(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210784107.4 (22)申请日 2022.07.05 (71)申请人 湖南工业大 学 地址 412000 湖南省株洲市天元区泰山路 88号 (72)发明人 刘建华　刘佳豪　张昌凡　李哲姝　 何静　黄刚　王忠美　贾林　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 刘翔 (51)Int.Cl. G06V 20/40(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) (54)发明名称 基于卷积神经网络的列车轮对踏面损伤识 别模型及方法 (57)摘要 本发明公开了一种基于卷积神经网络的列 车轮对踏面损伤识别模型及方法， 所述模型包括 数据收集和预处理模块、 特征提取模块和脊柱网 络神经模块， 利用MobileNet轻量级网络快速提 取轮对踏面故障数据特征， 然后利用具有逐步输 入的脊柱神经网络深度网络作为网络的全连接 层函数， 实现轮对踏面故障的决策。 本发明通过 Spinal‑Net的局部推断策略对特征图进行局部 的输入， 使得网络具有渐进推断的能力， 能有效 的避免干扰信息的影响， 加快了网络的收敛速 度， 减少网络识别偏差 。 权利要求书1页 说明书5页 附图2页 CN 115272915 A 2022.11.01 CN 115272915 A 1.一种基于卷积神经网络的列车轮对踏面损伤识别模型， 其特征在于， 包括数据收集 和预处理模块、 特征提取模块和脊柱网络神经模块； 所述数据收集和预处理模块收集踏面 损伤图像数据， 并对图像数据进行预处理； 特征提取模块通过卷积核降低数据收集和预处 理模块处理后的图像数据的维度， 提取出有效的特征； 所述脊柱网络神经模块接受来自特 征提取模块的特 征数据， 通过全连接层得到最终的输入结果。 2.根据权利要求1所述基于卷积神经网络的列车轮对踏面损伤识别模型， 其特征在于， 所述特征提取模块采用Mobi leNet网络结构。 3.根据权利要求1所述基于卷积神经网络的列车轮对踏面损伤识别模型， 其特征在于， 所述脊柱网络神经模块采用Spinal ‑Net决策模块， 包括输入层、 中间层和输出层， 输入层接 受来自特 征提取模块的特 征数据， 中间层进行局部决断后由输出层得到最终的输出 结果。 4.根据权利要求1所述基于卷积神经网络的列车轮对踏面损伤识别模型， 其特征在于， 所述Spinal ‑Net决策模块的中间层中设有隐藏层， 隐藏层包括了Dropout层、 Linear层和 Relu激活层。 5.根据权利要求4所述基于卷积神经网络的列车轮对踏面损伤识别模型， 其特征在于， 所述Relu激活层使用Leaky ‑ReLU激活函数、 PReLU激活函数或R ReLU激活函数的一种。 6.一种基于卷积神经网络的列车轮对踏面损伤 识别方法， 其特 征在于， 步骤 包括： S1.根据现场采集的数据， 将轮对踏面损伤数据集分成缺陷样本与正常样本， 对数据采 取裁剪、 归一化、 随机翻转的数据预处 理； S2.将S1处理后的轮对踏面数据集按照批次输入到深度可分离卷积、 残差模块和最大 池化层得到和脊柱神经网络 输入层相适配的高维特 征图； S3.将所得的高维特征图拆分成两部分送入脊柱神经网络输入层， 将拆分后的部分输 入以及输入层的输出叠加后同时输入到输出层， 通过局部的输入得到局部的诊断结果， 使 得每一层中间层都对最终的输出结果起影响， 最 终结合每一层中间层的结果得到最 终的诊 断结果。 7.根据权利要求6所述基于卷积神经网络的列车轮对踏面损伤识别方法， 其特征在于， 步骤S1所述数据预处 理包括尺寸剪 裁、 数据增强、 数据筛 选和数据标准 化。 