基于多目标级联深度学习的无砟轨道板表面裂缝测量

作者：王卫东; 吴铮; 邱实; 彭俊; 胡文博^*; 伍定泽; 王劲; 冉志发; 袁啸

来源：铁道科学与工程学报, 2023, 20(09): 3592-3603.

DOI：10.19713/j.cnki.43-1423/u.t20222038

• 铁道工程
• 无砟轨道板裂缝
• 多目标级联深度学习
• 正交投影
• 宽度测量

轨道板劣化严重程度判识是工务养维的重要基础，而裂缝识别与宽度的精确测量是判识劣化程度的重要依据。基于传统机器视觉的轨道板裂缝判识易漏检、错检，复杂背景条件下检测精度较低，计算成本较高。现有深度学习方案虽然提升了检测精度，但存在单一模型处理效率低，多裂缝目标分割粗糙等问题。本文提出一种基于深度学习的多目标级联算法，通过图像分类网络、实例分割网络和正交投影法的级联处理和特征传递，实现针对高速铁路无砟轨道板裂缝的精细化测量。该算法首先基于图像分类网络快速筛选巡检数据并捕获含裂缝图像；然后基于实例分割网络从图像分类网络的输出中逐像素地分割出独立的裂缝目标的边界，并作为正交投影法的输入；最后基于正交投影法沿裂缝边界提取单像素骨架及轮廓并计算连续宽度。研究结果表明：所提出的多目标级联算法的平均精度(AP)达到70.7%，相较于传统像素级的深度学习模型(Mask R-CNN)提升23.6%；综合处理效率达到63.44FPS，达到单一SOLOv2网络的3.6倍，有效克服了单一分割模型对健康图像的冗余计算。进一步地，多目标级联算法的裂缝宽度测量范围是传统人工测量方法的1.15倍且标准差更小，有效地解决了传统人工局部测量导致的宽度突变。此外，基于研究成果统计得到了无砟轨道板裂缝的宽度分布，可以作为裂缝的发展预测及轨道结构科学养维的潜在指标。

• 单位
  土木工程学院; 中南大学