一种钢轨损伤检测方法、装置、设备和介质与流程

1.本发明涉及动态检测技术领域，尤其是一种钢轨损伤检测方法、装置、设备和介质。


背景技术：

2.钢轨损伤是指钢轨在使用过程中发生的折断、裂纹及其他影响和限制钢轨使用性能的各种状态。
3.目标检测是计算机视觉和数字图像处理的一个技术方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。目标检测是图像处理和计算机视觉学科的重要分支。有别于图像分类，目标检测不但需要确定图像中的目标属于何种类型，还需要确定目标的在图像中的坐标位置。得益于机器学习的快速发展，基于深度学习的目标检测方法得到了蓬勃发展。
4.现有的技术中，基于深度学习理论对钢轨损伤的检测方法中，由于工业样本较少，所以采用小样本的方法进行钢轨损伤预测的过程中，会出现钢轨损伤的误检率过高，且小损伤目标检测精度较低的问题。


技术实现要素：

5.针对现有技术的上述问题，本文的目的在于，提供一种钢轨损伤检测方法、装置、设备和介质，以解决现有技术中采用小样本的方法进行钢轨损伤预测的过程中，会出现钢轨损伤的误检率过高，且小损伤目标检测精度较低的问题。
6.为了解决上述技术问题，本文的具体技术方案如下：
7.一方面，本文提供一种钢轨损伤检测方法，包括：
8.获取待检测图片；
9.输入所述待检测图片至预先训练得到的钢轨损伤检测模型中，得到损伤类别；
10.其中，所述钢轨损伤检测模型包括预处理模块和类别检测模块；
11.所述预处理模块用于对待检测图片进行预处理，得到若干个尺度的池化特征图；
12.所述类别检测模块用于提取各池化特征图的尺度感知权重并将其映射至所述池化特征图以得到第一融合特征图，提取所述第一融合特征图的空间感知权重并将其映射至所述第一融合特征图中，得到第二融合特征图；识别所述第二融合特征图得到所述损伤类别作为本文的一个实施例，所述对待检测图片进行预处理，得到若干个尺度的池化特征图，进一步包括：
13.提取所述待检测图片的特征，得到所述待检测图片的初始特征图；
14.根据预设的尺度对初始特征图进行下采样或上采样，得到多尺度的特征图；
15.对各尺度特征图进行区域提取及区域池化处理，得到各尺度的区域特征图；
16.对各尺度的区域特征图进行尺度特征池化处理，得到多个池化特征图。
17.作为本文的一个实施例，所述提取各池化特征图的尺度感知权重并将其映射至所
述池化特征图以得到第一融合特征图，进一步包括：
18.将各池化特征图进行平均池化，得到平均池化特征图；
19.将所述平均池化特征图进行线性卷积处理及非线性变换，得到各池化特征图的尺度感知权重；
20.将各池化特征图的尺度感知权重与所述池化特征图进行乘积处理，得到所述第一融合特征图。
21.作为本文的一个实施例，所述将所述平均池化特征图进行线性卷积处理及非线性变换，得到各池化特征图的尺度特征，包括：利用如下公式计算各池化特征图的尺度感知权重：
[0022][0023]
其中，为个池化特征图的平均值，f为所述池化特征图，s根据所述池化特征图的高度和宽度确定得到，c为所述特征图的通道数，f为线性卷积函数，σ为激活函数。
[0024]
作为本文的一个实施例，所述提取所述第一融合特征图的空间感知权重并将其映射至所述第一融合特征图中，得到第二融合特征图，进一步包括：
[0025]
对所述第一融合特征图分别进行多核线性卷积以及可变形卷积操作，得到空间感知权重；
[0026]
对所述第一融合特征图和所述空间感知权重进行乘积操作，得到所述第二融合特征图。
[0027]
作为本文的一个实施例，
[0028]
所述类别检测模块包括多个类别检测支路，每一类别检测支路包括第一轻量级动态检测模块及二分类模块，每一类别检测支路利用一种类别钢轨损伤的历史图片训练得到；
[0029]
利用第一轻量级动态检测模块提取各池化特征图的尺度特征并将其映射至所述池化特征图以得到第一融合特征图，提取所述第一融合特征图的空间感知权重并将其映射至所述第一融合特征图中，得到第二融合特征图；利用二分类模块识别所述第二融合特征图得到所述损伤类别。
[0030]
作为本文的一个实施例，
[0031]
所述类别检测模块还包括区域检测支路，所述区域检测支路包括第二轻量级动态检测模块及回归模块，利用所有类别钢轨损伤的历史图片训练得到；
[0032]
利用第二轻量级动态检测模块提取各池化特征图的尺度特征并将其映射至所述池化特征图以得到第三融合特征图，提取所述第三融合特征图的空间感知权重并将其映射至所述第三融合特征图中，得到第四融合特征图；
[0033]
