麻哲旭，楊 峰，2，喬 旭

1.中國(guó)礦業(yè)大學(xué)（北京）機(jī)電與信息工程學(xué)院，北京100083

2.中國(guó)礦業(yè)大學(xué) 煤炭資源與安全開(kāi)采國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京100083

截至2019 年底，我國(guó)鐵路里程達(dá)到13.9 萬(wàn)公里以上，居世界第一位。隨著鐵路技術(shù)的快速發(fā)展，鐵路路基病害影響鐵路安全運(yùn)營(yíng)的問(wèn)題日漸突出，其中路基下沉和翻漿冒泥尤為常見(jiàn)[1]。車載地質(zhì)雷達(dá)檢測(cè)方法以其輕便快捷、抗干擾能力強(qiáng)、分辨率高、快速無(wú)損等優(yōu)點(diǎn)，已成為各國(guó)鐵路路基檢測(cè)的一種常用工具[2-4]。圖1 為車載地質(zhì)雷達(dá)檢測(cè)青藏鐵路路基現(xiàn)場(chǎng)照片。如圖2 所示為采集地質(zhì)雷達(dá)檢測(cè)數(shù)據(jù)需要借助的車載地質(zhì)雷達(dá)控制系統(tǒng)。鐵路路基車載地質(zhì)雷達(dá)的檢測(cè)數(shù)據(jù)量非常龐大，平均每30公里產(chǎn)生約23 GB 的地質(zhì)雷達(dá)數(shù)據(jù)，然而，目前對(duì)于地質(zhì)雷達(dá)數(shù)據(jù)的解釋仍以人工為主，效率低，無(wú)法形成統(tǒng)一標(biāo)準(zhǔn)，且依賴于經(jīng)驗(yàn)豐富的專家。因此，如何對(duì)鐵路病害進(jìn)行自動(dòng)識(shí)別，提高識(shí)別的效率和精度具有重要意義。

圖1 青藏鐵路路基車載地質(zhì)雷達(dá)

圖2 車載地質(zhì)雷達(dá)控制系統(tǒng)

目前對(duì)于鐵路路基病害的識(shí)別算法研究主要分為對(duì)探地雷達(dá)B-scan 剖面顯示圖像和A-scan 單道數(shù)據(jù)進(jìn)行對(duì)比識(shí)別兩種。其中針對(duì)探地雷達(dá)B-scan 剖面顯示圖像的識(shí)別方法大多基于雷達(dá)圖像剖面灰度圖，針對(duì)灰度圖像人工設(shè)計(jì)病害特征，隨后將特征利用支持向量機(jī)、淺層神經(jīng)網(wǎng)絡(luò)等分類算法訓(xùn)練，得到雷達(dá)圖像識(shí)別結(jié)果。鐵路路基病害的形態(tài)和尺寸多種多樣，人工設(shè)計(jì)的特征無(wú)法充分提取路基病害特征，SVM（支持向量機(jī)）和淺層神經(jīng)網(wǎng)絡(luò)[5-7]識(shí)別精度難以滿足實(shí)際應(yīng)用需要。隨著深度學(xué)習(xí)在圖像分類任務(wù)[8-10]中取得廣泛成功后，基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法開(kāi)始被應(yīng)用到鐵路路基病害分類任務(wù)[11]，但單純對(duì)病害圖像進(jìn)行分類無(wú)法給出病害具體位置。近年來(lái)，許多基于卷積神經(jīng)網(wǎng)絡(luò)的方法應(yīng)用到目標(biāo)檢測(cè)任務(wù)中，這些方法可以分為基于候選區(qū)域的雙階段檢測(cè)方法（Two-stage）和基于回歸單階段檢測(cè)方法（One-stage）兩大類?；诤蜻x區(qū)域的雙階段檢測(cè)方法主要為R-CNN[12]系列算法，例如SPP-Net[13]、FastR-CNN[14]、Faster R-CNN[15]和Cascade R-CNN[16]等。這些方法使用選擇性搜索[17]與區(qū)域建議網(wǎng)絡(luò)[15]產(chǎn)生物體建議框，導(dǎo)致具有較高的計(jì)算復(fù)雜度。Faster R-CNN和Cascade R-CNN算法開(kāi)始應(yīng)用于鐵路路基病害檢測(cè)任務(wù)中[18-19]，但由于探地雷達(dá)數(shù)據(jù)屬于海量數(shù)據(jù)，該方法無(wú)法實(shí)現(xiàn)實(shí)時(shí)檢測(cè)，且對(duì)大尺度路基病害檢測(cè)效果不佳。

