CN113705412B - 基于深度学习的多源数据融合的轨道状态检测方法及装置 - Google Patents

Abstract

本发明提供了一种基于深度学习的多源数据融合的轨道状态检测方法及装置，涉及轨道检测技术领域，该方法包括：获取目标轨道线路的数据集信息；数据集信息包括目标轨道线路的多种类型状态检测参考数据以及多种类型状态检测参考数据对应的轨道线路状态数据；利用特征提取模型对数据集信息进行特征提取，得到特征信息；根据特征信息和机器分类器计算轨道状态参数，并根据轨道状态参数确定轨道状态检测模型；利用数据集信息训练轨道状态检测模型；根据训练完成后的轨道状态检测模型生成轨道状态检测结果。本发明可以融合多种类型状态检测参考数据，基于深度学习，实时、准确的获取轨道病害信息。

Description

基于深度学习的多源数据融合的轨道状态检测方法及装置

技术领域

本发明涉及轨道检测技术领域，尤其是涉及一种基于深度学习的多源数据融合的轨道状态检测方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

钢轨在长期的使用过程当中，不可避免的会产生滚动接触疲劳和磨耗。钢轨表面状态的改变必然会引起轮轨匹配关系的改变，如果可以将车轮近似的看成一个刚性结构，轴箱(在铁路车辆上，套在轴颈上联结轮对和转向架的部件)的加速度值就可以间接反馈钢轨的短波不平顺，进而判定轨道病害。单一的利用加速度数据检测准确度较低，不能够完全反映轨道的真实状况。车辆通过轨道病害处时，会产生比较明显的振动噪声，获取此时的噪声值进行分析可以对加速度数据的检测进行一个比较好的补充。数据的有效性是进行轨道状态评判的前提条件，利用高速摄像机获取到的图像信息进行特征提取可以进一步的验证轨道病害。基于上述利用图像信息、噪声值和加速度值三种检测方法的特点，运用机器学习原理进行多源数据融合得到了利用多种数据联合评判轨道状态检测方法。这种方法从多个角度全面描述轨道状态，可以获得真实准确的数据，但其存在的问题是，数据量大，种类多，计算复杂。

发明内容

本发明提供了一种基于深度学习的多源数据融合的轨道状态检测方法及装置，可以融合多种类型状态检测参考数据，基于深度学习，实时、准确的获取轨道病害信息。

第一方面，本发明实施例提供了一种基于深度学习的多源数据融合的轨道状态检测方法，该方法包括：

获取目标轨道线路的数据集信息；所述数据集信息包括所述目标轨道线路的多种类型状态检测参考数据以及所述多种类型状态检测参考数据对应的轨道线路状态数据；

利用特征提取模型对所述数据集信息进行特征提取，得到特征信息；

根据所述特征信息和机器分类器计算轨道状态参数，并根据所述轨道状态参数确定轨道状态检测模型；

利用所述数据集信息训练所述轨道状态检测模型；

根据训练完成后的轨道状态检测模型生成轨道状态检测结果。

第二方面，本发明实施例还提供一种基于深度学习的多源数据融合的轨道状态检测装置，该装置包括：

获取模块，用于获取目标轨道线路的数据集信息；所述数据集信息包括所述目标轨道线路的多种类型状态检测参考数据以及所述多种类型状态检测参考数据对应的轨道线路状态数据；

特征模块，用于利用特征提取模型对所述数据集信息进行特征提取，得到特征信息；

参数模块，用于根据所述特征信息和机器分类器计算轨道状态参数，并根据所述轨道状态参数确定轨道状态检测模型；

训练模块，用于利用所述数据集信息训练所述轨道状态检测模型；

预测模块，用于根据训练完成后的轨道状态检测模型生成轨道状态检测结果。

第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于深度学习的多源数据融合的轨道状态检测方法。

第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述基于深度学习的多源数据融合的轨道状态检测方法的计算机程序。