利用回归模块识别所述第四融合特征图以确定所述待检测图片中的损伤位置。
[0034]
另一方面，本文还提供一种钢轨损伤检测装置，包括：
[0035]
获取单元，用于获取待检测图片；
[0036]
损伤类别确定单元，用于输入所述待检测图片至预先训练得到的钢轨损伤检测模型中，得到损伤类别；
[0037]
其中，所述钢轨损伤检测模型包括预处理模块和类别检测模块；
[0038]
所述预处理模块用于对待检测图片进行预处理，得到若干个尺度的池化特征图；
[0039]
所述类别检测模块用于提取各池化特征图的尺度感知权重并将其映射至所述池化特征图以得到第一融合特征图，提取所述第一融合特征图的空间感知权重并将其映射至所述第一融合特征图中，得到第二融合特征图；识别所述第二融合特征图得到所述损伤类别另一方面，本文还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述的钢轨损伤检测方法。
[0040]
另一方面，本文还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现任意一项所述的钢轨损伤检测方法。
[0041]
采用上述技术方案，实现了对每一个池化特征图先进性尺度感知，再进行空间感知，可以实现在同等大小卷积核的情况下获得更大且更灵活的卷积核感受野，提高了对钢轨损伤检测类型的精度，降低了误检率。
[0042]
为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
[0043]
为了更清楚地说明本文实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本文的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0044]
图1示出了本文实施例一种钢轨损伤检测方法的整体系统图；
[0045]
图2示出了本文实施例一种钢轨损伤检测方法的步骤示意图；
[0046]
图3示出了本文实施例一种钢轨损伤检测模型的训练方法示意图
[0047]
图4示出了本文实施例一种钢轨损伤检测装置示意图；
[0048]
图5示出了本文实施例一种钢轨损伤检测装置的钢轨损伤模型拓扑图；
[0049]
图6示出了本文实施例一种钢轨损伤检测方法的数据处理流程图；
[0050]
图7示出了本文实施例一种钢轨损伤检测方法的类别级检测模块的数据处理流程图；
[0051]
图8示出了本文实施例一种钢轨损伤检测方法的轻量级动态检测模块的数据处理流程图；
[0052]
图9示出了本文实施例计算机设备示意图。
[0053]
附图符号说明：
[0054]
101、摄像头；
[0055]
102、数据库；
[0056]
103、运算服务器；
[0057]
401、获取单元；
[0058]
402、损伤类别确定单元；
[0059]
501、预处理模块；
[0060]
502、类别检测模块；
[0061]
5021、类别检测支路；
[0062]
50211、第一轻量级动态检测模块；
[0063]
50212、二分类模块；
[0064]
5022、区域检测支路；
[0065]
50221、第二轻量级动态检测模块；
[0066]
50222、回归模块；
[0067]
1、待检测图片；
[0068]
2、特征提取模块；
[0069]
3、池化模块；
[0070]
4、尺度特征池化模块；
[0071]
511、平均池化网络；
[0072]
512、线性卷积网络；
[0073]
513、学习因子网络；
[0074]
514、第一非线性变换网络；
[0075]
515、第一乘积网络；
[0076]
516、常数因子网络；
[0077]
517、对称卷积网络；
[0078]
518、第二非线性变换网络；
[0079]
519、可变性卷积网络；
[0080]
5110、第二乘积网络；
[0081]
902、计算机设备；
[0082]
904、处理器；
[0083]
906、存储器；
[0084]
908、驱动机构；
[0085]
910、输入/输出模块；
[0086]
912、输入设备；
[0087]
914、输出设备；
[0088]
916、呈现设备；
[0089]
918、图形用户接口；
[0090]
920、网络接口；
[0091]
922、通信链路；
[0092]
924、通信总线。
具体实施方式
[0093]
下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文保护的范围。