為了在保障精度的同時(shí)能兼顧檢測(cè)速度，一些通過(guò)使用卷積神經(jīng)網(wǎng)絡(luò)直接預(yù)測(cè)不同目標(biāo)類別與位置的方法被提出。這類方法被稱為端到端的單階段檢測(cè)方法，具有檢測(cè)快速，可以從圖像中直接回歸出檢測(cè)結(jié)果的特點(diǎn)，主要包括YOLO[20]、SSD[21]、YOLOv2[22]與YOLOv3[23]等。YOLOv3的性能在精度上最佳，但由于YOLOv3在512×512 的輸入分辨率下最小特征圖尺寸為16×16，相比SSD 的最小特征圖尺寸較大，導(dǎo)致YOLOv3 對(duì)一些大尺寸物體的檢測(cè)效果不佳，難以檢測(cè)大尺度的鐵路基病害。

由于檢測(cè)算法的復(fù)雜性，算法實(shí)現(xiàn)實(shí)時(shí)檢測(cè)往往需要昂貴的計(jì)算資源。為了滿足在嵌入式平臺(tái)上的實(shí)時(shí)檢測(cè)需求，一些輕量化的目標(biāo)檢測(cè)算法被提出，如Tiny YOLOv2、Tiny YOLOv3，分別對(duì)應(yīng)YOLOv2和YOLOv3的精簡(jiǎn)版本。其中，Tiny YOLOv3 的檢測(cè)速度比Tiny YOLOv2略低，精度上優(yōu)于Tiny YOLOv2。由于對(duì)模型進(jìn)行了精簡(jiǎn)，輕量化YOLO 模型檢測(cè)精度不及原始版本，但檢測(cè)速度較快。Tiny YOLOv3 模型主要由卷積層和池化層構(gòu)成，沒(méi)有殘差結(jié)構(gòu)，只使用兩個(gè)不同尺度的輸出層。鐵路路基病害的形態(tài)復(fù)雜，輕量化YOLO模型雖滿足實(shí)時(shí)檢測(cè)的需要，但由于特征提取網(wǎng)絡(luò)較淺，不能充分提取病害特征。輕量化的卷積神經(jīng)網(wǎng)絡(luò)模型適合嵌入式工程中的應(yīng)用，雷達(dá)數(shù)據(jù)后期處理對(duì)于準(zhǔn)確率要求較高，一旦發(fā)生錯(cuò)檢和漏檢，不利于后續(xù)的鐵路路基病害整治。

綜上所述，現(xiàn)有的鐵路路基病害檢測(cè)方法可分為人工設(shè)計(jì)特征與傳統(tǒng)機(jī)器學(xué)習(xí)分類算法結(jié)合、利用基于候選區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別。人工設(shè)計(jì)特征無(wú)法充分提取鐵路路基病害特征，傳統(tǒng)的機(jī)器學(xué)習(xí)分類算法難以應(yīng)對(duì)復(fù)雜的路基環(huán)境，而基于候選區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)無(wú)法實(shí)現(xiàn)實(shí)時(shí)檢測(cè)，難以滿足工程需要。

如圖3所示，本文對(duì)YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)以適應(yīng)鐵路路基病害特點(diǎn)，提出了LS-YOLOv3 檢測(cè)模型。針對(duì)特征圖尺度偏大的特點(diǎn)設(shè)計(jì)了深度殘差網(wǎng)絡(luò)來(lái)更好地提取鐵路路基病害特征，并利用深度殘差主網(wǎng)絡(luò)特征圖構(gòu)建4 個(gè)尺度上的特征金字塔，在512×512 輸入分辨率下使YOLOv3 的最小特征圖從16×16 縮小為8×8，從而使網(wǎng)絡(luò)有更大的感受野，并在4個(gè)尺度上與深度殘差網(wǎng)絡(luò)進(jìn)行特征融合，形成鐵路路基病害實(shí)時(shí)檢測(cè)模型。提出的LS-YOLOv3模型可以針對(duì)鐵路路基病害特點(diǎn)更好地檢測(cè)，在保證精度的同時(shí)極大地縮短了檢測(cè)時(shí)間，可以實(shí)現(xiàn)鐵路路基病害在高性能GPU 計(jì)算平臺(tái)上的實(shí)時(shí)檢測(cè)。

