一种基于PCNN与深度学习的钢轨表面检测方法

技术领域

本发明涉及机器视觉图像处理领域，具体涉及一种基于PCNN与深度学习的钢轨表面检测方法。

背景技术

目前，由于技术设备智能化较低和置换成本高，国内铁路养护依然以人工巡检为主，不仅效率低下、人力成本大，而且依靠人力对伤损检测的误报率和漏检率高。其次，钢轨表面受光照、列车机械震动等不良工况条件的影响，使得基于机器视觉的钢轨表面缺陷检测出的图像依然会夹杂噪声，对识别工作造成干扰。再者，非接触式的检测装置如高清摄像头，其固定在探伤设备上的位置可能出现偏差，或者探伤设备在移动时的振动也可能使得摄像装置获得的图像角度存在偏差，最终都不利于钢轨表面缺陷检测的精确度。

综上，急需一种钢轨表面检测方法克服现有技术中效率低下、精确度也较低的问题。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于PCNN与深度学习的钢轨表面检测方法。

依据本发明的一个方面，提供了一种基于PCNN与深度学习的钢轨表面检测方法，包括：

对钢轨表面图像进行预处理，获取轨面图像和轨身图像；

将所述轨面图像和轨身图像代入基于PCNN的钢轨表面伤损检测模型中，获取钢轨表面的伤损区域图像；

使用钢轨伤损类型检测模型对钢轨表面的伤损区域图像进行检测，获得检测钢轨的伤损检测结果。

可选的，所述对钢轨表面图像进行预处理的方法，包括：

对钢轨表面图像使用背景检测模型识别钢轨表面图像中的背景部分和钢轨部分，

提取钢轨表面图像中的钢轨部分，对钢轨部分图像进行二值化处理，提取白色像素后得到钢轨轨面部分的像素点，根据钢轨轨面部分的像素点坐标，将钢轨表面图像分为轨面图像和轨身图像。

可选的，所述背景检测模型的建立方法包括：先采集不同钢轨表面图像并对所述钢轨表面图像中的背景部分和钢轨部分进行标注，之后使用标准后的钢轨表面图像进行训练得到。

可选的，所述基于PCNN的钢轨表面伤损检测模型的训练方法，包括：

对轨面图像和轨身图像的伤损情况进行标注，再将轨面图像和轨身图像中伤损部分进行聚类分析，根据聚类分析结果将伤损部分分割为若干部分，并分别标注各部分伤损的位置信息；

分别统计所述各部分伤损的像素数量，PCNN中的神经元数量等于所述各部分伤损的像素数量；伤损的检测过程组成每个神经元，且多个神经元排列成具有横向连接的单层网络，每个神经元接收半径内所有相邻神经元的链接输入，每个神经元只接收一个馈电输入，构成神经元图像，对神经元图像进行训练得到基于PCNN的钢轨表面伤损检测模型。

可选的，所述的钢轨表面检测方法还包括对伤损区域图像上噪声形成的区域进行检测，当噪声形成的区域面积小于设定阈值时进行删除操作，当噪声形成的区域面积大于或等于设定阈值时进行标记。

可选的，所述的钢轨表面检测方法还包括利用标记矩阵提取每个伤损区域，以获得伤损区域的精准位置。

可选的，所述的钢轨表面检测方法还包括对采集到的伤损区域图像进行特征提取，以确定伤损类型。

可选的，所述特征提取包括提取伤损区域图像的几何特征、形状特征、灰度特征。

可选的，所述伤损类型包括疤痕、擦伤。

可选的，所述钢轨伤损类型检测模型的建立方法包括根据不同伤损的伤损特征，使用基于YOLO模型进行训练得到。

依据本发明的又一方面，提供了一种电子设备，包括：存储器和处理器；

所述存储器用于存储程序指令；

所述处理器用于调用所述存储器中的程序指令执行任一项上述的钢轨表面检测方法。

依据本发明的又一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序指令，所述计算机程序指令被执行时，实现任一项上述的钢轨表面检测方法。