本发明实施例带来了以下有益效果：本发明实施例提供了一种基于深度学习的多源数据融合的轨道状态检测方案，该方案包括：获取目标轨道线路的数据集信息；数据集信息包括目标轨道线路的多种类型状态检测参考数据以及多种类型状态检测参考数据对应的轨道线路状态数据；利用特征提取模型对数据集信息进行特征提取，得到特征信息；根据特征信息和机器分类器计算轨道状态参数，并根据轨道状态参数确定轨道状态检测模型；利用数据集信息训练轨道状态检测模型；根据训练完成后的轨道状态检测模型生成轨道状态检测结果。本发明实施例可以融合多种类型状态检测参考数据，基于深度学习，实时、准确的获取轨道病害信息。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的基于深度学习的多源数据融合的轨道状态检测方法流程图；

图2为本发明实施例提供的基于深度学习的多源数据融合的轨道状态检测方法实施步骤示意图；

图3为本发明实施例提供的基于深度学习的多源数据融合的轨道状态检测装置结构框图；

图4为本发明实施例提供的特征模块结构框图；

图5为本发明实施例提供的电子设备结构框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

随着我国社会经济的不断发展，特别是高速铁路的不断建设，铁路运输的安全就显得尤其重要。钢轨作为高速铁路的基本组成部分，不仅起着列车导向和承载的作用，还是影响行车安全的重要因素。为了保证列车的安全行驶，及时地对轨道状态进行检测，科学的对轨道进行养护和维修，对保障列车安全运行具有重大的意义。

目前国内外高速铁路的基础设施检测涉及到工务、电务和供电等多个专业领域，具体包括轨道检测、钢轨探伤、隧道检测、接触网检测、通信信号检测等。单单轨道检测一项就有多种检测方式，单一信号源的检测存在着一些不可避免的局限性。比如目前针对列车轮轨噪声的检测，就是将噪声传感器安装在铁路轨道的旁边，对于检测的时间性就存在着很大的局限性。利用多种数据源进行融合处理的方式成为了一种可行的解决方案。

深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。因此，“深度模型”是手段，“特征学习”是目的。深度学习强调了模型结构的深度，突出了特征学习的重要性，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息。

基于此，本发明实施例提供的一种基于深度学习的多源数据融合的轨道状态检测方法及装置，该方法可以融合图像信息、噪声值和加速度数据，基于深度学习，实时、准确的获取轨道病害信息。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于深度学习的多源数据融合的轨道状态检测方法进行详细介绍。

本发明实施例提供了一种轨道状态检测方法，参见图1所示的一种基于深度学习的多源数据融合的轨道状态检测方法流程图，该方法包括以下步骤：

步骤S102，获取目标轨道线路的数据集信息。

在本发明实施例中，目标轨道线路是现有轨道线路中的某一段线路。数据集信息包括目标轨道线路的多种类型状态检测参考数据以及多种类型状态检测参考数据对应的轨道线路状态数据。

状态检测参考数据，可以用于评价轨道状态，在本发明实施例用，采用多种类型的状态检测参考数据相结合评价轨道状态，轨道线路状态数据用于描述轨道线路的状态，例如，可以包括钢轨磨耗状态、钢轨顶面剥落掉块状态和钢轨轨缝状态。

步骤S104，利用特征提取模型对数据集信息进行特征提取，得到特征信息。

在本发明实施例中，特征提取模型可以根据实际需求进行选择或构建，本发明实施例对此不作具体限定。特征信息可以用于描述数据集信息存在的特征。

步骤S106，根据特征信息和机器分类器计算轨道状态参数，并根据轨道状态参数确定轨道状态检测模型。

在本发明实施例中，将特征信息作为机器分类器的输入计算轨道状态参数，例如，可以计算得到识别为异常的概率，由概率可以得到最终病害识别结果。因此，可以将轨道状态参数用于构建轨道状态检测模型，例如，将轨道状态参数作为轨道状态检测模型中的一个系数。