圖3 提出的LS-YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)示意圖

1 鐵路路基病害檢測(cè)模型

本文提出的鐵路路基病害實(shí)時(shí)智能檢測(cè)方法流程為：首先，對(duì)車載探地雷達(dá)獲取的鐵路路基病害B-scan剖面灰度圖標(biāo)注病害位置和病害類別，生成標(biāo)注文件，并劃分?jǐn)?shù)據(jù)集為訓(xùn)練集和測(cè)試集；為了避免過(guò)擬合并提升模型性能，采用了混合（mixup）[24]，隨機(jī)翻轉(zhuǎn)和隨機(jī)裁剪的方式對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行擴(kuò)充；隨后，使用LSYOLOv3網(wǎng)絡(luò)預(yù)測(cè)鐵路路基病害位置坐標(biāo)、類別和置信度，具體方法如下：設(shè)計(jì)了深度殘差網(wǎng)絡(luò)提取雷達(dá)圖像病害特征，并將其分成4個(gè)分支，在4個(gè)尺度上與深度殘差網(wǎng)絡(luò)進(jìn)行特征融合，形成多尺度預(yù)測(cè)網(wǎng)絡(luò)并輸出預(yù)測(cè)的邊界框，利用非極大值抑制的方法剔除重復(fù)的邊界框，通過(guò)梯度下降法迭代計(jì)算獲得鐵路路基病害檢測(cè)模型；最后，使用均值平均精度（mAP）和每秒傳輸幀數(shù)（FPS）兩項(xiàng)指標(biāo)評(píng)價(jià)模型，選擇最佳的模型檢測(cè)路基病害，得到鐵路路基病害檢測(cè)結(jié)果。

2 數(shù)據(jù)集建立與擴(kuò)充

2.1 數(shù)據(jù)集建立

車載地質(zhì)雷達(dá)探測(cè)以電磁波在有耗介質(zhì)中傳播規(guī)律為理論基礎(chǔ)，利用天線向鐵路路基中發(fā)射高頻率、寬頻帶的短脈沖電磁波。鐵路路基是由級(jí)配碎石、空氣、路基土、水等不均勻介質(zhì)構(gòu)成[5]，這些不同的介質(zhì)之間會(huì)形成介電性質(zhì)不同的界面。病害路基與正常路基在含水量和形態(tài)上有所不同，同時(shí)存在界面混雜，路基深部結(jié)構(gòu)的介電性質(zhì)也會(huì)發(fā)生變化。電磁波在遇到介電性質(zhì)不同的介面時(shí)，會(huì)發(fā)生反射和透射，雷達(dá)接收機(jī)的天線可以接收反射的電磁波；透射的電磁波會(huì)繼續(xù)向路基深部傳播，當(dāng)再次遇到介電性質(zhì)不同的界面時(shí)又發(fā)生反射和透射；地面上的接收機(jī)天線通過(guò)不斷接收反射信號(hào)即可獲得一道雷達(dá)數(shù)據(jù)，當(dāng)車載地質(zhì)雷達(dá)在沿測(cè)線移動(dòng)時(shí)，通過(guò)組合多道雷達(dá)數(shù)據(jù)，就會(huì)形成一張雷達(dá)剖面圖。