依据本发明的又一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现任一项所述的钢轨表面检测方法。

本发明的有益之处在于：本发明提供了一种基于PCNN与深度学习的钢轨表面检测方法，所述钢轨表面检测方法采用基于PCNN的钢轨表面伤损检测模型进行检测，PCNN框架与原有热力图回归框架相比，添加了一个定位子网和一个图结构姿态优化模块，原有的热力图回归网络得到一个粗略的定位结果，并采样一组建议关键点，称为引导点，而通过定位子网对每个引导点提取不同的视觉特征，再通过图结构位姿优化模块，探索引导点之间的关系，得到更准确的定位结果，实现精准的获取伤损区域图像。此外，本申请通过采用智能化检测，能够大大提升检测效率。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的一种基于PCNN与深度学习的钢轨表面检测方法流程示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

根据本发明一个实施例，提出了一种基于PCNN与深度学习的钢轨表面检测方法，包括：

S1、对钢轨表面图像进行预处理，获取轨面图像和轨身图像；

所述对钢轨表面图像进行预处理的方法，包括：

对钢轨表面图像使用背景检测模型识别钢轨表面图像中的背景部分和钢轨部分，其中，所述背景检测模型的建立方法包括：先采集不同钢轨表面图像并对所述钢轨表面图像中的背景部分和钢轨部分进行标注，之后使用标准后的钢轨表面图像进行训练得到；

提取钢轨表面图像中的钢轨部分，对钢轨部分图像进行二值化处理，提取白色像素后得到钢轨轨面部分的像素点，根据钢轨轨面部分的像素点坐标，将钢轨表面图像分为轨面图像和轨身图像。

S2、将所述轨面图像和轨身图像代入基于PCNN的钢轨表面伤损检测模型中，获取钢轨表面的伤损区域图像；

所述基于PCNN的钢轨表面伤损检测模型的训练方法，包括：

对轨面图像和轨身图像的伤损情况进行标注，再将轨面图像和轨身图像中伤损部分进行聚类分析，根据聚类分析结果将伤损部分分割为若干部分，并分别标注各部分伤损的位置信息；

分别统计所述各部分伤损的像素数量，PCNN中的神经元数量等于所述各部分伤损的像素数量；伤损的检测过程组成每个神经元，且多个神经元排列成具有横向连接的单层网络，每个神经元接收半径内所有相邻神经元的链接输入，具体实施中，每个神经元只接收一个馈电输入，构成神经元图像，对神经元图像进行训练得到基于PCNN的钢轨表面伤损检测模型。

在一些实施例中，所述钢轨表面检测方法还包括对伤损区域图像上噪声形成的区域进行检测，当噪声形成的区域面积小于设定阈值时进行删除操作，当噪声形成的区域面积大于或等于设定阈值时进行标记。进一步的，还利用标记矩阵提取每个伤损区域，以获得伤损区域的精准位置。

在一些实施例中，所述钢轨表面检测方法还包括对采集到的伤损区域图像进行特征提取，以确定伤损类型。具体的，所述特征提取包括提取伤损区域图像的几何特征、形状特征、灰度特征。其中，所述的几何特征，包括缺陷区域的周长、面积、质心、区域最小外接矩的长度和宽度；所述的形状特征包括矩形度、圆形度、长度比、方向、离心率；所述的灰度特征，包括区域的灰度均值、灰度方差、能量、熵。

不同类型的伤损图像间差异较大的特征选取为该类型伤损的伤损特征。其中，所述伤损类型包括疤痕、擦伤。

S3、使用钢轨伤损类型检测模型对钢轨表面的伤损区域图像进行检测，获得检测钢轨的伤损检测结果。所述伤损检测结果包括不同类型伤损的伤损区域面积。

所述钢轨伤损类型检测模型的建立方法包括根据不同伤损的伤损特征，使用基于YOLO模型进行训练得到。

基于上述钢轨表面检测方法，在一些实施例中，还提供了一种电子设备，包括：存储器和处理器；

所述存储器用于存储程序指令；

所述处理器用于调用所述存储器中的程序指令执行任一项上述的钢轨表面检测方法。

在一些实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序指令，所述计算机程序指令被执行时，实现任一项上述的钢轨表面检测方法。

在一些实施例中，还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现任一项所述的钢轨表面检测方法。

综上，本申请提供的钢轨表面检测方法通过采用基于PCNN的钢轨表面伤损检测模型进行检测，能够精准的获取伤损区域图像。此外，本申请通过采用智能化检测，能够大大提升检测效率。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个H桥子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一种基于PCNN与深度学习的钢轨表面检测方法的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。