基于深度学习的钢轨病害检测算法研究

钢轨病害的存在严重威胁行车安全，因此，对钢轨病害进行有效检测对提升车辆运行的安全性具有至关重要的意义。本文旨在综述基于深度学习的钢轨病害检测算法。首先，对基于深度学习的钢轨病害检测网络进行了全面介绍；其次，根据数据的采集模态，将钢轨病害检测方法划分为两类：基于单一模态数据(轮轨加速度信号、图像、结构光点云)的典型算法以及基于多模态数据融合的算法；最后，对未来钢轨病害检测技术进行了综述和展望。

高速铁路基础设施的服役检测对确保高铁的安全运行具有不可替代的作用。其中，钢轨病害作为检测的核心内容，发展先进的钢轨病害检测技术，提升轨道病害检测水平，已然成为当前高速铁路发展亟需满足的需求。

钢轨表面的损伤可能是由多种原因引起的，如车轮与轨道之间的摩擦会产生高温，使钢轨的金属结构发生形变，典型的钢轨病害包括波磨、压陷、扣件损伤或丢失等[1]，这些轨道病害会对列车的正常运行产生严重影响。近年来，随着深度学习领域的迅速发展，并伴随着数据采集量的增加，对于更短的检测时间和更高的检测准确率提出了更为迫切的需求。相对于传统基于机器视觉的钢轨病害检测方法，深度神经网络结构具有显著优势[8] [9]，它能够学习到更高层次、更抽象的特征表示，处理大规模数据，并实现端到端的学习。本文将围绕基于深度学习的钢轨病害视觉检测任务，对单模态与多模态融合的典型钢轨病害检测模型进行介绍与分析。

2. 基于深度学习的钢轨病害检测网络 Figure 1. Deep convolutional neural networks for detection of rail surface defects 图1. 基于深度卷积神经网络的钢轨表面缺陷检测模型 2016 年，Faghih-Roohi 等学者提出了一项基于深度卷积神经网络的钢轨表面缺陷检测模型[2]，该模型采用了改进的深度卷积神经网络(DCNN)来进行钢轨缺陷的检测。该DCNN 检测模型的结构包括三个卷积层、三个最大池化层以及三个全连接层，并使用Tanh 和ReLU 作为激活函数。此模型的基本结构示意图见图1。研究首先对采集到的铁路轨道图像进行手动标记，分为6 类，即正常、焊接缺陷、轻度隐伤、中度隐伤、重度隐伤、接合损伤。接下来，将像素的灰度图像输入到DCNN 分类网络中，然后采用小批量梯度下降方法对网络进行优化。最终，该模型成功地对钢轨缺陷进行分类，其准确率达到92%。