一种基于卷积神经网络的钢轨支撑位分类方法及系统与流程

1.本发明涉及一种分类方法，尤其是一种基于卷积神经网络的钢轨支撑位分类方法及系统。


背景技术：

2.随着道路交通的高速发展，钢轨作为铁路运行的基础，保障列车运行的安全可靠，是铁路日常养护的重要工作。钢轨内部的伤损又是钢轨伤损的重中之中，也是保障钢轨安全运行工作中人工投入较多的部分。
3.目前，现有的钢轨探伤数据方式多是通过人工操作探伤小车以采集钢轨数据，回放人员使用b显图像，能知晓不同探头的出波特点，再结合自己的工作经验，检测出不同的伤损。然而，此种方式却无法检测出钢轨的复杂部位和出波问题。另外，人工b显读图的判伤方法缺少一个统一的、量化的专家经验知识库去保证判伤标准在细度上的一致性。由于缺少对出波的正常态的科学描述，从而使判伤工作存在严重依赖人为经验的差异化表现。


技术实现要素：

4.针对上述问题中存在的不足之处，本发明提供一种通过卷积神经网络可将钢轨的复杂部位和出波问题转化为可控的钢轨支撑位信息的一种基于卷积神经网络的钢轨支撑位分类方法及系统。
5.为实现上述目的，本发明提供一种基于卷积神经网络的钢轨支撑位分类方法，包括以下步骤：
6.s1、对原始多维度时序化钢轨数据进行预处理，以形成探头通道的结构化数据；
7.s2、卷积神经网络对探头通道的结构化数据进行分析后，以输出钢轨支撑位的分类结果。
8.上述的一种基于卷积神经网络的钢轨支撑位分类方法，其中，对原始多维度时序化钢轨数据进行训练或推断后，以形成探头通道的结构化数据。
9.上述的一种基于卷积神经网络的钢轨支撑位分类方法，其中，对原始多维度时序化钢轨数据进行训练，包括以下子步骤：
10.s11、对原始多维度时序化钢轨数据进行筛选后，对数据类型的人为标注支撑位片段；
11.s12、对人为标注后的支撑位片段数据进行矩阵处理，通过one-hot编码处理和加工后，形成探头通道的结构化数据。
12.上述的一种基于卷积神经网络的钢轨支撑位分类方法，其中，在步骤s11中，对原始多维度时序化钢轨数据进行筛选后，以60个步长为一个滑动窗口，对数据类型的人为标注。
13.上述的一种基于卷积神经网络的钢轨支撑位分类方法，其中，支撑位片段标注类型包括：支撑位加固位置、支撑位铝热焊位置、支撑位母材位置、支撑位道岔位置、支撑位尖
轨位置、支撑位噪声位置。
14.上述的一种基于卷积神经网络的钢轨支撑位分类方法，其中，对原始多维度时序化钢轨数据进行推断，包括以下子步骤：
15.s11`、将原始多维度时序化钢轨数据展开后，过滤掉无效数据，对保留后的有效数据进行定长截取；
16.s12`、对截取后的定长数据进行矩阵处理，通过one-hot编码处理和加工后，形成探头通道的结构化数据。
17.上述的一种基于卷积神经网络的钢轨支撑位分类方法，其中，原始多维度时序化钢轨数据是钢轨探伤小车所采集到的钢轨数据。
18.上述的一种基于卷积神经网络的钢轨支撑位分类方法，其中，在步骤s2中，卷积神经网络分为数据增广层、特征构建层与目标分类层，包括以下步骤：
19.s21、在数据增广层中，对数据进行变换，以将数据量在不同维度进行扩充；
20.s22、在特征构建层中，探头通道的结构化数据依次进入卷积层与池化层，并使用平均池化后，进行鹅特征提取；
21.s23、在目标分类层中，使用softmax输出支撑位的类别和位置坐标。
22.上述的一种基于卷积神经网络的钢轨支撑位分类方法，其中，在步骤s21中，在数据增广层中加入有左偏移、右偏移和上下offset三个算子。
23.本发明还提供一种基于卷积神经网络的钢轨支撑位分类系统，包括预处理装置与卷积神经网络；
24.所述预处理装置用于对原始多维度时序化钢轨数据进行预处理，以形成探头通道的结构化数据；
25.所述卷积神经网络用于对探头通道的结构化数据进行分析，以输出钢轨支撑位的分类结果。
26.与现有技术相比，本发明具有以下优点：
27.通过卷积神经网络对大量高阶特征进行提取，以将钢轨的复杂部位和出波问题转化为可控的钢轨支撑位信息，原则上化繁为简，并且简而有效，在不漏掉重要信息的情况下，还能保证在钢轨复杂情况下有足够的感知，并有处理的先验知识，为后续过程打下坚实基础。
28.通过在数据增广层中加入有左偏移、右偏移和上下offset三个算子，可作为数据的增补、和噪声数据的加入，使用模型泛化能力更强。