如圖4所示，通過(guò)車載地質(zhì)雷達(dá)對(duì)鐵路路基進(jìn)行實(shí)地探測(cè)掃描，從而獲得了鐵路路基B-scan 剖面灰度圖。鐵路路基地質(zhì)構(gòu)造復(fù)雜，路基病害形狀和尺寸各異，對(duì)于病害的識(shí)別需要借助有豐富經(jīng)驗(yàn)的專家。如圖5 所示，通過(guò)專家對(duì)雷達(dá)數(shù)據(jù)進(jìn)行解釋并標(biāo)注翻漿冒泥和路基下沉兩種病害。圖6和圖7為典型的翻漿冒泥病害和路基下沉病害雷達(dá)圖。對(duì)于專家也無(wú)法準(zhǔn)確判斷的鐵路路基病害圖，將其從數(shù)據(jù)集中剔除。通過(guò)專家判斷并人工標(biāo)注，構(gòu)建了鐵路路基病害數(shù)據(jù)集，數(shù)據(jù)集中共有鐵路路基病害圖403張，其中翻漿冒泥261處，路基下沉279處，由于一張鐵路路基病害圖中可能含有多種病害，故樣本總計(jì)數(shù)目小于各類別樣本數(shù)目的和。鐵路路基病害數(shù)據(jù)集中的數(shù)據(jù)分布如表1所示。

圖4 車載地質(zhì)雷達(dá)實(shí)地探測(cè)

圖5 專家解釋雷達(dá)數(shù)據(jù)

圖6 翻漿冒泥病害

圖7 路基下沉病害

表1 鐵路路基病害數(shù)據(jù)集中數(shù)據(jù)分布

2.2 數(shù)據(jù)擴(kuò)充

為了避免過(guò)擬合并提升模型性能，類似于光學(xué)影像中混合（mixup）[24]的數(shù)據(jù)擴(kuò)充的方法，對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行了擴(kuò)充，具體的擴(kuò)充方法為：

其中，(pi,li)和(pj,lj)為從訓(xùn)練集中隨機(jī)選取的樣本，pi和pj為擴(kuò)充前的病害圖，li和lj為擴(kuò)充前標(biāo)簽中病害類別信息，x~ 為擴(kuò)充后的病害圖，為擴(kuò)充后的標(biāo)簽信息，α為混合系數(shù)，其取值范圍在0到1之間。擴(kuò)充結(jié)果如圖8所示。同時(shí)，在訓(xùn)練過(guò)程中采用隨機(jī)翻轉(zhuǎn)和隨機(jī)裁剪的方式進(jìn)行數(shù)據(jù)擴(kuò)充。通過(guò)擴(kuò)充數(shù)據(jù)集可以使卷積神經(jīng)網(wǎng)絡(luò)擁有更好的魯棒性，提高識(shí)別精度。

圖8 混合（mixup）擴(kuò)充方法

3 深度殘差網(wǎng)絡(luò)提取鐵路路基病害特征

網(wǎng)絡(luò)的深度越深，往往精度就越高，為了使深層卷積神經(jīng)網(wǎng)絡(luò)更加容易訓(xùn)練，有關(guān)學(xué)者提出了殘差網(wǎng)絡(luò)（ResNet）[25]。如圖9 所示，在殘差網(wǎng)絡(luò)中采用殘差塊結(jié)構(gòu)，每隔三層使用一次快捷連接（shortcut connection），把第一層的輸出特征加至第三層特征層中，使網(wǎng)絡(luò)在反向傳播過(guò)程中梯度不會(huì)為0，更加有助于神經(jīng)網(wǎng)絡(luò)中的信息流動(dòng)，且易于訓(xùn)練。

圖9 殘差塊

圖10 設(shè)計(jì)深度殘差網(wǎng)絡(luò)提取鐵路路基病害特征

針對(duì)鐵路路基病害通常尺度較大的特點(diǎn)，LS-YOLOv3設(shè)計(jì)了深度殘差網(wǎng)絡(luò)提取鐵路路基病害特征，其具體結(jié)構(gòu)如圖10 所示。在深度殘差網(wǎng)絡(luò)中，第一個(gè)卷積層利用32 個(gè)3×3 大小的卷積核對(duì)分辨率為512×512 分辨率的雷達(dá)圖像進(jìn)行卷積，得到512×512×32維度的輸出；隨后，用64個(gè)3×3大小的卷積核對(duì)上層網(wǎng)絡(luò)的輸出進(jìn)行步長(zhǎng)為2 的下采樣操作，并在其后添加殘差塊，得到256×256尺寸的特征圖；然后，對(duì)上層輸出再進(jìn)行步長(zhǎng)為2的下采樣操作，并添加了多組殘差層。在深度殘差網(wǎng)絡(luò)中，總共進(jìn)行了6 次下采樣操作，所以深度殘差網(wǎng)絡(luò)的輸入分辨率應(yīng)為64 的倍數(shù)。在所有的卷積層上，均添加了批量標(biāo)準(zhǔn)化層（batch normalization layer）[26]。

