基于深度学习的多源数据融合的轨道状态检测方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113705412A(43)申请公布日2021.11.26(21)申请号202110967585.4G06K9/62(2006.01)(22)申请日2021.08.23G06N3/08(2006.01)B61L23/04(2006.01)(71)申请人中国铁道科学研究院集团有限公司地址100081北京市海淀区大柳树路2号申请人中国铁道科学研究院集团有限公司基础设施检测研究所北京铁科英迈技术有限公司(72)发明人夏承亮顾子晨宋浩然程雨杜馨瑜牛留斌李海浪王发灯王胜春王昊李唯一王宁(74)专利代理机构北京三友知识产权代理有限公司11127代理人沈珍珠郝博(51)Int.Cl.G06K9/00(2006.01)权利要求书2页说明书11页附图3页(54)发明名称基于深度学习的多源数据融合的轨道状态检测方法及装置(57)摘要本发明提供了一种基于深度学习的多源数据融合的轨道状态检测方法及装置，涉及轨道检测技术领域，该方法包括：获取目标轨道线路的数据集信息；数据集信息包括目标轨道线路的多种类型状态检测参考数据以及多种类型状态检测参考数据对应的轨道线路状态数据；利用特征提取模型对数据集信息进行特征提取，得到特征信息；根据特征信息和机器分类器计算轨道状态参数，并根据轨道状态参数确定轨道状态检测模型；利用数据集信息训练轨道状态检测模型；根据训练完成后的轨道状态检测模型生成轨道状态检测结果。本发明可以融合多种类型状态检测参考数据，基于深度学习，实时、准确的获取轨道病害信息。CN113705412ACN113705412A权利要求书1/2页1.一种基于深度学习的多源数据融合的轨道状态检测方法，其特征在于，包括：获取目标轨道线路的数据集信息；所述数据集信息包括所述目标轨道线路的多种类型状态检测参考数据以及所述多种类型状态检测参考数据对应的轨道线路状态数据；利用特征提取模型对所述数据集信息进行特征提取，得到特征信息；根据所述特征信息和机器分类器计算轨道状态参数，并根据所述轨道状态参数确定轨道状态检测模型；利用所述数据集信息训练所述轨道状态检测模型；根据训练完成后的轨道状态检测模型生成轨道状态检测结果。2.根据权利要求1所述的方法，其特征在于，获取目标轨道线路的数据集信息，包括：随机获取目标轨道线路的图像信息状态检测参考数据、噪声值状态检测参考数据和加速度值状态检测参考数据；根据所述图像信息状态检测参考数据、噪声值状态检测参考数据和加速度值状态检测参考数据，确定轨道线路状态数据。3.根据权利要求2所述的方法，其特征在于，利用特征提取模型对所述数据集信息进行特征提取，包括：利用第一特征提取模型对所述图像信息状态检测参考数据进行特征提取，得到钢轨表面图像特征信息；利用第二特征提取模型对所述噪声值状态检测参考数据进行特征提取，得到噪声特征信息；利用第三特征提取模型对所述加速度值状态检测参考数据进行特征提取，得到加速度特征信息。4.根据权利要求1所述的方法，其特征在于，利用所述数据集信息训练所述轨道状态检测模型，包括：利用所述数据集信息对所述轨道状态检测模型进行训练，得到待检验轨道状态检测模型；利用验证数据检验所述待检验轨道状态检测模型，根据验证结果确定训练完成后的轨道状态检测模型。5.一种基于深度学习的多源数据融合的轨道状态检测装置，其特征在于，包括：获取模块，用于获取目标轨道线路的数据集信息；所述数据集信息包括所述目标轨道线路的多种类型状态检测参考数据以及所述多种类型状态检测参考数据对应的轨道线路状态数据；特征模块，用于利用特征提取模型对所述数据集信息进行特征提取，得到特征信息；参数模块，用于根据所述特征信息和机器分类器计算轨道状态参数，并根据所述轨道状态参数确定轨道状态检测模型；训练模块，用于利用所述数据集信息训练所述轨道状态检测模型；预测模块，用于根据训练完成后的轨道状态检测模型生成轨道状态检测结果。6.根据权利要求5所述的装置，其特征在于，所述获取模块，具体用于：随机获取目标轨道线路的图像信息状态检测参考数据、噪声值状态检测参考数据和加速度值状态检测参考数据；2CN113705412A权利要求书2/2页根据所述图像信息状态检测参考数据、噪声值状态检测参考数据和加速度值状态检测参考数据，确定轨道线路状态数据。7.根据权利要求6所述的装置，其特征在于，所述特征模块，包括：第一提取单元，用于利用第一特征提取模型对所述图像信息状态检测参考数据进行特征提取，得到钢轨表面图像特征信息；第二提取单元，用于利用第二特征提取模型对所述噪声值状态检测参考数据进行特征提取，得到噪声特征信息；第三提取单元，用于利用第三特征提取模型对所述加速度值状态检测参考数据进行特征提取，得到加速度特征信息。8.根据权