[0094]
需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0095]
本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
[0096]
需要说明的是，本技术所涉及的数据(包括但不限于用于检测的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0097]
如图1一种钢轨损伤检测方法的整体系统图所示，包括：摄像头101、数据库102和运算服务器103。
[0098]
需要说明的是，本文的摄像头101可以是设置与运行列车上，也可以是运行于铁路轨道专用的质量检测车上，摄像头101用于拍摄钢轨的实时图片，拍摄频率可以根据需要去设定，例如可以设定为一米四个采样点，那么对应的是在一米的距离内，需要等间隔的拍摄四副图片。即每一幅图片的对应里程为0.25米，可以在摄像头101拍摄完成后，将图片的名称以对应的位置坐标命名，并保存至数据库102中。
[0099]
数据库102可以保存由若干路段的钢轨对应的待检测图片，其中，待检测图片以时间序列保存。例如在2022年第一季度内，统一将待检测图片保存，即对第一季度的钢轨进行质量检测，检查待检测图片中是否存在损伤。通过这种方式排除影响列车运行的因素，以降低列车运行的风险，提升列车的安全性和舒适性。
[0100]
运算服务器103中运行有钢轨损伤检测模型，该钢轨损伤检测模型可以将待检测图片进行预处理，并根据预处理后的结果，得到该待检测图片是否为伤损图片，并且可以在判断为伤损图片后，将伤损类型和伤损位置标注出来。伤损类型对应行业规范所规定的伤损种类，其中，最高可以标注九种不同类型的伤损。通过这种方式，可以提前告知钢轨运维人员，以便运维人员可以对应的准备工具以及维护方案，对各种类型的伤损对症下药，快速的排除伤损。
[0101]
现有的技术中，基于深度学习理论对钢轨损伤的检测方法中，由于工业样本较少，所以采用小样本的方法进行钢轨损伤预测的过程中，会出现钢轨损伤的误检率过高，且小损伤目标检测精度较低的问题。
[0102]
为了解决上述技术问题，本文构建并训练了一种钢轨损伤检测模型，该模型可以用于接收待检测图片，并判断待检测图片是属于九种损伤类型中的哪一类，相比于现有由32种伤损中确定其是否出现伤损的技术，本文由32种伤损确定出该伤损属于9种类型伤损的哪一种，可以大大的增强损伤检测精度，降低误检率。
[0103]
需要说明的是，本文中的钢轨伤损包括钢轨在使用过程中发生的折断、裂纹及其他影响和限制钢轨使用性能的各种状态。例如可以是指钢轨在使用过程中发生的折断、裂
纹及其他影响和限制钢轨使用性能的各种状态。钢轨裂纹是指钢轨表面或内部的部分金属发生分离。也可以是其他伤损，例如除裂纹、折断以外.影响钢轨使用性能的磨耗、压溃、压陷(或凹陷)、波浪磨耗、弯曲变形、表面缺陷、外伤腐蚀等伤损。钢轨的伤损状态指钢轨伤损的宏观形貌(或形状)特征.它直接记录和反映了伤损的发展过程和结果。
[0104]
为了解决上述问题，本文实施例提供了一种钢轨损伤检测方法，能够解决采用小样本的方法进行钢轨损伤预测的过程中，会出现钢轨损伤的误检率过高，且小损伤目标检测精度较低的问题，图2是本文实施例提供的一种钢轨损伤检测方法的步骤示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。具体的如图2所示，所述方法可以包括：
[0105]
步骤201、获取待检测图片。
[0106]
步骤202、输入所述待检测图片至预先训练得到的钢轨损伤检测模型中，得到损伤类别。
[0107]
其中，所述钢轨损伤检测模型包括预处理模块和类别检测模块；
[0108]
所述预处理模块用于对待检测图片进行预处理，得到若干个尺度的池化特征图；
[0109]
所述类别检测模块用于提取各池化特征图的尺度感知权重并将其映射至所述池化特征图以得到第一融合特征图，提取所述第一融合特征图的空间感知权重并将其映射至所述第一融合特征图中，得到第二融合特征图；识别所述第二融合特征图得到所述损伤类别通过上述方法，对每一个池化特征图先进性尺度感知，再进行空间感知，可以实现在同等大小卷积核的情况下获得更大且更灵活的卷积核感受野，提高了对钢轨损伤检测类型的精度，降低了误检率。
[0110]
如图3一种钢轨损伤检测模型的训练方法示意图所示，作为本文的一个实施例，本文的钢轨损伤检测模型的训练过程包括：
[0111]