另外，在第4章中，LS-YOLOv3選取分辨率為64×64、32×32、16×16、8×8的特征圖構(gòu)成特征金字塔[27]，對(duì)特征圖上采樣并進(jìn)行特征融合，并在四個(gè)尺度上分別進(jìn)行病害檢測(cè)。

與Darknet-53相比，設(shè)計(jì)的深度殘差網(wǎng)絡(luò)可以更好地提取雷達(dá)病害特征，實(shí)驗(yàn)表明針對(duì)鐵路路基病害雷達(dá)圖像，LS-YOLOv3顯著地提高了模型性能，詳見(jiàn)第4章。

4 多尺度預(yù)測(cè)網(wǎng)絡(luò)

LS-YOLOv3 采用多尺度預(yù)測(cè)網(wǎng)絡(luò)在4 個(gè)尺度的特征圖上回歸鐵路路基病害的類型和位置。如圖3 右側(cè)部分所示，在深度殘差網(wǎng)絡(luò)中將8×8、16×16、32×32、64×64的特征圖分成4個(gè)分支并進(jìn)行特征融合，其中4個(gè)分支均可檢測(cè)病害，以適應(yīng)不同尺度病害的檢測(cè)。在4個(gè)分支中，均添加了卷積層，并對(duì)分辨率為8×8、16×16、32×32 的分支進(jìn)行2 倍大小的上采樣操作，從而使上采樣后的數(shù)據(jù)可以進(jìn)行特征融合。對(duì)3 個(gè)分辨率下的上采樣數(shù)據(jù)進(jìn)行了級(jí)聯(lián)，使不同分支中可以共享多個(gè)尺度下的語(yǔ)義信息，并對(duì)深度殘差網(wǎng)絡(luò)中提取的特征進(jìn)行特征融合，增強(qiáng)了網(wǎng)絡(luò)的預(yù)測(cè)能力。

對(duì)于每張輸入的雷達(dá)病害圖，預(yù)測(cè)一個(gè)包含病害邊界框位置、病害類型和病害置信度的三維張量。具體地，LS-YOLOv3將特征圖劃分成N×N的網(wǎng)格（不同尺度的特征圖，N大小不同），網(wǎng)絡(luò)通過(guò)預(yù)測(cè)病害位置相對(duì)于網(wǎng)格的坐標(biāo)偏移量從而得到病害的實(shí)際位置坐標(biāo)，即預(yù)測(cè)4個(gè)坐標(biāo)：tx、ty、tw、th，其定義如下：

其中，cx和cy表示一個(gè)網(wǎng)格與圖像左上角的橫縱距離，pw和ph表示錨點(diǎn)框的寬和高，通過(guò)k-means 聚類的方法對(duì)訓(xùn)練數(shù)據(jù)集的邊界框做聚類得到。

為每個(gè)網(wǎng)格預(yù)測(cè)3個(gè)不同的邊界框，其輸出的維度為N×N×(3×(4+1+2))，即4 個(gè)邊界框的偏移量，1 個(gè)病害置信度和2個(gè)病害類型。最后，通過(guò)非極大值抑制的方法剔除重復(fù)的檢測(cè)框，得到最終的鐵路路基病害檢測(cè)結(jié)果。

表2 不同方法在測(cè)試集上的檢測(cè)結(jié)果

5 實(shí)驗(yàn)與結(jié)果

本實(shí)驗(yàn)在Linux（Ubuntu18.04）系統(tǒng)環(huán)境下基于TensorFlow深度學(xué)習(xí)框架[28]實(shí)現(xiàn)，在配置有英特爾酷睿i7-7800X CPU，英偉達(dá)GeForce RTX 2080Ti GPU，16 GB內(nèi)存的PC機(jī)上運(yùn)行。

5.1 訓(xùn)練細(xì)節(jié)