步骤S108，利用数据集信息训练轨道状态检测模型。

在本发明实施例中，轨道状态检测模型可以为神经网络模型，利用数据集信息训练轨道状态检测模型。

需要说明的是，数据集信息中包括人工标注的状态检测参考数据。

步骤S110，根据训练完成后的轨道状态检测模型生成轨道状态检测结果。

在本发明实施例中，将准备好的待检测轨道的状态检测参考数据作为训练完成后的轨道状态检测模型的输入，即可利用该模型预测出轨道状态检测结果。

本发明实施例提供了一种轨道状态检测方案，该方案包括：获取目标轨道线路的数据集信息；数据集信息包括目标轨道线路的多种类型状态检测参考数据以及多种类型状态检测参考数据对应的轨道线路状态数据；利用特征提取模型对数据集信息进行特征提取，得到特征信息；根据特征信息和机器分类器计算轨道状态参数，并根据轨道状态参数确定轨道状态检测模型；利用数据集信息训练轨道状态检测模型；根据训练完成后的轨道状态检测模型生成轨道状态检测结果。本发明实施例可以融合多种类型状态检测参考数据，基于深度学习，实时、准确的获取轨道病害信息。

在一个实施例中，获取目标轨道线路的数据集信息，可以按照如下步骤执行：

随机获取目标轨道线路的图像信息状态检测参考数据、噪声值状态检测参考数据和加速度值状态检测参考数据；根据图像信息状态检测参考数据、噪声值状态检测参考数据和加速度值状态检测参考数据，确定轨道线路状态数据。

在本发明实施例中，首先，随机获取一段轨道线路的图像信息、噪声值和加速度值。

需要说明的是，对于随机获取轨道线路表面的图像信息，是利用目前比较成熟的技术线阵扫描相机获得的；对于随机获取轨道线路的噪声信息，其实更准确的来说是获取轨道线路上运行列车转向架的噪声值。转向架区域既装有车轮，也有与之相连的轮轴、空气弹簧、各种梁结构件等，由于该区域直接暴露在空气中，列车在高速运行时不仅产生轮轨噪声，还产生其他大量的干扰噪声，因此采用转向架噪声源的概念来表示轮轨噪声和转向架气动噪声的总称。当车辆经过轨道病害区域时，轮轨作用加剧，轮轨系统容易产生高频激振，进而获取轨道病害处产生的噪声值；因为直接获取轨道线路钢轨的加速度值存在一些问题，所以利用列车在轨道线路上行驶的过程当中，轨道不平顺会引起车辆到震动，震动会通过车轮传递给轴箱，可以获取车辆轴箱的加速度值，来替代轨道线路钢轨的加速度值。

之后，选取病害区域和正常区域，对随机获取的一段轨道线路的图像信息、噪声值和加速度值，进行标注得到包含的轨道线路状态三种类别数据的数据集。

在一个实施例中，利用特征提取模型对数据集信息进行特征提取，可以按照如下步骤执行：

利用第一特征提取模型对图像信息状态检测参考数据进行特征提取，得到钢轨表面图像特征信息；利用第二特征提取模型对噪声值状态检测参考数据进行特征提取，得到噪声特征信息；利用第三特征提取模型对加速度值状态检测参考数据进行特征提取，得到加速度特征信息。

在本发明实施例中，第一特征提取模型、第二特征提取模型和第三特征提取模型，可以根据实际需求进行构建，分别用于对轨道线路的图像、噪声值和加速度值进行提取特征。

首先，特征提取应用深度学习的方式自动完成，并可针对不同轨道状态及条件进行调整。

需要说明的是，构建图像信息的第一特征提取模型，利用图像特征提取算子或深度神经网络提取钢轨表面图像，得到钢轨表面图像的特征向量或特征图，从而获得钢轨表面图像的特征描述。

对随机获取的一段轨道线路的噪声值确定轮轨噪声信号的特征，对轮轨噪声进行短时傅里叶变换，得到轮轨噪声的时频分布特征，构建噪声值的检测轨道状态算法模型，然后进行提取特征。应用深度学习方式对于随机获取的一段轨道线路的噪声值，噪声值里还包含其他大量的干扰噪声，需要对噪声信号进行盲源分离，保留轮轨噪声信号。

