基于深度学习的钢轨光带检测算法

作者：张新峰; 边浩南; 张博^*; 张嘉铭; 梁玉清

来源：计算机科学, 2023, 50(S2): 301-306.

• 深度学习
• 图像处理
• 损伤检测
• 语义分割
• 铁路轨道

列车在轨道上行驶的过程中，车轮的轮缘会对钢轨轨面进行碾压，形成光带。钢轨光带的形状反映钢轨与车轮之间的位置关系，对异常光带形状的捕获可以有效预防列车运行的安全问题，并且提高列车乘坐的舒适程度。传统的人工检测光带方法存在效率低和专业性强等问题。早期的计算机视觉技术利用图像的边缘信息和灰度信息对钢轨区域进行定位，在此基础之上对光带区域进行分割，在效率和鲁棒性上差强人意。因此，对钢轨以及光带区域进行高效率、高精度分割是十分必要的。首先，使用ResNet分类网络区分道岔区和非道岔区图像。然后，针对两种图像，分别利用DeeplabV3+分割网络对图像的光带和钢轨区域进行分割。最后，针对钢轨边缘容易分割不清的问题，提出一种基于Douglas-Peucker算法的后处理算法，对钢轨边缘进行拟合。研究结果表明：相比于直接利用语义分割网络对两类图像一起分割，先分类再分割并对分割结果后处理的操作能够稳步提高分割准确率。该算法对非道岔区的图像的整体分割、铁轨分割、光带分割的交并比（IOU）分别为95.45%,87.48%,92.60%；对道岔区的图像的相应指标分别为90.20%,76.56%,85.42%。因此，所提算法对钢轨以及光带区域的分割精度较高，并且能够高效完成批量图像处理，具有较高的工程价值。

• 单位
  中国铁道科学研究院集团有限公司; 北京工业大学