8.根据权利要求6所述基于卷积神经网络的列车轮对踏面损伤识别方法， 其特征在于， 步骤S2所述深度可分离卷积包括深度卷积和逐点卷积。 9.根据权利要求6所述基于卷积神经网络的列车轮对踏面损伤识别方法， 其特征在于， 所述深度卷积的计算式为： DK×DK×N×DG×DG 其中， DK表示输入特 征图的宽和高， N是输入的通道数， DG为输出特征图的宽和高。 10.根据权利要求6所述基于卷积神经网络的列车轮对踏面损伤识别方法， 其特征在 于， 所述深度可分离卷积的计算 为 DK×DK×N+DG×DG×M 其中， DK表示输入特征图的宽和高， N是输入的通道 数， DG为输出特征图的宽和高， M是输 出的通道数。权　利　要　求　书 1/1 页 2 CN 115272915 A 2基于卷积神经 网络的列车轮对踏面损伤识别模型及方 法 技术领域 [0001]本发明涉及高速列车的踏面缺陷检测技术领域， 更具体地， 涉及一种基于卷积神 经网络的列车轮对踏面损伤 识别模型及方法。 背景技术 [0002]轮对作为列车重要的支撑和走形部件， 在长期轮轨滚动接触过程中会引起踏面磨 耗、 裂纹等 故障， 给列车安全运行带来了隐患。 现有基于人工经验的识别方式存在故障识别 延迟、 基于车载传感信息的数据驱动方式又难以实现环境噪声与有用信息的有效隔离， 导 致故障识别率低等问题。 因此实现轮对踏面故障的精确检测， 可为列车轮对 “状态修”提供 关键依据， 对列车安全运行 具有重要意 义。 [0003]轮对踏面路状态监测是保证铁路运输系统安全运行的重要任务之一。 基于深度卷 积网络的轮对踏面识别模型旨在尝试获得具有区别性和鲁棒性轮对踏面特征。 如 CN201910178267.2一种 基于深度卷积神经网络的列车轮对踏面损 伤故障诊断方法公开首 先将列车实时采集的踏面轮对踏面图片进行图像预处理， 利用基于Tensorflow平台下的 InceptionV3算法对已经预处理的数据进行特征提取， 然后将提取的特征输入softmax分类 器进行踏面损伤程度分类， 为后续列车的分级控制提供依据。 [0004]除了特征学习外， 还利用模型融合的方式去提升模型 的性能。 CN202111051260.8 基于目标检测算法 的列车轮对踏面缺陷检测方法及系统公开通过C darknet53主干特征提 取网络和Spp对输入样本进行多尺度特征提取； 其次提出 的多尺度特征融合对底层特征进 行一次融合， 将特征融合输出不同分辨率大小的一次融合特征， 可以包含缺陷更多的语义 信息和位置细节； 基于这些多尺度融合特征， 采用路径 聚合网络对不同分辨率大小的特征 图进行二次融合； 最后辅以改进的损失函数， 提高抗干扰性， 输出检测结果。 该专利通过多 尺度特征融合， 解决了干扰、 噪音背景影响故障特征的有效提取。 但是， 该方法是旨在提升 单一特征提取模块的特征提取能力， 或者是集成多个特征提取器来达到更高的模型性能， 该方法并没有一个具有局部决策能力的决策模块对踏面的故障进 行决策， 从而在模型训练 速度上具有一定的劣势。 发明内容 [0005]本发明要解决的技术问题是针对现有高速列车轮对踏面缺陷检测模型中， 缺少局 部决策能力导致模型训练速度慢、 故障识别精度低的不足， 提供基于卷积神经网络的列车 轮对踏面损伤 识别模型。 [0006]本发明还提供基于卷积神经网络的列车轮对踏面损伤 识别方法。 [0007]本发明的目的通过以下技 术方案予以实现： [0008]一种基于卷积神经网络的列车轮对踏面损伤识别模型， 包括数据收集和预处理模 块、 特征提取模块和 脊柱网络神经模块； 所述数据收集和预处理模块收集踏面损伤图像数 据， 并对图像数据进 行尺寸裁剪、 增强和筛选； 特征提取模块通过卷积核降低数据收集和预说　明　书 1/5 页 3 CN 115272915 A 3