CN114841995B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114841995B CN114841995B CN202210621627.3A CN202210621627A CN114841995B CN 114841995 B CN114841995 B CN 114841995B CN 202210621627 A CN202210621627 A CN 202210621627A CN 114841995 B CN114841995 B CN 114841995B
- Authority
- CN
- China
- Prior art keywords
- damage
- equipment
- railway roadbed
- shielding
- roadbed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 201000010099 disease Diseases 0.000 claims abstract description 57
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000001681 protective effect Effects 0.000 claims abstract description 13
- 239000012535 impurity Substances 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000003902 lesion Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000013139 quantization Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000007547 defect Effects 0.000 claims description 5
- 238000005336 cracking Methods 0.000 claims description 4
- 239000004570 mortar (masonry) Substances 0.000 claims description 4
- 239000011435 rock Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims description 3
- 238000000746 purification Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 208000033999 Device damage Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明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。
Description
技术领域
本发明涉及铁路路基工程灾害智能评估技术领域，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。
背景技术
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。
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。
发明内容
针对现有技术中的上述不足，本发明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。
为了达到上述发明目的，本发明采用的技术方案为：
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：
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。
可选地，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。
可选地，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。
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：
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。
可选地，所述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具体包括：
将除杂后的铁路路基挡护设备的服役状态图像进行损伤区域标注，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。
可选地，所述路基坡体服役状态归类损失函数具体为：
其中，λcoord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。
可选地，步骤S4具体包括：
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；
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；
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；
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；
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；
按照损伤类型分别计算各种损伤类型的损伤区域总面积；
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。
可选地，步骤S5具体包括：
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；
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；
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：
其中，xi为铁路路基挡护设备损伤病害占有率ηi对应的铁路路基挡护设备损伤程度等级分数，xa为铁路路基挡护设备损伤病害占有率ηa对应的铁路路基挡护设备损伤程度等级分数，xb为铁路路基挡护设备损伤病害占有率ηb对应的铁路路基挡护设备损伤程度等级分数。
可选地，步骤S6具体包括：
判断铁路路基挡护设备损伤病害占有率是否超过第一阈值；
若是，则将铁路路基挡护设备病害权重设置为第一权重；
否则，构建铁路路基挡护设备损伤类型之间的相对严重程度矩阵，采用下式计算铁路路基挡护设备病害权重：
其中，αi为铁路路基挡护设备病害权重，aij为相对严重程度矩阵元素，k为起始计数，r为病害类型数量；
根据特征值计算公式Bα＝λB计算矩阵B的最大特征值λmax，计算
判断R是否小于设定阈值；若是，则计算结束，得到铁路路基挡护设备病害权重αi；否则重新对相对严重程度矩阵元素进行调整赋值，重新计算权重。
可选地，步骤S7具体包括：
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，采用下式对铁路路基挡护设备服役状态进行评估：
其中，Q为铁路路基挡护设备服役状态评估值，αi为铁路路基挡护设备病害权重，xi为铁路路基挡护设备损伤病害占有率ηi对应的铁路路基挡护设备损伤程度等级分数，L为病害类型数目。
本发明具有以下有益效果：