步骤301、将训练集导入至所述钢轨损伤检测模型中，并执行训练，当训练一次后，得出对应的模型参数。
[0112]
在本步骤中，在将训练集导入至所述钢轨损伤检测模型中后，可以得到预测的损伤类别和损伤位置，训练集中每一个图像都有预先标注好的标准损伤类别和标准损伤位置，通过预测得到的损伤类别、预测得到的损伤位置、标准损伤类别和标准损伤位置，计算钢轨损伤检测模型的损失函数。
[0113]
具体为：
[0114]
loss＝l
box
l
cls
l
obj
；
[0115][0116]
[0117][0118]
其中，loss为损失函数，l
box
为损伤位置框回归误差，l
cls
为分类判断误差，l
obj
为目标检测误差，λ
coord
、λ
class
、λ
noobj
、λ
obj
为权重，s2为将批数据中的每一图像分割为s
×
s个网格进行检测遍历的次数，为第(i,j)个损伤位置候选框中是否有感兴趣的目标(即损伤)，ωi,hi,xi,yi分别为预测的损伤位置候选框的宽、高、横坐标和纵坐标，分别为标注损伤位置框的宽、高、横坐标和纵坐标，b为损伤位置候选框的个数；，classes为钢轨损伤的类别个数。
[0119]
pi(c)为网格i里预测物体属于类别c的概率，为物体属于类别c的真实概率；
[0120]
为第(i,j)个损伤位置候选框中是否没有感兴趣的目标，ci为预测的损伤类别，为标注的损伤类别。
[0121]
计算完成损失函数后，可以通过对损失函数进行求导，将导数反向传播至钢轨损伤检测模型的每一模型参数上，从而完成模型参数的更新。
[0122]
例如在完成一次更新后，可以将更新的模型参数记录，并逐次计算模型参数，例如进行10次训练后，可以得到10种模型参数，其每一种模型参数对应的钢轨损伤检测模型都是不同的，当将相同的图像发送分别发送至具有不同的模型参数的钢轨损伤检测模型中时，可能会得到不同的结果。
[0123]
进一步的，为了加快钢轨损伤检测模型的训练速度，可以对钢轨检测模型使用处理过的数据集，例如microsoft coco数据集，以防止钢轨损伤检测模型出现z形收敛。
[0124]
步骤302、将所述验证集均分别导入至不同模型参数的所述钢轨损伤检测模型，确定该钢轨损伤检测模型的精确率和召回率，其中所述精确率和所述召回率是根据交并比阈值得到的。
[0125]
在本步骤中，由于步骤301已经完成了阶段性的训练，所以需要对训练后的钢轨损伤检测模型进行验证，将验证集导入至钢轨损伤检测模型中，计算精确率和召回率。其中精确率可以表征钢轨损伤检测模型预测的精度，即可以通过预测的检测框与标注好的检测的重叠面积来进行计算。召回率可以表征预测出现错误的概率，即检测出出现损伤的正确概率。
[0126]
在本文中，交并比阈值iou可以设定为0-1.0中的任何小数，例如0.1、0.2、0.3等等。
[0127]
设tp为正样本预测为正的数目(true positive)，即检测框检测出对象并且iou大于阈值，表明成功检测。
[0128]
设fp为正样本预测为负的数目(false positive)，即检测框检测出对象但iou小于阈值，表明检测错误。
[0129]
设fn为负样本预测为负的数目(false negative)即检测框未能检测出对象，但实际包含对象，表明漏检测。
[0130]
设tn为负样本预测为正的数目(true negative)，即检测框未能检测出对象，并且实际的确不包含对象。实际无法计算也无需计算。
[0131]
精确率
[0132]
其中，tp为检测框检测出的伤损位置坐标区间与真实伤损位置坐标区间占比大于所述交并比阈值的样本数量；
[0133]
fp为检测框检测出的伤损位置坐标区间与真实伤损位置坐标区间占比小于所述交并比阈值的样本数量；
[0134]
召回率
[0135]
其中，tp为检测框出的伤损位置坐标区间与真实伤损位置坐标区间占比大于所述交并比阈值的样本数量；
[0136]
fn为检测框未检测出伤损样本，但实际包含伤损样本的样本数量。
[0137]
该验证阶段可以进行多次，本文实施例中，验证阶段的训练周期可以为500。
[0138]
步骤303、将所述交并比阈值递增得到对应的pr曲线，其中，所述pr曲线是根据所述精确率和召回率描绘的。
[0139]
在本步骤中，因为精确率和召回率是根据交并比阈值得到的，所以调整交并比阈值，即会得到一组精确率和召回率。
[0140]
在调整交并比阈值得到一组精确率和召回率后，可以令精确率为纵坐标，以召回率为横坐标，画出二维曲线，即pr曲线。
[0141]
