(Recall)为了正确预测铁路路基病害位置与真实标注病害样本的比例。以精度作为纵坐标，召唤作为横坐标绘制PR曲线。用平均正确率(AP，Average Precision)作为评价模型某一类病害的指标，即得分。其中，AP值为PR曲线下面积。采用mAP作为对于整个模型的得分，其中mAP为各类AP平均值，即

式中，n为类别数，AP_i为各类得分。本实例针对翻浆冒泥土病害，故n值取1，可得mAP＝AP₁。

S1340：使用S1350所得模型作，作为检测网络的输入，对铁路路基进行检测。

为说明本发明方法处理结果的优越性，展示铁路路基翻浆冒泥区域的检测结果。本实验用ZF(Zeiler and Fergus model)初始化模型，在windows10环境下，GPU显卡NvidiaFeforce GTX 745，i5处理器，以50K步长迭代70K次，GPU加速训练96小时，获得翻浆冒泥区域的检测模型。模型检测速度为0.1秒每幅图，已接近实时检测，选择高性能的显卡GPU还可以提高翻浆冒泥区域的检测速度。mAP为0.95，检测率达到一般专业人士的识别结果。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种基于深度卷积神经网络的雷达信号铁路路基病害检测方法，其特征在于，包括以下步骤：

步骤(1)、通过车载路基检测雷达自动扫描采样获得路基原始雷达数据，然后抽取各扫描道轨枕上界面处的雷达反射信号序列进行频谱分析，获得轨枕和铁轨强反射信号的频谱灰度图，筛选存在病害的图像，并归一化图像大小；

步骤(2)、寻找并标注病害所在，记录检测框，作为网络输入的一部分；

步骤(3)、扩充数据用以激活函数，把扩充后的数据分为训练集和测试集，训练集占80％，测试集占20％；

步骤(4)、把步骤(3)获得的训练集和步骤(2)获得的XML文件一同作为输入，送入卷积神经网络，迭代计算获得铁路路基的翻浆冒泥病害检测模型；

步骤(5)、用步骤(3)获得的测试集检验步骤(4)模型效果。采用PR曲线作为评价模型优劣的指标；

步骤(6)、将步骤(4)模型作为病害检测网络的标准，实现铁路路基的翻浆冒泥病害检测自动化。

2.根据权利要求1所述的基于深度卷积网络的雷达信号铁路路基病害检测方法，其特征在于，所述步骤(2)中，病害标记方法为：记录病害类别，以图片左上角为坐标原点，获得矩形框左上角坐标以及右下角坐标，连同图片名，图片尺寸(长、宽、深度)一起制作成可扩展标记语言(XML)格式。

3.根据权利要求1所述的基于深度卷积网络的雷达信号铁路路基病害检测方法，其特征在于，所述步骤(4)中，神经网络具体结构如下。经卷积计算得到特征图，再通过区域建议网络获得候选框，候选框与特征图一起进入池化层池化，经全连接层检测框回归、分类器分类，如此反复迭代，完成病害的分类和定位，最终获得铁路路基病害的检测模型。

4.根据权利要求3所述的基于深度卷积网络的雷达信号铁路路基病害检测方法，其特征在于，区域建议网络利用GPU强大的浮点运算能力以及和训练网络共享卷积特征的特点，极大压缩候选区域提取所需时间；区域建议网络如图2所示，在最后一个共享卷积层输出卷积特征上，以锚点为中心滑动窗口映射到一个更低维度的512维向量，该向量输出检测框回归层和检测框分类层；其中分类层输出每一个位置上，锚点属于前景和背景的概率，而回归层输出每一个位置上，锚点对应窗口各种变换的参数。整个过程并没有显式地提取任何候选窗口，完全使用网络自身完成判断和修正。

5.根据权利要求1所述的基于深度卷积网络的雷达信号铁路路基病害检测方法，其特征在于，步骤(5)PR曲线实现细节为，采用精确度召回(PR,Precision Recall)曲线作为评价模型的指标；PR曲线能以很好的表现分类、检索性能，以专业人员标注的数据中铁路路基病害位置为依据，约定精确度(Precision) 为分类器判定的铁路路基病害在所有预测铁路路基病害中的比例，而召回(Recall)为了正确预测铁路路基病害位置与真实标注病害样本的比例；以精度作为纵坐标，召唤作为横坐标绘制PR曲线，用平均正确率(AP，AveragePrecision)作为评价模型某一类(class)的指标，即得分；其中，AP值为PR曲线下面积。采用mAP作为对于整个模型的得分，其中mAP为各类AP平均值，即

式中，n为类别数，AP_i为各类得分。

6.根据权利要求3所述的基于深度卷积网络的雷达信号铁路路基病害检测方法，其特征在于，区域建议网络遵循如下规定:

给每个锚点分类为正类和负类。给以下两类锚点分配正标签：

(1)与某一个正确标注(GT，ground truth)检测框(BB，bounding box)有最高交集并集之比的锚点；

(2)与任意正确标注检测框有大于70％的交集并集之比的锚点；

以此为依据，本发明定义单个样本的损失函数为：

其中，

而

t_x＝(x-x_a)/w_a t_y＝(y-y_a)/h_a (5)

t_w＝log(w/w_a)t_w＝log(h/h_a) (6)

以上公式中，i为候选区域编号，p_i是候选区域是目标的概率；表示样本正负，为1则是正样本，为0 则是负样本；(r,c,h,w)为提供给的兴趣区域池化的四元组；x为预测矩形框，x_a为锚点对应矩形框，x^*为原始标注(ground truth)；是分类损失函数,L_reg是回归损失函数。