当车辆以正常速度通过轨道病害处时，会有明显的冲击性响应出现，均会引起轮轨系统的冲击响应，而且幅值较大。首先构建加速度值的检测轨道状态算法模型，然后对病害处的加速度响应数据进行时频分析，应用深度学习方式，根据时频分布提取特征。

之后，提取到的特征输入到机器分类器里，机器分类器运算得到识别为异常的概率，此概率得到最终病害识别结果的判断。可以将三类数据提取到的特征分别送入分类器计算概率，然后分类器输出的概率得到最终的病害识别结果。

用所述提取到的特征训练集中三种类别的轨道线路图像的综合特征向量输入至分类器，分类器进行计算概率；将提取的噪声特征，转换为特征矢量并输入到分类器中进行计算概率；将提取的加速度特征，转换为特征矢量并输入到分类器中，先进行计算概率，其后三类数据因子获得到异常的概率，最后分类器输出的概率得到的病害识别结果。

在一个实施例中，利用数据集信息训练轨道状态检测模型，可以按照如下步骤执行：

利用数据集信息对轨道状态检测模型进行训练，得到待检验轨道状态检测模型；利用验证数据检验待检验轨道状态检测模型，根据验证结果确定训练完成后的轨道状态检测模型。

在本发明实施例中，用病害区域训练集中三个不同种类的轨道线路图像的综合特征向量和病害标签搭建训练数据集，再输入至算法模型进行训练；将训练好的算法模型用已知轨道线路状态的数据进行测试，对三种轨道病害类别的轨道线路图像进行识别，根据识别结果验证训练好的算法模型，最后得到训练好的检测模型。用病害区域训练集中三种不同类别的轨道线路噪声的时频分布的特征和病害标签输入至算法模型进行训练，最后将算法模型中的分类结果与实际值进行比对。若结果正确，则结束噪声轨道病害模型训练；否则，将调整算法继续训练。先用病害区域训练集中三个不同种类的轨道线路加速度响应频率的特征和病害标签输入至算法模型进行训练，最后将算法模型中的识别测试结果与实际值进行比对。若结果正确，则结束加速度检测模型的轨道病害训练；否则，将调整算法继续训练。

参见图2所示的基于深度学习的多源数据融合的轨道状态检测方法实施步骤示意图，下面对图2中各步骤执行情况进行如下举例说明：

步骤S202，随机获取一段轨道线路的图像信息、噪声值和加速度值。

随机获取一段长度为100KM的轨道线路的图像信息、噪声值和加速度值；

对于随机获取轨道线路表面的图像信息，是利用目前比较成熟的线阵扫描相机获取的，此次一共获得10000张图像；

对于获取轨道线路的噪声值，其实更准确的来说是获取轨道线路上运行列车的转向架噪声数据。正是利用噪声传感器(噪声传感器是由于传感器内置一个对声音敏感的电容式驻极体话筒，它用来接收声波，显示声音的振动图像)获取了100KM长度内的噪声声波信息；

因为直接获取轨道线路的钢轨加速度值数据存在一些问题，所以利用列车在轨道线路上行驶的过程当中，轨道不平顺会引起列车震动，震动会通过车轮传递给轴箱，通常在列车的右侧轴箱上安装一个能测量垂直方向上的加速度传感器，在其左侧轴箱上安装一个能测量垂直方向和横向方向上(规定列车前进的方向为纵向方向)的加速度传感器，获取列车轴箱在上述同一线路100KM长度内的加速度值。

S204，对随机获取的一段轨道线路的图像信息、噪声值和加速度值，选取病害区域和正常区域进行标注得到包含的轨道线路状态三种类别数据的数据集。

随机获取100KM长度内的轨道线路的图像信息、噪声值和加速度值，选取病害区域和正常区域进行标注得到包含的轨道线路状态三种类别数据的数据集；

对获取到的100KM长度内的轨道线路图像信息的实际情况与钢轨病害的定义进行对比，将采集到的轨道线路病害区域图像大致分为三类：钢轨磨耗的图像采集到1900张、钢轨顶面剥落掉块的图像采集到78张、钢轨轨缝的图像采集到400张，最后剩余的为正常区域的图像采集到97622张；

