论文部分内容阅读
铁路路基病害是铁路交通运输领域的重大安全问题。截至2017年底,我国铁路运营里程超过12.7万公里,位居世界第二位,铁路建设已步入高速发展阶段。但随着既有线路运营时间和运营里程的增加,路基病害愈发严重,对列车安全、持续运营构成巨大威胁。车载地质雷达法作为一种快速、无损、高效的检测方法,已成为铁路路基病害检测的主要手段,随着检测数据量的增加,人工病害识别方式已严重阻碍地质雷达技术在路基检测领域的推广应用。目前主要存在如下问题:1)人工病害识别效率低、误差大,无法及时为大范围路基养护维修提供科学依据;2)目前对铁路路基病害识别算法的研究主要将人工设计特征与支持向量机、人工神经网络等分类算法相结合,但路基病害形态多样、尺寸多变,人工特征的表示能力有限,难以适应复杂的病害环境,而且由于缺乏标准样本,导致支持向量机和人工神经网络法对参数优化不足,因此识别精度难以满足实际应用需要;3)由于路基病害影响因素众多,各种诱因对病害产生和发育过程的影响机理尚未完全揭示,因此病害风险量化问题具有模糊性、随机性和动态性等特性,而已有铁路路基病害风险评估模型主要解决了影响因素量化的模糊性问题,但未考虑病害发育的动态性以及影响因素之间相互作用的不确定性,因此已有模型在风险评估体系、风险量化等方面还不够完善。本论文依托中国铁路总公司科研开发项目“铁路路基地质雷达快速检测关键技术研究”（2017G003-H）,对铁路路基雷达探测图像病害识别算法与病害风险评估模型进行研究。本论文研究内容包括以下三方面:1)铁路路基病害快速识别算法,用于路基病害的初步快速识别;2)铁路路基病害高精度识别算法,用于路基病害的二次精细识别;3)铁路路基病害风险评估模型,用于评估被识别出病害的危险程度并提供相应的处置措施建议。本课题研究为铁路路基病害的快速、准确定位及路基养护维修提供了技术支撑,对保障铁路安全运营具有重要的现实意义。本文的主要研究工作及创新点如下:（1）针对人工病害识别效率低的问题,提出了一种基于SSD（Single Shot MultiBox Detector）的铁路路基病害快速识别算法,可从铁路路基雷达探测图像中快速普查路基病害。SSD目标检测算法具有达到实时检测要求的检测速度,可大幅度提高病害识别效率,同时其采用多个卷积层预测检测框类别和位置修正的方式,可以较好地解决路基病害多尺度、多形态的问题,因此适合路基病害的快速识别。针对SSD对小目标识别精度不高的问题,提出了基于Atrous空间金字塔池化（Atrous Spatial Pyramid Pooling,ASPP）和多尺度特征融合的改进方法。首先,将ASPP特征提取方法引入SSD,利用Atrous卷积可在不降低分辨率的情况下改变卷积层感受野的特性,充分挖掘浅层特征conv43层的特征提取能力,融合具有不同感受野的高分辨率特征,提高对小目标的识别精度;其次,充分利用conv33具有的高分辨率信息和conv53丰富的语义信息,分别使用池化层和反卷积层将conv33和conv53特征层统一到同一尺度,并与ASPP输出特征以元素点积的方式融合为多尺度特征,进一步提高检测精度。此外,通过引入迁移学习,解决了因训练样本不足导致的过拟合问题。通过与基础版本SSD及其它深度神经网络模型的对比实验,验证了改进SSD在保持高识别速度的同时提高了识别精度。（2）针对已有路基病害识别算法识别精度不足,提出了一种基于Faster RCNN（Regions with Convolutional Neural Network）的铁路路基病害高精度识别算法,用于路基病害的二次详查。针对铁路路基病害识别任务存在的问题,集成特征级联、在线困难样本挖掘、对抗空间丢弃网络（Adversarial Spatial Dropout Network,ASDN）、Soft-NMS（Non-maximum Suppression）和数据增强等方法改进Faster RCNN,提高算法识别精度。首先,提出一种改进的特征提取方式——特征级联,将多个浅层特征与深层特征连接起来组成新型多尺度特征用于病害识别,提高识别精度;其次,针对模型训练中目标病害与背景数量比例悬殊的问题,使用在线困难样本挖掘筛选出困难样本并重新训练,以平衡正负样本比例;第三,使用对抗空间丢弃网络利用对抗学习生成困难正样本,提高泛化能力;此外,为解决距离较近的高置信度病害目标被抑制的问题,使用Soft-NMS方法取代传统NMS,有效较少了假阳性样本的数量;最后,针对标注训练集样本量较小的问题,综合运用多种数据增强技术,有效防止过拟合,增强模型鲁棒性。通过改进策略剥离实验,检验了不同改进策略对模型性能的影响,并与传统方法和基础版本Faster RCNN进行了的对比实验。实验结果表明,改进后的Faster RCNN取得了最高的平均准确率81.2%,比基础版本Faster RCNN提高了8.8%,且远高于传统支持向量机+HOG（Histogram of Oriented Gradient）识别算法38.6%的平均准确率。此外,对不同病害类型的识别对比实验也进一步验证了改进算法的鲁棒性。（3）针对京九线路基检测对病害风险分级的需求以及现有评估模型存在的问题,建立了一种基于云理论、集对理论和动态跟踪思想的铁路路基病害风险评估模型。考虑到病害的动态发育特性,提出一种基于动态跟踪思想的风险评估方法,将病害基本属性变化率纳入风险评估体系,充分利用多次检测数据使评估结果更符合实际。同时,通过引入不确定性人工智能中研究模糊性与随机性关联的云理论,建立了铁路路基病害风险评估云模型。首先,利用云理论中基于二阶中心距和四阶中心矩的逆向高斯云算法将评估指标转化为指标云;其次,针对已有权重分配方法主观性强的缺点,提出一种综合考虑主观权重与客观权重的最小二乘法优化云-Critic耦合权重分配方法,为指标云合理分配权重;最后,针对传统云模型相似度计算方法存在的不足,通过引入集对分析理论,提出一种基于高斯云“3En”规则与集对势的云模型相似度计算方法,提高了病害风险等级判别准确性。（4）基于京九线大型路基检测工程设计实验,验证本文提出的路基病害识别算法和风险评估模型的有效性。首先,使用基于SSD的铁路路基病害快速识别算法和基于Faster RCNN的铁路路基病害高精度识别算法经过两轮筛查识别出路基病害;其次,分别实现了基于传统模糊数学理论中的模糊综合评价和传统机器学习算法中的概率神经网络的风险评估模型,作为病害评估对比实验组;最后,将本文提出的融入动态跟踪的病害风险评估云模型与两者进行对比分析,经过与开挖验证结果的比对,证明了所提出模型具有更高的准确性和可靠性。本文对铁路路基雷达图像病害识别算法以及风险评估模型进行了探索与研究,但仍然存在以下不足有待进一步研究:1)由于目前所采用的地质雷达检测设备对原始雷达信号数据进行了加密,无法直接基于原始信号数据进行识别算法研究,本文采用的地质雷达剖面图在由雷达信号生成过程中损失了部分数据精度,影响了病害识别效果;2)目前本文识别算法可识别出翻浆冒泥、下沉、含水异常和道床脏污四类病害,识别算法向其它路基病害类型的推广有待进一步研究;3)风险评估模型的参数与阈值设定还需要在未来的应用实践中不断地优化与完善。