(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 202210404118.5 (22)申请日 2022.04.18 (71)申请人 西南交通大 学 地址 610031 四川省成 都市金牛区二环路 北一段111号 (72)发明人 吴松荣　涂振威　杨平　张浩然　 周懿　 (74)专利代理 机构 成都信博专利代理有限责任 公司 5120 0 专利代理师 舒启龙 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) B61K 9/08(2006.01) (54)发明名称 一种基于剪枝算法的轨枕实时缺陷检测方 法 (57)摘要 本发明公开了一种基于剪枝算法的轨枕实 时缺陷检测方法， 具体为： 高速相机获取轨枕图 像； 对图像数据增强 并扩充， 按照正常轨枕、 轨枕 掉块、 轨枕裂缝数量为1:1:1制作训练集； 对训练 集进行标注； 采用深度学习YOLOv3目标检测算法 对训练集进行模型基础训练； 对模型稀疏训练， 利用BN层的γ系数评判轨枕缺陷检测 网络中各 通道和层的重要性； 进行重要性排序， 并设定剪 枝比例； 对网络不重要的通道和层进行剪枝； 将 剪枝完成的模型进行微调。 本发明在系统层面， 有效加快了轨枕缺陷检测速度， 可 实现在嵌入式 设备部署并在线检测； 在模型层面， 通过γ系数 大小评判网络各通道重要性， 具有原理简单、 操 作简便的优点。 权利要求书2页 说明书4页 附图3页 CN 114841931 A 2022.08.02 CN 114841931 A 1.一种基于 剪枝算法的轨枕实时缺陷检测方法， 其特 征在于， 包括以下步骤： 步骤1： 数据图像获取； 安装在行驶的轨道车辆上的测距仪检测到一定时长的高度差脉冲时， 代表此时行经轨 枕区域， 将触发轨道车辆底部的高速相机拍摄当前轨道场景， 同时LED灯持续提供可靠光 源， 以获取高质量轨道零部件图像； 步骤2： 数据图像筛 选； 从获取的轨道图像中筛选出典型轨枕缺陷 图和正常轨枕图， 图像选取的标准是图像清 晰、 拍摄的轨枕部件完整无遮挡， 并采用数据增强技术对数据集进行扩充； 按照正常轨枕、 轨枕掉块、 轨枕裂缝 数量为1:1:1制作训练集； 步骤3： 数据图像标注； 将步骤2制作的训练集人工标注， 使用LabelImg图像标注软件对轨枕正常、 裂缝、 掉块 三类进行 标注； 步骤4： 模型基础训练； 采用深度学习YOLO  v3目标检测算法对上述训练集进行模型基础训练； 其中预训练模 型采用已在ImgNet数据集上训练好的Dark net53.conv.74； 步骤5： 模型稀疏训练； 利用BN层的γ系数评判轨枕缺陷检测网络 中各通道和层的重要性， BN层前向传导公式 为： 式中， m为mini ‑batch size， xi和yi分别为BN层的输入、 输出， β 为偏置系数， μB和 分别 为输入的均值和方差； 稀疏训练具体操作 是在原基础训练 的损失函数的基础上， 增加关于γ系数的稀疏正则 化项， 如下式： 其中， 等式右边第一项为网络训练损失函数， x， y代表训练的输入和目标值， W为网络训 练权重参数， λ为两项的平衡因子， Γ表示所有通道的集合， g(γ)为稀疏正则化项， 取L1正 则化： g(γ)＝γ； 步骤6： 模型剪枝； 根据步骤5稀疏训练结果， 对各通道和层进行重要性 排序， 并设定 剪枝比例； 对YOLO v3的特征提取网络Darknet53进行剪枝， 对前25％不重要的通道和层进行剪 枝； 对于层剪枝， 是在通道剪枝的基础上对YOLO  v3的shortcut层进行剪枝， 同时减去该 shortcut层前面的两个卷积层； 与通道剪枝类似， 层剪枝依据shortcut层前面的一个CBL层权　利　要　求　书 1/2 页 2 CN 114841931 A 2的γ均值 排序情况， 取最小的若干个shor tcut层进行剪枝； 步骤7： 模型微调； 将剪枝完成的模型 再次进行 数据集的训练， 训练周期设置在10 0个周期。 2.根据权利要求1所述的一种基于剪枝算法的轨枕实时缺陷检测方法， 其特征在于， 还 包括步骤8： 迭代剪枝； 在步骤7微调模型后， 再重复步骤5 ‑步骤7。 3.根据权利要求1所述的一种基于剪枝算法的轨枕实时缺陷检测方法， 其特征在于， 所 述步骤2中数据增强包括调整亮度、 旋转和添加噪声。权　利　要　求　书 2/2 页 3 CN 114841931 A 3