29.采用卷积神经网络的支撑位分类方法实现了铁道固件的正常态出波的科学描述，基于海量样本的监督学习，使此描述具有优良的泛化能力和复杂条件下的抗干扰能力，从而使建立于此科学描述上的判伤体系拥有更好决策空间。
附图说明
30.图1为本发明分类方法的流程图；
31.图2为本发明分类系统的结构框图。
具体实施方式
32.如图1所示，本发明提供一种基于卷积神经网络的钢轨支撑位分类方法，包括以下步骤：
33.s1、对原始多维度时序化钢轨数据进行预处理，以形成探头通道的结构化数据。
34.其中，对原始多维度时序化钢轨数据进行训练或推断后，以形成探头通道的结构化数据。
35.原始多维度时序化钢轨数据是钢轨探伤小车所采集到的钢轨数据。
36.s2、卷积神经网络对探头通道的结构化数据进行分析后，以输出钢轨支撑位的分类结果。
37.在步骤s2中，卷积神经网络分为数据增广层、特征构建层与目标分类层，包括以下步骤：
38.s21、在数据增广层中，对数据进行变换，以将数据量在不同维度进行扩充。
39.其中，在步骤s21中，在数据增广层中加入有左偏移、右偏移和上下offset三个算子。
40.其中，对数据进行的变换包括几何变换、随机扩展、裁剪、镜像翻转等，将数据量在不同维度进行扩充。
41.s22、在特征构建层中，探头通道的结构化数据依次进入卷积层与池化层，并使用平均池化后，进行鹅特征提取。
42.s23、在目标分类层中，使用softmax输出支撑位的类别和位置坐标。
43.在目标分类层中，支撑位的分类结果包括支撑位的标签与支撑位的类别，其中，支撑位的标签与支撑位的类别相对应。
44.实施例一：
45.本实施例提供一种基于卷积神经网络的钢轨支撑位分类方法，包括以下步骤：
46.s1、对原始多维度时序化钢轨数据进行训练后，以形成探头通道的结构化数据。
47.其中，步骤s1中包括以下子步骤：
48.s11、对原始多维度时序化钢轨数据进行筛选后，对数据类型的人为标注支撑位片段。
49.其中，在步骤s11中，对原始多维度时序化钢轨数据进行筛选后，以60个步长为一个滑动窗口，对数据类型的人为标注。
50.支撑位片段标注类型包括：支撑位加固位置、支撑位铝热焊位置、支撑位母材位置、支撑位道岔位置、支撑位尖轨位置、支撑位噪声位置。
51.s12、对人为标注后的支撑位片段数据进行矩阵处理，通过one-hot编码处理和加工后，形成探头通道的结构化数据。
52.原始多维度时序化钢轨数据是钢轨探伤小车所采集到的钢轨数据。
53.s2、卷积神经网络对探头通道的结构化数据进行分析后，以输出钢轨支撑位的分类结果。
54.在步骤s2中，卷积神经网络分为数据增广层、特征构建层与目标分类层，包括以下步骤：
55.s21、在数据增广层中，对数据进行变换，以将数据量在不同维度进行扩充。
56.其中，在步骤s21中，在数据增广层中加入有左偏移、右偏移和上下offset三个算子。
57.其中，对数据进行的变换包括几何变换、随机扩展、裁剪、镜像翻转等，将数据量在不同维度进行扩充。
58.s22、在特征构建层中，探头通道的结构化数据依次进入卷积层与池化层，并使用平均池化后，进行鹅特征提取。
59.s23、在目标分类层中，使用softmax输出支撑位的类别和位置坐标。
60.在目标分类层中，支撑位的分类结果包括支撑位的标签与支撑位的类别，其中，支撑位的标签与支撑位的类别相对应。
61.实施例二：
62.本实施例提供一种基于卷积神经网络的钢轨支撑位分类方法，包括以下步骤：
63.s1、对原始多维度时序化钢轨数据进行推断后，以形成探头通道的结构化数据。
64.其中，步骤s1中包括以下子步骤：
65.s11、将原始多维度时序化钢轨数据展开后，过滤掉无效数据，对保留后的有效数据进行定长截取；
66.s12、对截取后的定长数据进行矩阵处理，通过one-hot编码处理和加工后，形成探头通道的结构化数据。
67.原始多维度时序化钢轨数据是钢轨探伤小车所采集到的钢轨数据。
68.s2、卷积神经网络对探头通道的结构化数据进行分析后，以输出钢轨支撑位的分类结果。
69.在步骤s2中，卷积神经网络分为数据增广层、特征构建层与目标分类层，包括以下步骤：
70.s21、在数据增广层中，对数据进行变换，以将数据量在不同维度进行扩充。
71.其中，在步骤s21中，在数据增广层中加入有左偏移、右偏移和上下offset三个算子。