本发明相比于传统的人工巡检评估方法，能够广泛的应用于各类挡护设备的地灾评估场景中，可以对模糊图片中的噪声及误差特征进行消除，且本发明所采用的深度学习模型具有检测速度快、检测精度高的优点，这也意味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。
附图说明
图1为本发明实施例中的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的流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
本发明提出了一种铁路挡护设备服役状态快速评估方法，可使用站点人工拍照、监测摄像头以及无人机等进行铁路沿线挡护设备的快速巡检及评估，巡检结束后，将铁路路基挡护设备图片及图像数据进行降噪处理，然后将处理过的照片导入预先做好的图像处理引擎，进行快速分类与分级，并根据分类结果进行损伤区域面积计算和统计，以此进行铁路路基挡护设备损伤程度划级，最后根据铁路路基损伤程度级别进行服役状态评估，给出铁路路基挡护设备评分及所处状态。
如图1所示，本发明实施例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，包括以下步骤S1至S7：
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；
在本发明的一个可选实施例中，本发明的步骤S1通过多源途经采集评估区域铁路路基挡护设备的服役状态图像。其中所采用的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。
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；
在本发明的一个可选实施例中，本发明的步骤S2针对路基挡护设备的具体损伤模式，根据铁路路基行车安全程度，进行损伤类型的分类。路基挡护设备包括重力式浆砌片石挡土墙、路堑浆砌片石护坡墙、桩板式挡土墙、混凝土骨架护坡、锚杆框架梁护坡；根据异物侵限的安全警戒范围，估算挡护设备在极端天气与地质活跃状态下是否侵入轨道结构线中，将其进行类型预设，将其划分为5类，具体包括：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。
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；
在本发明的一个可选实施例中，本发明的步骤S3根据采集获取的挡护设备服役状态图像信息，基于深度学习框架进行路基挡墙图像的除杂质处理与损伤类型判别，并进行分类存储。
本发明对采集的铁路路基挡护设备的服役状态图像进行除杂去噪，具体包括：
首先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，例如可以选取3*3像素点大小的区域作为参照块；
然后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，例如在参照块周围9*9像素点范围使用栅格扫描的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，一次平移3列，直至铺满整幅图像；
然后计算参照块和相似块之间的匹配误差，计算公式为：
其中，Υ′为铁路路基挡护设备损伤图片块间上限操作，ZxR为参照块坐标，Zx为相似块坐标，
为相应的可分离二维正交变换，
为参考块的大小，即像素长度；得到不同相似块之间的匹配误差后，通过设置匹配误差阈值将超出设定匹配误差阈值的相似块删除，从而去除铁路路基挡护设备图像中的噪声点；
然后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，计算公式为：
其中，I0为贝塞尔函数，n为像素点相对于块中心的距离，Γ为控制函数值K(n)衰减的参数，A为像素点相对于图像中心的距离；
最后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，表示为
其中，
为最终铁路路基挡墙净化像素信息；
为铁路路基挡护设备损伤图片中相似块的权重；
为经过处理后的相似块集合；
为处理后的参考块集合；X为待处理图像的区域；xR为参照块；xm为相似块；
为参照块坐标集合。
本发明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具体包括：
首先将除杂后的铁路路基挡护设备的服役状态图像进行损伤区域标注，标注形状为长方形，标注类型与损伤类型一致；并将标注后的服役状态图像划分为训练集和验证集；例如可以将铁路路基挡护设备标注图片的80％作为训练集，20％作为验证集，训练集和验证集组成铁路路基挡护设备的损伤数据集；
然后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，并设置迭代次数，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；
然后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；
其中路基坡体服役状态归类损失函数具体为：
其中，λcoord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。
最后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。
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；
在本发明的一个可选实施例中，本发明的步骤S4采用损伤面积计算方法，对不同路基挡护设备损伤类型进行圈定，计算坡体受损区域像素投影占有率，对其占有率结果进行概率统计分析，输出计算结果。
本发明的步骤S4具体包括：
首先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；
然后采用路基挡护设备损伤的聚类方式，即损伤像素点记为0，正常像素记为1，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；其中完整良好区域用黑色点表示，损伤区域用白色点表示；
然后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；
然后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，计算公式为：
其中，D为像素网格的边长，m为路基坡面损毁的网格填充个数；即为铁路路基挡护设备损伤区域图像中面积。
然后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；
然后按照损伤类型分别计算各种损伤类型的损伤区域总面积；
最后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，计算公式为：
其中，S总损为各个损伤类型的损伤区域总面积，S挡护设备为铁路路基挡护设备的总面积。
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；
在本发明的一个可选实施例中，本发明的步骤S5具体包括：
首先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；即根据损伤区域占比计算5类路基挡护设备各自的严重程度，划分4个量化级别；
然后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；即病害占有率η＝0.8，则对于量化等级分数取值为x＝80分；病害占有率η＝0.6，则对于量化等级分数取值为x＝60分；病害占有率η＝0.4，则对于量化等级分数取值为x＝40分；病害占有率η＝0.2，则对于量化等级分数取值为x＝20分；