对获取到的100KM长度内的轨道线路的噪声值的噪声频率与钢轨病害区域图像的三类进行一一对比，同样的，将采集到的轨道线路噪声频率数据分为三类：钢轨磨耗、钢轨顶面剥落掉块和钢轨轨缝；

对获取到的100KM长度内的轨道线路的加速度值的加速度响应频率与钢轨病害区域图像的三类进行一一对比，同样的，将采集到的轨道线路加速度响应频率数据分为三类：钢轨磨耗、钢轨顶面剥落掉块和钢轨轨缝；

步骤S206，构建多源数据特征提取模型，模型对轨道线路的图像、噪声值和加速度值进行提取特征。

对获取到的100KM长度内的轨道线路的图像、噪声值和加速度值构建多源数据融合的检测轨道状态算法模型，对轨道线路的图像、噪声值和加速度值进行提取特征；

首先构建算法模型，再利用图像特征提取算子或深度神经网络提取钢轨表面图像，得到钢轨表面图像的特征向量或特征图，从而获得钢轨表面图像的特征描述；

对获取到的100KM长度内轨道线路的噪声值还包含其他大量的干扰噪声，需要对噪声信号进行盲源分离，保留轮轨噪声信号。再对轮轨噪声进行短时傅里叶变换，得到轮轨噪声的时频分布特征，然后进行提取特征；

当车辆以正常速度通过轨道病害处时，会有明显的冲击性响应出现，均会引起轮轨系统的冲击响应，而且幅值较大。对病害处的加速度响应数据进行时频分析，根据时频分布提取特征。

步骤S208，提取到的特征输入到机器分类器里，机器分类器运算得到识别为异常的概率，此概率得到最终病害识别结果的判断。

首先，步中骤S208的采用机器分类器采用通用的SVM分类初始模型进行训练学习得到SVM分类器为：以图像提取的特征为图像训练样本，采用图像提取的特征样本对SVM分类初始模型进行学习训练，将学习训练结果和实际图像进行比对，直图像提取的特征到学习训练的均方误差达到期望值，得到图像SVM分类器；以噪声值提取的特征为噪声值训练样本，采用噪声值提取的特征训练样本对SVM分类初始模型进行学习训练，将学习训练结果和噪声值特征进行比对，直到学习训练的均方误差达到期望值，得到噪声值SVM分类器；以加速度值提取的特征训练样本，采用加速度值提取的特征训练样本对SVM分类初始模型进行学习训练，将学习训练结果和加速度值特征进行比对，直到学习训练的均方误差达到期望值，得到加速度值SVM分类器；从而得到用于检测轨道状态参数的SVM分类器。

在上一步获取的检测轨道状态参数的SVM分类器的基础上，通过深度学习来完成目标数据集的分类，将目标数据集划分为正常状态检测参考数据和非正常状态检测参考数据，保留非正常状态检测参考数据，得到最终病害识别结果的判断。

步骤S210，利用上述得到的数据集对多源数据融合的轨道状态检测算法模型进行训练，得到训练完成后的基于多源数据融合的轨道状态检测模型。

进行训练，得到训练完成后的基于多源数据融合的轨道状态检测模型；

利用数据集对轨道线路图像的轨道状态检测算法模型进行训练，得到训练好的轨道线路图像的轨道状态检测模型，包括：

用病害区域训练集中三个不同种类的轨道线路图像的综合特征向量和病害标签搭建训练数据集，再输入至算法模型进行训练；

将训练好的算法模型用已知轨道线路状态的数据进行测试，对三种轨道病害类别的轨道线路图像进行识别，根据识别结果验证训练好的算法模型，最后得到训练好的图像检测模型。

用病害区域训练集中三种不同类别的轨道线路噪声的时频分布的特征和病害标签输入至算法模型进行训练，

训练结果验证：将算法模型中的分类结果与实际值进行比对。若结果正确，则结束噪声轨道病害模型训练；否则，将调整算法继续训练。

首先用病害区域训练集中三个不同种类的轨道线路加速度响应频率的特征和病害标签输入至算法模型进行训练。

训练结果验证：将算法模型中的识别测试结果与实际值进行比对。若结果正确，则结束加速度检测模型的轨道病害训练；否则，将调整算法继续训练。

最后，利用训练好的基于多源数据融合的轨道状态检测模型对待检测轨道线路进行轨道状态的检测。

通过对待测轨道线路采集到的三种数据的特性进行分析，提出了基于加速度、噪声和图像融合的轨道线路状态的诊断方法。该方法通过对振动、噪声数据和图像的多源数据，最终的得到了利用多种数据联合评判轨道线路状态的方法。相对于单一的数据源，该方法采用了轮轨振动、噪声和钢轨表面信息特征等多种类型的数据，可以在病害发生的早期进行诊断，也可以在日常的检测中提供准确的数据，提升工作效率，更有利于以后制定的维护方案。

本发明提供了一种基于深度学习的多源数据融合的轨道状态检测方法及装置，该方法使用了图像信息、噪声值和加速度值与三种模态的信号对轨道状态进行检测，相对于使用单一信号源能更有效的提取隐含在数据中具有识别能力的特征，能够更加彻底地检测轨道线路的病害；基于对列车轴箱加速度的检测不能够完全的捕捉到钢轨前期细微的特性的变化，本发明通过采集轮轨噪声值，可以针对部分病害在萌生期会产生较明显的振动噪声，对噪声值进行特征提取，可以对轨道状态的变化趋势更好的掌握；本发明所叙述的检测方法准确度较高，检测完成之后就能得到轨道准确的病害信息，减少工务段人员现场复核，提高工作效率，更有利于制定详细的维护方案。

本发明实施例中还提供了一种基于深度学习的多源数据融合的轨道状态检测装置，如下面的实施例所述。由于该装置解决问题的原理与轨道状态检测方法相似，因此该装置的实施可以参见基于深度学习的多源数据融合的轨道状态检测方法的实施，重复之处不再赘述。参见图3所示的轨道状态检测装置结构框图，该装置包括：

获取模块31，用于获取目标轨道线路的数据集信息；数据集信息包括目标轨道线路的多种类型状态检测参考数据以及多种类型状态检测参考数据对应的轨道线路状态数据；特征模块32，用于利用特征提取模型对数据集信息进行特征提取，得到特征信息；参数模块33，用于根据特征信息和机器分类器计算轨道状态参数，并根据轨道状态参数确定轨道状态检测模型；训练模块34，用于利用数据集信息训练轨道状态检测模型；预测模块35，用于根据训练完成后的轨道状态检测模型生成轨道状态检测结果。

在一个实施例中，获取模块，具体用于：随机获取目标轨道线路的图像信息状态检测参考数据、噪声值状态检测参考数据和加速度值状态检测参考数据；根据图像信息状态检测参考数据、噪声值状态检测参考数据和加速度值状态检测参考数据，确定轨道线路状态数据。

在一个实施例中，参见图4所示的特征模块结构框图，特征模块，包括：第一提取单元41，用于利用第一特征提取模型对图像信息状态检测参考数据进行特征提取，得到钢轨表面图像特征信息；第二提取单元42，用于利用第二特征提取模型对噪声值状态检测参考数据进行特征提取，得到噪声特征信息；第三提取单元43，用于利用第三特征提取模型对加速度值状态检测参考数据进行特征提取，得到加速度特征信息。

在一个实施例中，训练模块，具体用于：利用数据集信息对轨道状态检测模型进行训练，得到待检验轨道状态检测模型；利用验证数据检验待检验轨道状态检测模型，根据验证结果确定训练完成后的轨道状态检测模型。