在相同的尺度下訓(xùn)練模型，將鐵路路基雷達(dá)圖像縮放到512×512像素輸入卷積神經(jīng)網(wǎng)絡(luò)，由深度殘差網(wǎng)絡(luò)提取鐵路路基病害特征，使用4個(gè)不同尺度的卷積特征圖預(yù)測(cè)病害的位置坐標(biāo)、類型和置信度。通過(guò)k-means聚類的方法對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行聚類自動(dòng)產(chǎn)生錨點(diǎn)框，LS-YOLOv3 使用4 個(gè)尺度12 個(gè)錨點(diǎn)，分別為：（100×120）、（152×150）、（155×38）、（212×95）、（243×53）、（314×39）、（316×132）、（346×71）、（481×55）、（616×36）、（663×82）、（904×49）。

由于訓(xùn)練集樣本較少，在實(shí)驗(yàn)中首先加載Darknet-53[23]在COCO 數(shù)據(jù)集[29]上的預(yù)訓(xùn)練模型用來(lái)初始化深度殘差網(wǎng)絡(luò)中的參數(shù)，在此基礎(chǔ)上，應(yīng)用自制的數(shù)據(jù)集對(duì)模型進(jìn)行進(jìn)一步優(yōu)化。

整個(gè)訓(xùn)練過(guò)程中，訓(xùn)練輪次Epoch 為500，在前50個(gè)Epoch中凍結(jié)加載的預(yù)訓(xùn)練模型參數(shù)，訓(xùn)練深度殘差網(wǎng)絡(luò)中的后5層參數(shù)和網(wǎng)絡(luò)的預(yù)測(cè)部分進(jìn)行微調(diào)（Finetune）。在50個(gè)Epoch后，解凍模型訓(xùn)練全部的參數(shù)。訓(xùn)練中批量大?。˙atch_Size）設(shè)置為3，動(dòng)量（momentum）設(shè)置為0.9，權(quán)重衰減（weight decay）設(shè)置為0.000 5，學(xué)習(xí)率初始為10-3，在第100個(gè)Epoch時(shí)減小為10-4。

5.2 實(shí)驗(yàn)結(jié)果

本文使用均值平均精度（mAP）與每秒傳輸幀數(shù)（FPS）兩項(xiàng)指標(biāo)評(píng)價(jià)模型。對(duì)于平均精度，選取AP50作為評(píng)價(jià)標(biāo)準(zhǔn)，即檢測(cè)框與真值框的交并比（IoU）閾值為50%。

表2顯示了HOG+SVM、Faster R-CNN、Cascade RCNN、YOLOv3、Tiny YOLOv2、Tiny YOLOv3，以及LSYOLOv3的對(duì)比實(shí)驗(yàn)。LS-YOLOv3以82.67%的均值平均精度（mAP）領(lǐng)先其他算法，并且在512×512的輸入分辨率下FPS達(dá)到32.26 frame/s，滿足實(shí)時(shí)檢測(cè)要求。

加入了傳統(tǒng)的HOG（方向梯度直方圖）特征結(jié)合SVM分類器的算法進(jìn)行對(duì)比實(shí)驗(yàn)。從自制的路基缺陷數(shù)據(jù)集中裁剪出每種缺陷類型的正樣本，從非目標(biāo)區(qū)域隨機(jī)裁剪出負(fù)樣本，隨后，將訓(xùn)練樣本的大小調(diào)整為224×224，這與Faster-RCNN 中輸入特征檢測(cè)網(wǎng)絡(luò)的尺寸一致。選擇了線性核函數(shù)的SVM分類器以保證實(shí)時(shí)性。由于SVM 分類器是二元分類器，分別訓(xùn)練了2 個(gè)線性SVM分類器用來(lái)分類提取的翻漿冒泥病害和路基下沉病害HOG 特征。在雷達(dá)圖像的檢測(cè)階段，使用224×224大小的滑動(dòng)窗口進(jìn)行檢測(cè)，并利用非極大值抑制的方法剔除重復(fù)的檢測(cè)框。