然后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：
其中，xi为铁路路基挡护设备损伤病害占有率ηi对应的铁路路基挡护设备损伤程度等级分数，xa为铁路路基挡护设备损伤病害占有率ηa对应的铁路路基挡护设备损伤程度等级分数，xb为铁路路基挡护设备损伤病害占有率ηb对应的铁路路基挡护设备损伤程度等级分数，ηa＜ηi＜ηb。
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；
在本发明的一个可选实施例中，本发明的步骤S6具体包括：
判断铁路路基挡护设备损伤病害占有率是否超过第一阈值；
若是，则将铁路路基挡护设备病害权重设置为第一权重；即当每类病害占有率超过临界阈值时，该类型病害对应的权重升级；权重升级具体为当所评估挡护设备某类病害占有率超过0.4，将此类病害的占有权重设置为0.9；
否则，构建铁路路基挡护设备损伤类型之间的相对严重程度矩阵，即构造墙体上方危岩落石、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5类病害的相对严重程度矩阵
其中
采用下式计算铁路路基挡护设备病害权重：
其中，αi为铁路路基挡护设备病害权重，aij为相对严重程度矩阵元素，k为起始计数，r为病害类型数量；
根据特征值计算公式Bα＝λB计算矩阵B的最大特征值λmax，计算
判断R是否小于设定阈值；若是，则计算结束，得到铁路路基挡护设备病害权重αi；否则重新对相对严重程度矩阵元素进行调整赋值，重新计算权重。
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。
在本发明的一个可选实施例中，本发明的步骤S7根据挡护设备病害权重计算与级别划分，来进行服役状态的快速评估计算，给出评价长区段路基挡护设备的稳定状态。
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，采用下式对铁路路基挡护设备服役状态进行评估：
其中，Q为铁路路基挡护设备服役状态评估值，αi为铁路路基挡护设备病害权重，xi为铁路路基挡护设备损伤病害占有率ηi对应的铁路路基挡护设备损伤程度等级分数，L为病害类型数目。
当铁路路基挡护设备每类病害占有率超过0.4时，对铁路工务维修养护人员发布危险提示信息，及时安排作业；对于铁路路基挡护设备服役状态综合得分取值超过60分时，则对该区段铁路路基挡护设备健康状态进行红色预警，提示工务人员进行抢险加固。
本发明相比于传统的人工巡检评估方法，能够广泛的应用于各类挡护设备的地灾评估场景中，可以对模糊图片中的噪声及误差特征进行消除，且本发明所采用的深度学习模型具有检测速度快、检测精度高的优点，这也意味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。
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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (10)
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，所述将采集的铁路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具体包括：
将除杂后的铁路路基挡护设备的服役状态图像进行损伤区域标注，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，λcoord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；Pi j(c)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。
7.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，步骤S4具体包括：
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；
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；
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；
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；
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；
按照损伤类型分别计算各种损伤类型的损伤区域总面积；
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。
8.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，步骤S5具体包括：
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；
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；
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：
其中，xi为铁路路基挡护设备损伤病害占有率ηi对应的铁路路基挡护设备损伤程度等级分数，xa为铁路路基挡护设备损伤病害占有率ηa对应的铁路路基挡护设备损伤程度等级分数，xb为铁路路基挡护设备损伤病害占有率ηb对应的铁路路基挡护设备损伤程度等级分数。
9.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，步骤S6具体包括：
判断铁路路基挡护设备损伤病害占有率是否超过第一阈值；
若是，则将铁路路基挡护设备病害权重设置为第一权重；
否则，构建铁路路基挡护设备损伤类型之间的相对严重程度矩阵，采用下式计算铁路路基挡护设备病害权重：
其中，αi为铁路路基挡护设备病害权重，αij为相对严重程度矩阵元素，k为起始计数，r为病害类型数量；
根据特征值计算公式Bα＝λB计算矩阵B的最大特征值λmax，计算
判断R是否小于设定阈值；若是，则计算结束，得到铁路路基挡护设备病害权重αi；否则重新对相对严重程度矩阵元素进行调整赋值，重新计算权重。
10.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，步骤S7具体包括：
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，采用下式对铁路路基挡护设备服役状态进行评估：
其中，Q为铁路路基挡护设备服役状态评估值，αi为铁路路基挡护设备病害权重，xi为铁路路基挡护设备损伤病害占有率ηi对应的铁路路基挡护设备损伤程度等级分数，L为病害类型数目。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210621627.3A CN114841995B (zh) | 2022-06-02 | 2022-06-02 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210621627.3A CN114841995B (zh) | 2022-06-02 | 2022-06-02 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114841995A CN114841995A (zh) | 2022-08-02 |
| CN114841995B true CN114841995B (zh) | 2023-04-07 |