步骤304、根据所述pr曲线与坐标轴所围成的面积计算钢轨损伤检测模型的map。
[0142]
将pr曲线与坐标轴横坐标围成的面积作为ap(average precision)。
[0143]
步骤305、根据所述map选取所述钢轨损伤检测模型。
[0144]
因为在步骤301中，得到了若干的模型参数，通过调整一次交并比阈值后，计算所有的钢轨损伤检测模型的ap，将所有的ap计算平均值，即得到了map(mean average precision)，将map最大的一组钢轨损伤检测模型，作为文本实施例所使用的模型。
[0145]
作为本文的一个实施例，步骤所述对待检测图片进行预处理，得到若干个尺度的池化特征图，进一步包括：
[0146]
提取所述待检测图片的特征，得到所述待检测图片的初始特征图。
[0147]
根据预设的尺度对初始特征图进行下采样或上采样，得到多尺度的特征图。
[0148]
对各尺度特征图进行区域提取及区域池化处理，得到各尺度的区域特征图。
[0149]
对各尺度的区域特征图进行尺度特征池化处理，得到多个池化特征图。
[0150]
在本步骤中，可以通过特征提取模块提取待检测图片的特征，例如通过特征金字塔网络提取待检测图片的初始特征图，在本文中，可以按照不同的尺寸提取待检测图片的至少三张初始特征图。提取方式包括卷积和采样。
[0151]
可以预设一个中间的尺度，例如50
×
50，将大于预设的尺度的初始特征图进行下采样，例如缩小；将小于预设的尺度的初始特征图进行上采样，例如扩大并拼接。
[0152]
在完成尺度变换后，将各个尺度的特征图进行区域提取并区域池化，可以得到各种区域内的区域特征图。
[0153]
将完成区域池化的区域特征图进行各种尺度的池化，可以得到多个池化特征图。
[0154]
通过上述方式，可以增加感受野，并且还可以降低后续特征提取的难度，与参数的
维度。
[0155]
作为本文的一个实施例，所述类别检测模块包括多个类别检测支路，每一类别检测支路包括第一轻量级动态检测模块及二分类模块，每一类别检测支路利用一种类别钢轨损伤的历史图片训练得到；
[0156]
利用第一轻量级动态检测模块提取各池化特征图的尺度特征并将其映射至所述池化特征图以得到第一融合特征图，提取所述第一融合特征图的空间感知权重并将其映射至所述第一融合特征图中，得到第二融合特征图；利用二分类模块识别所述第二融合特征图得到所述损伤类别。
[0157]
本文实施例中，钢轨损伤检测模型可以包括若干个类别检测支路，其中，每一个类别检测支路都有其对应的轻量级动态检测模块，该轻量级动态检测模块的功能是根据池化特征图，输入对应的0-1之间的数字，例如本文的类别检测支路为9种，轻量级动态检测模块之间的模块结构、参数都可以不相同。即对不同的轻量级动态检测模块输入相同的特征图时，可以得到不同的结果，例如第一轻量级动态检测模块对应第一损伤类型，第二轻量级动态检测模块对应第二损伤类型等等，当第一轻量级动态检测模块识别池化特征图并输出1.0时，即可以判断该待检测图片属于第一类损伤类型。
[0158]
具体的不同模块结构和参数的训练过程，可以是向对应损伤类型的类别检测支路导入该类别损伤的图片得到的，具体的训练过程，也可以参考图2所示部分，本文在此不再赘述。
[0159]
作为本文的一个实施例，所述提取各池化特征图的尺度感知权重并将其映射至所述池化特征图以得到第一融合特征图，进一步包括：
[0160]
将各池化特征图进行平均池化，得到平均池化特征图。
[0161]
将所述平均池化特征图进行线性卷积处理及非线性变换，得到各池化特征图的尺度感知权重。
[0162]
将各池化特征图的尺度感知权重与所述池化特征图进行乘积处理，得到所述第一融合特征图。
[0163]
在本步骤中，池化特征图的维度根据特征提取模块的尺度划分特征、特征提取模块中每一个初始特征图的高度和宽度，以及初始特征图的通道数确定。具体可以利用如下公式确定：维度＝l
×s×
c，其中l是特征金字塔输出的初始特征图f的数量；s＝hw，h是初始特征图的高度，w是初始特征图的宽度，c是初始特征图f的通道数。
[0164]
为了更好的保留池化特征图的整体数据的特征，较好的突出损伤与背景之间的信息，本文采用平均池化方式对池化特征图进行处理。
[0165]
例如根据公式可以得到平均池化特征图，即按照初始特征图的通道数和初始特征图的高度、初始特征图的宽度对池化特征进行平均池化操作。
[0166]
为了保证平均池化特征图的数据呈线性，或者为了降低、提升通道数，以降低或者提升维度，本文采用与1
×
1卷积核进行卷积的方法来降低维度，从而不改变平均池化特征图的宽度和高度，以保证池化特征图的特征。具体可以通过公式表示，其中f为1×
1卷积核。
[0167]
当完成了降低通道数后，为了保证池化特征图通过全连接层不会出现矩阵相乘的情况，避免无用功卷积，本文实施例还可以在1
×
1卷积核后进行非线性的变换，具体包括：利用如下公式计算各池化特征图的尺度感知权重：
[0168][0169]
其中，为所述平均池化特征图，f为所述特征图，s为所述特征图的像素，s根据所述特征图的高度和宽度确定得到，c为所述特征图的通道数，f为线性卷积函数，σ为激活函数。
[0170]
在本文中激活函数
[0171]
其中尺度感知权重，表征了不同尺寸的池化特征图，占待检测图片中所有特征的尺度的权重。
[0172]
在得到尺度感知权重后，需要将尺度感知权重与所述池化特征图进行乘积处理，具体为公式其中，π
l
(f)即为所述第一融合特征图。
[0173]
作为本文的一个实施例，步骤所述提取所述第一融合特征图的空间感知权重并将其映射至所述第一融合特征图中，得到第二融合特征图，进一步包括：
[0174]
对所述第一融合特征图分别进行多核线性卷积以及可变形卷积操作，得到空间感知权重。
[0175]
对所述第一融合特征图和所述空间感知权重进行乘积操作，得到所述第二融合特征图。
[0176]
在本步骤中，多核线性卷积的过程可以用如下公式表示其中ω
l,k
是模型参数，pk是第一融合特征图中的特征点，将模型参数作为卷积核，以实现线性卷积。
[0177]
在完成线性卷积的同时，还可以通过增加特征点的偏置量，以实现可变卷积操作，达到提升感受野的效果，具体可以用如下公式表示：其中δpk和δmk是偏置量，该偏置量可以是预设的，也可以是根据特征点分布情况进行临时变更的。
[0178]
将多核线性卷积和可变卷积进行融合，根据公式即可得到空间感知权重。
[0179]
将空间感知权重与第一融合特征图进行乘积操作，得到第二融合特征图，具体公式为需要说明的是，在本公式中的f为第一融合
特征图。
[0180]
综上，可以通过公式w(f)＝πs(π
l
(f))，其中f为池化特征图，w(f)为第二融合图。
[0181]
作为本文的一个实施例，所述类别检测模块还包括区域检测支路，所述区域检测支路包括第二轻量级动态检测模块及回归模块，利用所有类别钢轨损伤的历史图片训练得到；
[0182]
利用第二轻量级动态检测模块提取各池化特征图的尺度特征并将其映射至所述池化特征图以得到第三融合特征图，提取所述第三融合特征图的空间感知权重并将其映射至所述第三融合特征图中，得到第四融合特征图；
[0183]
利用区域模块识别所述第四融合特征图以确定所述待检测图片中的损伤位置。
[0184]
在本步骤中，根据池化特征图得到第四融合特征图的过程与上述的根据池化特征图得到第二融合特征图的过程一致，在此不再赘述。
[0185]
当得到第四融合特征图后，回归模块可以在第四融合特征图基础上回归一个检测框，例如第四融合特征图为初始图片，那么根据检测框的大小，以及检测框的位置，可以在第四融合特征图上加入一个具有确定位置的检测框，回归模块确定第三融合特征图中检测框的宽、高、检测框中心点的横坐标和检测框中心点的纵坐标。
[0186]
该检测框与损伤位置相对应，根据第四融合特征图检测框的参数，以及第四融合特征图相对应待检图片的尺度，即可得到待检测图片中的损伤位置。
[0187]
如图4一种钢轨损伤检测装置示意图所示，包括：
[0188]
获取单元401，用于获取待检测图片；
[0189]
损伤类别确定单元402，用于输入所述待检测图片至预先训练得到的钢轨损伤检测模型中，得到损伤类别；
[0190]
其中，所述钢轨损伤检测模型包括预处理模块和类别检测模块；
[0191]
所述预处理模块用于对待检测图片进行预处理，得到若干个尺度的池化特征图；
[0192]
所述类别检测模块用于提取各池化特征图的尺度感知权重并将其映射至所述池化特征图以得到第一融合特征图，提取所述第一融合特征图的空间感知权重并将其映射至所述第一融合特征图中，得到第二融合特征图；识别所述第二融合特征图得到所述损伤类别通过上述装置，对每一个池化特征图先进性尺度感知，再进行空间感知，可以实现在同等大小卷积核的情况下获得更大且更灵活的卷积核感受野，提高了对钢轨损伤检测类型的精度，降低了误检率。
[0193]
如图5一种钢轨损伤检测装置的钢轨损伤模型拓扑图所示，作为本文的一个实施例，包括：
[0194]
预处理模块501、用于对待检测图片进行预处理，得到若干个尺度的池化特征图。
[0195]