72.其中，对数据进行的变换包括几何变换、随机扩展、裁剪、镜像翻转等，将数据量在不同维度进行扩充。
73.s22、在特征构建层中，探头通道的结构化数据依次进入卷积层与池化层，并使用平均池化后，进行鹅特征提取。
74.s23、在目标分类层中，使用softmax输出支撑位的类别和位置坐标。
75.在目标分类层中，支撑位的分类结果包括支撑位的标签与支撑位的类别，其中，支撑位的标签与支撑位的类别相对应。
76.如图2所示，本发明提供一种基于卷积神经网络的钢轨支撑位系统，包括预处理装置与卷积神经网络。
77.预处理装置用于对原始多维度时序化钢轨数据进行预处理，以形成探头通道的结构化数据。
78.其中，对原始多维度时序化钢轨数据进行训练或推断后，以形成探头通道的结构化数据。
79.原始多维度时序化钢轨数据是钢轨探伤小车所采集到的钢轨数据。
80.卷积神经网络用于对探头通道的结构化数据进行分析，以输出钢轨支撑位的分类结果。
81.实施例一：
82.本实施例提供一种基于卷积神经网络的钢轨支撑位系统，包括预处理装置与卷积神经网络。
83.预处理装置用于对原始多维度时序化钢轨数据进行训练后，以形成探头通道的结构化数据。
84.其中，对原始多维度时序化钢轨数据进行的训练包括以下步骤：
85.对原始多维度时序化钢轨数据进行筛选后，对数据类型的人为标注支撑位片段。
86.其中，对原始多维度时序化钢轨数据进行筛选后，以60个步长为一个滑动窗口，对数据类型的人为标注。
87.支撑位片段标注类型包括：支撑位加固位置、支撑位铝热焊位置、支撑位母材位置、支撑位道岔位置、支撑位尖轨位置、支撑位噪声位置。
88.对人为标注后的支撑位片段数据进行矩阵处理，通过one-hot编码处理和加工后，形成探头通道的结构化数据。
89.原始多维度时序化钢轨数据是钢轨探伤小车所采集到的钢轨数据。
90.卷积神经网络用于对探头通道的结构化数据进行分析，以输出钢轨支撑位的分类结果。
91.卷积神经网络分为数据增广层、特征构建层与目标分类层。
92.在数据增广层中，对数据进行变换，以将数据量在不同维度进行扩充。
93.其中，在数据增广层中加入有左偏移、右偏移和上下offset三个算子。
94.其中，对数据进行的变换包括几何变换、随机扩展、裁剪、镜像翻转等，将数据量在不同维度进行扩充。
95.在特征构建层中，探头通道的结构化数据依次进入卷积层与池化层，并使用平均池化后，进行鹅特征提取。
96.在目标分类层中，使用softmax输出支撑位的类别和位置坐标。
97.其中，在目标分类层中，支撑位的分类结果包括支撑位的标签与支撑位的类别，其中，支撑位的标签与支撑位的类别相对应。
98.实施例二：
99.本实施例提供一种基于卷积神经网络的钢轨支撑位系统，包括预处理装置与卷积神经网络。
100.预处理装置用于对原始多维度时序化钢轨数据进行推断后，以形成探头通道的结构化数据。
101.对原始多维度时序化钢轨数据进行的推断包括以下子步骤：
102.将原始多维度时序化钢轨数据展开后，过滤掉无效数据，对保留后的有效数据进行定长截取。
103.对截取后的定长数据进行矩阵处理，通过one-hot编码处理和加工后，形成探头通道的结构化数据。
104.其中，原始多维度时序化钢轨数据是钢轨探伤小车所采集到的钢轨数据。
105.卷积神经网络用于对探头通道的结构化数据进行分析，以输出钢轨支撑位的分类结果。
106.卷积神经网络分为数据增广层、特征构建层与目标分类层。
107.在数据增广层中，对数据进行变换，以将数据量在不同维度进行扩充。
108.其中，在数据增广层中加入有左偏移、右偏移和上下offset三个算子。
109.其中，对数据进行的变换包括几何变换、随机扩展、裁剪、镜像翻转等，将数据量在不同维度进行扩充。
110.在特征构建层中，探头通道的结构化数据依次进入卷积层与池化层，并使用平均池化后，进行鹅特征提取。
111.在目标分类层中，使用softmax输出支撑位的类别和位置坐标。
112.其中，在目标分类层中，支撑位的分类结果包括支撑位的标签与支撑位的类别，其中，支撑位的标签与支撑位的类别相对应。
113.以上所述仅为本发明的较佳实施例，对发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。