Family
ID=82573891
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210621627.3A Active CN114841995B (zh) | 2022-06-02 | 2022-06-02 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114841995B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116309552B (zh) * | 2023-05-12 | 2023-08-29 | 西南交通大学 | 既有线老旧挡墙的健康状态评估方法、装置、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110533640A (zh) * | 2019-08-15 | 2019-12-03 | 北京交通大学 | 基于改进YOLOv3网络模型的轨道线路病害辨识方法 |
| CN113674216A (zh) * | 2021-07-27 | 2021-11-19 | 南京航空航天大学 | 一种基于深度学习的地铁隧道病害检测方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102133631B1 (ko) * | 2018-03-28 | 2020-07-13 | 박창진 | 철도 선로의 손상 평가 기능을 가지는 스마트 침목 |
| CN110009610A (zh) * | 2019-03-27 | 2019-07-12 | 仲恺农业工程学院 | 一种水库大坝护坡表面损伤视觉检测方法及仿生装置 |
| CN110031477B (zh) * | 2019-04-04 | 2021-01-01 | 华设设计集团股份有限公司 | 基于图像监控数据的桥梁关键构件病害预警系统及方法 |
| CN110717464B (zh) * | 2019-10-15 | 2022-03-22 | 中国矿业大学(北京) | 一种基于雷达数据的铁路路基病害智能识别方法 |
| CN110986873B (zh) * | 2019-11-30 | 2022-02-08 | 西南交通大学 | 高速铁路工程服役状态预警指标获取方法 |
| JP7076932B1 (ja) * | 2021-03-02 | 2022-05-30 | 中日本高速道路株式会社 | 舗装健全度評価方法 |
| CN114169404A (zh) * | 2021-11-16 | 2022-03-11 | 广东工业大学 | 一种基于图像智能获取边坡病害量化信息方法 |
-
2022
- 2022-06-02 CN CN202210621627.3A patent/CN114841995B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110533640A (zh) * | 2019-08-15 | 2019-12-03 | 北京交通大学 | 基于改进YOLOv3网络模型的轨道线路病害辨识方法 |
| CN113674216A (zh) * | 2021-07-27 | 2021-11-19 | 南京航空航天大学 | 一种基于深度学习的地铁隧道病害检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114841995A (zh) | 2022-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101926561B1 (ko) | 블랙박스 영상을 이용한 딥러닝 기반의 패치 단위 도로 크랙 검출 장치 및 그 방법, 그리고 이 방법을 실행시키기 위해 컴퓨터가 판독 가능한 기록매체에 저장된 컴퓨터 프로그램 | |
| CN111241959B (zh) | 一种通过工地视频流检测未佩戴安全帽人员的方法 | |
| CN104599249B (zh) | 缆索承重桥梁桥面车辆载荷分布实时检测方法 | |
| CN111091110B (zh) | 一种基于人工智能的反光背心穿戴识别方法 | |
| Yusof et al. | Crack detection and classification in asphalt pavement images using deep convolution neural network | |
| CN112633722B (zh) | 车载道路安全风险评估系统及方法 | |
| CN109448365A (zh) | 一种跨尺度空基平台区域道路交通系统综合监视方法 | |
| AU2019249431B2 (en) | System and method for early identification and monitoring of defects in transportation infrastructure | |
| CN114248819B (zh) | 基于深度学习的铁路侵限异物无人机检测方法、装置及系统 | |
| CN117058845A (zh) | 基于评估函数训练的高速公路高边坡滑坡灾害预警方法 | |
| CN114841995B (zh) | 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 | |
| CN111126802A (zh) | 基于人工智能的高速公路检查评价方法及系统 | |
| CN111127465A (zh) | 一种桥梁检测报告自动生成方法及系统 | |
| CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
| CN117474870B (zh) | 一种基于大数据筛选的公路路面裂缝识别决策方法及系统 | |
| CN117077452B (zh) | 一种道路使用寿命综合评估方法、电子设备及存储介质 | |
| Dong et al. | Intelligent segmentation and measurement model for asphalt road cracks based on modified mask R-CNN algorithm | |
| CN117612109A (zh) | 一种铁路行车轨道范围内非特定异物侵限的分步检测方法 | |
| CN117670791A (zh) | 基于多尺度融合策略和改进YOLOv5的道路病害检测方法及装置 | |
| CN117078045A (zh) | 一种交通基础设施全息检监测方法及系统 | |
| CN116579608A (zh) | 一种道桥工地台风预警期安全防控方法及系统 | |
| CN113361968B (zh) | 基于人工智能和大数据的电网基建人员安全风险评估方法 | |
| CN115575400A (zh) | 一种天地一体化公路检测系统及方法 | |
| Kamari et al. | Semantic detection of potential wind-borne debris in construction jobsites: Digital twining for hurricane preparedness and jobsite safety | |
| Ramachandraiah et al. | Evaluation of Pavement Surface Distress Using Image Processing and Artificial Neural Network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |