技术摘要：
一种基于YOLO的隧道内铁轨表面缺陷检测方法，包括如下步骤：1)具有图像采集、自主定位功能的无人机从以隧道入口为初始点，隧道出口为结束点；进入隧道内对铁轨进行巡检；2)采集铁轨表面实时图像信息，实时检测铁轨表面缺陷，若检测到表面缺陷，则进入步骤3)；否则重复  全部
背景技术：
如今，交通运输已经成为我们生活的一部分，特别是铁路运输。中国的铁路运输正 处于飞速发展阶段，而其中的铁轨表面是目前列车安全运行中比较薄弱的环节。针对铁轨 表面缺陷类型，主要分为磨损、裂纹、压陷、剥落等影响铁轨正常使用和威胁列车安全行驶 的隐患。 传统的隧道铁轨巡检方式主要通过人工巡检，但该方式存在许多安全隐患，在耗 费大量人力的同时也因隧道内光线昏暗导致漏检误检情况严重。因此，一种行之有效的方 法是使用无人机来检测隧道内铁轨表面缺陷情况。建立铁轨表面缺陷数据集，基于YOLO框 架模型实现对铁轨表面缺陷的识别，通过无人机巡检实现实时检测，同时使用改进的损失 函数提升对铁轨小缺陷的检测精度。
技术实现要素：
本发明所要解决的技术问题是提供一种无人机针对隧道内铁轨表面缺陷的检测 方法，可提高检测效率及检测精度。 为解决上述技术问题，本发明的技术方案是一种基于YOLO的隧道内铁轨表面缺陷 检测方法，包括如下步骤： 1)具有图像采集、自主定位功能的无人机从以隧道入口为初始点，隧道出口为结 束点；进入隧道内对铁轨进行巡检； 2)采集铁轨表面实时图像信息，实时检测铁轨表面缺陷，若检测到表面缺陷，则进 入步骤3)；否则重复步骤2)，直至到达结束位置； 3)存储当前图片，标记图中缺陷位置，同时记录缺陷类型及当前无人机位置信息。 无人机使用激光雷达配合SLAM算法构建隧道巡检地图，并在巡检工作中进行实时 定位。 在无人机机体下方搭载3*3可控阵列光源，针对隧道内光照不足的情况进行补光， 光源光照强度L调节公式为： L＝L0 u 其中：其中光源光照强度控制如下： 自然光条件下，无人机拍摄铁轨表面的初始灰度均值 隧道环境内采集图像的 灰度均值h，L0为初始光照强度，设置为100Lux，u∈[-10,10]，Kp和Kd分别为比例系数和微分 系数。 5 CN 111598846 A 说　明　书 2/6 页 无人机未检测到缺陷时速度v为： 其中：v0为初始速度，Kv为调节系数，其取值范围为[0,0.5]； 为算法理想情况下 运行时的平均检测帧率，fq为巡检过程中的实时检测帧率。 步骤2)中，对于采集的缺陷图像的检测步骤如下： A1、采集图像预处理：采集铁轨表面的缺陷图像，对其进行预处理，所述预处理包 括铁轨定位、图像增强和图像去噪，保护目标信息并消除非铁轨区域和噪声的干扰，增强图 像对比度； A2、图像张量值获取：将预处理后的缺陷图像作为输入图像，在网络中进行特征提 取，得到三种尺度的特征图，并通过上采样得到张量值； A3、目标边界框的预测：通过转换获取图像中的标签数据，包括中心坐标值bx，by， 宽高值bw，bh和类别，进行目标边界框的预测； A4、损失函数的计算，损失函数主要包括三个部分：目标定位偏移量损失，目标置 信度损失和目标分类损失。 步骤A1中图像预处理中：铁轨定位采用OTSU算法进行图像分割，得到完整铁轨表 面区域图像；图像增强采用局部对比度法实现图像对比度增强；图像去噪采用多级中值滤 波去噪，抑制噪声的同时保护铁轨上细小结构。 图像增强中的图像对比度D(x,y)计算公式如下： h(x,y)是图像中像素点(x,y)的灰度值，hB为像素点(x,y)邻域B中灰度均值，其中 区域B定义为以像素点(x,y)为中心的1×150的线型区域。 步骤A2中得到的三种特征图尺度分别为13*13、26*26和52*52，三种尺度的特征图 结合成为最终输出，并得到三个张量值，分别为(S,3,13/26/52,13/26/52,3*(W C L))，其 中，S表示特征图网格尺寸，W表示预测得到的预测结果的中心坐标值和宽高值，C表示预测 框的置信度，L表示在该特征点上预测类别的概率。 步骤A3中转换过程为：设预测的边界框中心相对于其所在网格左上角坐标与网格 边长的比值分别为tx和ty，激活函数采用Sigmoid函数， 则边界框的中心点坐标(bx,by)，宽bw，高bh和置信度bc分别为 bx＝σ(tx) cx by＝σ(ty) cy 6 CN 111598846 A 说　明　书 3/6 页 bc＝σ(tc) 最终预测边界框输出表示为b＝(bx,by,bw,bh,bc)T；其中cx，cy为预设的预测网络， pw,ph为预设的anchor值；置信度σ(tc)由包含该物体概率pr(class)和边框准确度 两 部分组成，即 其中 是预测框与真实框的交并比；设置阈值将得到的多个预测矩形框通过 非极大抑制算法处理，最终得到最可靠的矩形框。 步骤A4中所使用损失函数导数形式为： 其中σ∈(-1 ,1)。对于较大的误差,该损失函数可以将其进行适当地缩小,这样当 梯度传播到Sigmoid函数时，能够加快初始时的收敛速度，减少梯度消失的影响。同时，当误 差已经逼近0的情况，能够使输出层权重的调整幅度更小,使模型得到更好收敛。 该损失函数对误差变化具有较好的跟随性，能够随着误差的变化而变化，具有误 差大时梯度大,误差小时梯度小的性质，能够根据误差的变化调整权重，使网络模型收敛的 更好。使用该改进损失函数，提升了该网络在检测铁轨小缺陷时的检测速度与精度。 与现有技术相比，本发明的优异效果是： 使用无人机作为巡检主体，避免了传统检测方法的诸多弊端，降低了人工检测时 人力成本，避免隧道内可能出现的变故对检测人员的安全威胁。 该方法基于YOLO框架，使用局部对比度法和多级中值滤波实现图像预处理，通过 改进损失函数提升小目标检测精度。同时在巡检过程中，能够根据缺陷检测速率对无人机 飞行速度进行调整，从而获得最优的检测结果。 附图说明 图1，为本发明无人机隧道巡检工作流程图。 图2，为本发明铁轨缺陷检测流程图。