类别检测模块502、包括多个类别检测支路5021和一个区域检测支路5022。
[0196]
类别检测支路5021，用于提取各池化特征图的尺度感知权重并将其映射至所述池化特征图以得到第一融合特征图，提取所述第一融合特征图的空间感知权重并将其映射至所述第一融合特征图中，得到第二融合特征图；识别所述第二融合特征图得到所述损伤类别。
[0197]
区域检测支路5022、用于提取各池化特征图的尺度特征并将其映射至所述池化特征图以得到第三融合特征图，提取所述第三融合特征图的空间感知权重并将其映射至所述
第三融合特征图中，得到第四融合特征图。
[0198]
识别所述第四融合特征图以确定所述待检测图片中的损伤位置。
[0199]
其中，预处理模块501包括特征提取模块2、池化模块3和尺度特征池化模块4。
[0200]
类别检测支路5021中，包括第一轻量级动态检测模块50211和二分类模块50212。
[0201]
第一轻量级动态检测模块50211用于提取各池化特征图的尺度感知权重并将其映射至所述池化特征图以得到第一融合特征图，提取所述第一融合特征图的空间感知权重并将其映射至所述第一融合特征图中，得到第二融合特征图。
[0202]
二分类模块50212用于识别所述第二融合特征图得到所述损伤类别。
[0203]
区域检测支路5022中，包括第二轻量级动态检测模块50221和回归模块50222。
[0204]
第二轻量级动态检测模块50221用于提取各池化特征图的尺度特征并将其映射至所述池化特征图以得到第三融合特征图，提取所述第三融合特征图的空间感知权重并将其映射至所述第三融合特征图中，得到第四融合特征图。
[0205]
回归模块50222用于识别所述第四融合特征图以确定所述待检测图片中的损伤位置。
[0206]
如图6所示一种钢轨损伤检测方法的数据处理流程图，包括：
[0207]
步骤61、获取待检测图片1。
[0208]
步骤62、将待检测图片导入至钢轨损伤检测模型中的特征提取模块2，特征提取模块2按照尺度提取若干尺度的特征图。
[0209]
步骤63、将各尺度特征图导入至钢轨损伤检测模型中的池化模块3中，池化模块3进行区域提取及区域池化处理，得到各尺度的区域特征图。
[0210]
步骤64、将各尺度的区域特征图导入至钢轨损伤检测模型中尺度特征池化模块4中，尺度特征池化模块4进行尺度特征池化处理，得到多个池化特征图。
[0211]
步骤65、将池化特征图导入至钢轨损伤检测模型中类别检测模块5中，以确定待检测图片的损伤类别和损伤位置。
[0212]
其中，特征提取模块2、池化模块3及尺度特征池化模块4的网络架构可参考现有技术，本文对此不作限定。
[0213]
其中，特征提取模块2、池化模块3及尺度特征池化模块4的网络架构可参考现有技术，本文对此不作限定。
[0214]
类别检测模块5包括多个类别检测支路及一个区域检测支路。其中，每一类别检测支路包括轻量级动态检测模块及二分类模块，每一类别检测支路利用一类别钢轨损伤的历史图片训练得到。区域检测支路包括轻量级动态检测模块及区域模块，利用所有类别钢轨损伤的历史图片训练得到。
[0215]
具体的，轻量级动态检测模块用于提取各池化特征图的尺度特征并将其映射至池化特征图以得到第一融合特征图；提取第一融合特征图的空间感知权重并将其映射至所述第一融合特征图中，得到第二融合特征图。二分类模块包括全连接层及softmax层，用于输出对应类别的是与否的结果。区域模块包括全连接层和sigmoid层，用于输出损伤位置坐标。
[0216]
如图7所示一种钢轨损伤检测方法的类别检测模块的数据处理流程图，步骤65包括：
[0217]
步骤651、将池化特征图导入至每一支路的第一轻量级动态检测模块50211和第二轻量级动态检测模块50221中，分别得到第二融合特征图和第四融合特征图。
[0218]
步骤652、将第二融合特征图分别导入至二分类模块50212中，得到待检测图片的损伤类别。
[0219]
步骤653、将第四融合特征图导入至回归模块50222中，得到待检测图片的损伤位置。
[0220]
本文所述的各支路中的轻量级动态检测模块的结构相同但参数不同，如图8所示一种钢轨损伤检测方法的轻量级动态检测模块的数据处理流程图，步骤651包括：
[0221]
步骤6511、将池化特征图导入至平均池化网络511进行平均池化，得到平均池化特征图。
[0222]
步骤6512、将平均池化特征图导入至线性卷积网络512进行1
×
1卷积。
[0223]
步骤6513、将平均池化特征图导入至学习因子网络513中，乘以学习因子。