基于同一发明构思，本发明实施例中还提供了一种用于实现上述基于深度学习的多源数据融合的轨道状态检测方法中的全部或部分内容的电子设备实施例。该电子设备具体包含有如下内容：

处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现相关设备之间的信息传输；该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照实施例用于实现上述基于深度学习的多源数据融合的轨道状态检测方法的实施例及用于实现上述基于深度学习的多源数据融合的轨道状态检测装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。

图5为本发明实施例中提供的一种电子设备的系统组成结构示意图。如图5所示，该电子设备70可以包括处理器701和存储器702；存储器702耦合到处理器701。值得注意的是，该图5是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

在一个实施例中，基于深度学习的多源数据融合的轨道状态检测方法实现的功能可以被集成到处理器701中。其中，处理器701可以被配置为进行如下控制：

获取目标轨道线路的数据集信息；数据集信息包括目标轨道线路的多种类型状态检测参考数据以及多种类型状态检测参考数据对应的轨道线路状态数据；利用特征提取模型对数据集信息进行特征提取，得到特征信息；根据特征信息和机器分类器计算轨道状态参数，并根据轨道状态参数确定轨道状态检测模型；利用数据集信息训练轨道状态检测模型；根据训练完成后的轨道状态检测模型生成轨道状态检测结果。

由上可知，本发明的实施例中提供的电子设备，可以融合多种类型状态检测参考数据，基于深度学习，实时、准确的获取轨道病害信息。

在另一个实施例中，轨道状态检测装置可以与处理器701分开配置，例如可以将轨道状态检测装置配置为与处理器701连接的芯片，通过处理器的控制来实现基于深度学习的多源数据融合的轨道状态检测方法的功能。

如图5所示，该电子设备70还可以包括：通信模块703、输入单元704、音频处理单元705、显示器706、电源707。值得注意的是，电子设备70也并不是必须要包括图5中所示的所有部件；此外，电子设备70还可以包括图5中没有示出的部件，可以参考现有技术。

如图5所示，处理器701有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该处理器701接收输入并控制电子设备70的各个部件的操作。

其中，存储器702，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且处理器701可执行该存储器702存储的该程序，以实现信息存储或处理等。

输入单元704向处理器701提供输入。该输入单元704例如为按键或触摸输入装置。电源707用于向电子设备70提供电力。显示器706用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器702可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器702还可以是某种其它类型的装置。存储器702包括缓冲存储器7021(有时被称为缓冲器)。存储器702可以包括应用/功能存储部7022，该应用/功能存储部7022用于存储应用程序和功能程序或用于通过处理器701执行电子设备70的操作的流程。

存储器702还可以包括数据存储部7023，该数据存储部7023用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器702的驱动程序存储部7024可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块703即为经由天线708发送和接收信号的发送机/接收机。通信模块(发送机/接收机)703耦合到处理器701，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块703，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)703还经由音频处理单元705耦合到扬声器709和麦克风710，以经由扬声器709提供音频输出，并接收来自麦克风710的音频输入，从而实现通常的电信功能。音频处理单元705可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理单元705还耦合到处理器701，从而使得可以通过麦克风710能够在本机上录音，且使得可以通过扬声器709来播放本机上存储的声音。

本发明的实施例中还提供了一种用于实现上述实施例中基于深度学习的多源数据融合的轨道状态检测方法中全部步骤的一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的基于深度学习的多源数据融合的轨道状态检测方法的全部步骤，例如，该处理器执行该计算机程序时实现下述步骤：

获取目标轨道线路的数据集信息；数据集信息包括目标轨道线路的多种类型状态检测参考数据以及多种类型状态检测参考数据对应的轨道线路状态数据；利用特征提取模型对数据集信息进行特征提取，得到特征信息；根据特征信息和机器分类器计算轨道状态参数，并根据轨道状态参数确定轨道状态检测模型；利用数据集信息训练轨道状态检测模型；根据训练完成后的轨道状态检测模型生成轨道状态检测结果。