[0224]
步骤6514、将平均池化特征图导入至第一非线性变换网络514中，进行非线性变换，得到尺度感知权重。
[0225]
步骤6515、将尺度感知权重与池化特征图导入至第一乘积网络515，,进行乘积，得到第一融合特征图。
[0226]
步骤6516、将第一融合特征图导入至常数因子网络516中，乘以常数因子。
[0227]
步骤6517、将第一融合特征图导入至对称卷积网络517中，进行3
×
3卷积。
[0228]
步骤6518、将第一融合特征图导入至第二非线性变换网络518进行线性卷积。
[0229]
步骤6519、将第一融合特征图导入至可变性卷积网络519，进行可变形卷积。
[0230]
步骤6520、将线性卷积结果和可变形卷积得到的空间感知权重与第一融合特征图导入至第二乘积网络5110进行乘积操作，得到第二融合特征图。
[0231]
如图9所示，为本文实施例提供的一种计算机设备，所述计算机设备902可以包括一个或多个处理器904，诸如一个或多个中央处理单元(cpu)，每个处理单元可以实现一个或多个硬件线程。计算机设备902还可以包括任何存储器906，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器906可以包括以下任一项或多种组合：任何类型的ram，任何类型的rom，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备902的固定或可移除部件。在一种情况下，当处理器904执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备902可以执行相关联指令的任一操作。计算机设备902还包括用于与任何存储器交互的一个或多个驱动机构908，诸如硬盘驱动机构、光盘驱动机构等。
[0232]
计算机设备902还可以包括输入/输出模块910(i/o)，其用于接收各种输入(经由输入设备912)和用于提供各种输出(经由输出设备914))。一个具体输出机构可以包括呈现设备916和相关联的图形用户接口(gui)918。在其他实施例中，还可以不包括输入/输出模块910(i/o)、输入设备912以及输出设备914，仅作为网络中的一台计算机设备。计算机设备902还可以包括一个或多个网络接口920，其用于经由一个或多个通信链路922与其他设备交换数据。一个或多个通信总线924将上文所描述的部件耦合在一起。
[0233]
通信链路922可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点
对点连接等、或其任何组合。通信链路922可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
[0234]
对应于图2-图3中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
[0235]
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图2-图3所示的方法。
[0236]
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
[0237]
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0238]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
[0239]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0240]
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
[0241]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
[0242]
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0243]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或
部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0244]
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。