由上可知，本发明的实施例中提供的计算机可读存储介质，可以融合多种类型状态检测参考数据，基于深度学习，实时、准确的获取轨道病害信息。

虽然本发明提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。可单独使用本发明的每个方面和/或实施例，或者与一个或更多其他方面和/或其他实施例结合使用。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (6)

1.一种基于深度学习的多源数据融合的轨道状态检测方法，其特征在于，包括：

获取目标轨道线路的数据集信息；所述数据集信息包括所述目标轨道线路的多种类型状态检测参考数据以及所述多种类型状态检测参考数据对应的轨道线路状态数据；

利用特征提取模型对所述数据集信息进行特征提取，得到特征信息；

根据所述特征信息和机器分类器计算轨道状态参数，并根据所述轨道状态参数确定轨道状态检测模型；

利用所述数据集信息训练所述轨道状态检测模型；

根据训练完成后的轨道状态检测模型生成轨道状态检测结果；

其中，获取目标轨道线路的数据集信息，包括：

随机获取目标轨道线路的图像信息状态检测参考数据、噪声值状态检测参考数据和加速度值状态检测参考数据；

根据所述图像信息状态检测参考数据、噪声值状态检测参考数据和加速度值状态检测参考数据，确定轨道线路状态数据；

其中，利用特征提取模型对所述数据集信息进行特征提取，包括：

利用第一特征提取模型对所述图像信息状态检测参考数据进行特征提取，得到钢轨表面图像特征信息；

利用第二特征提取模型对所述噪声值状态检测参考数据进行特征提取，得到噪声特征信息；

利用第三特征提取模型对所述加速度值状态检测参考数据进行特征提取，得到加速度特征信息。

2.根据权利要求1所述的方法，其特征在于，利用所述数据集信息训练所述轨道状态检测模型，包括：

利用所述数据集信息对所述轨道状态检测模型进行训练，得到待检验轨道状态检测模型；

利用验证数据检验所述待检验轨道状态检测模型，根据验证结果确定训练完成后的轨道状态检测模型。

3.一种基于深度学习的多源数据融合的轨道状态检测装置，其特征在于，包括：

获取模块，用于获取目标轨道线路的数据集信息；所述数据集信息包括所述目标轨道线路的多种类型状态检测参考数据以及所述多种类型状态检测参考数据对应的轨道线路状态数据；

特征模块，用于利用特征提取模型对所述数据集信息进行特征提取，得到特征信息；

参数模块，用于根据所述特征信息和机器分类器计算轨道状态参数，并根据所述轨道状态参数确定轨道状态检测模型；

训练模块，用于利用所述数据集信息训练所述轨道状态检测模型；

预测模块，用于根据训练完成后的轨道状态检测模型生成轨道状态检测结果；

所述获取模块，具体用于：

随机获取目标轨道线路的图像信息状态检测参考数据、噪声值状态检测参考数据和加速度值状态检测参考数据；

根据所述图像信息状态检测参考数据、噪声值状态检测参考数据和加速度值状态检测参考数据，确定轨道线路状态数据；

其中，所述特征模块，包括：

第一提取单元，用于利用第一特征提取模型对所述图像信息状态检测参考数据进行特征提取，得到钢轨表面图像特征信息；

第二提取单元，用于利用第二特征提取模型对所述噪声值状态检测参考数据进行特征提取，得到噪声特征信息；

第三提取单元，用于利用第三特征提取模型对所述加速度值状态检测参考数据进行特征提取，得到加速度特征信息。

4.根据权利要求3所述的装置，其特征在于，所述训练模块，具体用于：

利用所述数据集信息对所述轨道状态检测模型进行训练，得到待检验轨道状态检测模型；

利用验证数据检验所述待检验轨道状态检测模型，根据验证结果确定训练完成后的轨道状态检测模型。

5.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至2任一所述基于深度学习的多源数据融合的轨道状态检测方法。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至2任一所述基于深度学习的多源数据融合的轨道状态检测方法。