從表2中可以看出，傳統(tǒng)的HOG+SVM算法在鐵路路基病害數(shù)據(jù)集上獲得了34.96%的mAP，與LS-YOLOv3（82.67%）存在較大差距，且檢測(cè)速度較慢，無(wú)法實(shí)現(xiàn)實(shí)時(shí)檢測(cè)。Faster-RCNN 算法和Cascade R-CNN 算法分別獲得了65.32%與78.36%的mAP，分別比LS-YOLOv3低17.35與4.31個(gè)百分點(diǎn)。在速度上，F(xiàn)aster-RCNN算法和Cascade R-CNN 算法檢測(cè)速度相近，均無(wú)法實(shí)現(xiàn)實(shí)時(shí)檢測(cè)。YOLO 系列的算法均實(shí)現(xiàn)了實(shí)時(shí)性能，其中Tiny YOLOv2 與Tiny YOLOv3 的檢測(cè)速度分別達(dá)到232.24 frame/s 與208.76 frame/s，輕量化的檢測(cè)模型的檢測(cè)速度很高，適合需要在嵌入式平臺(tái)上部署模型的場(chǎng)景。相比于其他非輕量化的目標(biāo)檢測(cè)算法，Tiny YOLOv2 與Tiny YOLOv3 的檢測(cè)精度較低，分別為45.17%和53.86%。對(duì)于鐵路路基病害檢測(cè)，較低的檢測(cè)精度不利于后續(xù)的鐵路路基病害整治。YOLOv3 算法在數(shù)據(jù)集上獲得了不錯(cuò)的檢測(cè)精度并實(shí)現(xiàn)了實(shí)時(shí)檢測(cè)，這是因?yàn)閅OLOv3算法相比Faster-RCNN擁有更深層的特征提取網(wǎng)絡(luò)并采用了多尺度預(yù)測(cè)，從而獲得更好的檢測(cè)結(jié)果，且沒(méi)有產(chǎn)生候選區(qū)域的步驟，可以實(shí)現(xiàn)實(shí)時(shí)檢測(cè)。

提出的LS-YOLOv3算法在檢測(cè)精度上比其他算法高，且以32.26 frame/s 實(shí)現(xiàn)了實(shí)時(shí)檢測(cè)，與YOLOv3 算法相比，LS-YOLOv3 采用了更深層次的殘差網(wǎng)絡(luò)且融合了更豐富的語(yǔ)義信息進(jìn)行預(yù)測(cè)，所以在檢測(cè)速度上低于YOLOv3 算法。相比YOLOv3 算法，LS-YOLOv3 在翻漿冒泥病害和路基下沉病害上的準(zhǔn)確率更高，分別領(lǐng)先4.05 和6.84 個(gè)百分點(diǎn)，說(shuō)明LS-YOLOv3 可以更好地針對(duì)鐵路路基病害的特點(diǎn)進(jìn)行檢測(cè)。LS-YOLOv3 算法在路基下沉病害上領(lǐng)先YOLOv3 較多，這是由于LSYOLOv3在特征提取網(wǎng)絡(luò)中擁有更大的感受野，能更好地適應(yīng)路基下沉病害尺度較大的特點(diǎn)。

圖11 顯示了LS-YOLOv3 方法在測(cè)試集上的檢測(cè)效果?？梢钥吹剑疚奶岢龅哪Ｐ蛯?duì)鐵路路基翻漿冒泥病害和路基下沉病害的檢測(cè)具有較好的魯棒性。

圖11 LS-YOLOv3在測(cè)試集上的檢測(cè)效果（紅色框?yàn)槁坊鲁?，藍(lán)色框?yàn)榉瓭{冒泥）

6 結(jié)束語(yǔ)

本文提出了一種鐵路路基病害智能檢測(cè)方法，在配有英偉達(dá)GeForce RTX 2080Ti GPU 的計(jì)算平臺(tái)上實(shí)現(xiàn)了實(shí)時(shí)檢測(cè)，設(shè)計(jì)了一種鐵路路基病害檢測(cè)模型：LS-YOLOv3。該方法利用混合等方法擴(kuò)充數(shù)據(jù)集，針對(duì)鐵路路基的特點(diǎn)設(shè)計(jì)了深度殘差網(wǎng)絡(luò)提取鐵路路基病害特征，并采用多尺度預(yù)測(cè)網(wǎng)絡(luò)在4個(gè)尺度上進(jìn)行特征融合，使不同尺度上的卷積特征可以共享語(yǔ)義信息，利用特征金字塔進(jìn)行病害預(yù)測(cè)，形成鐵路路基病害實(shí)時(shí)檢測(cè)模型。與傳統(tǒng)方法和現(xiàn)有的目標(biāo)檢測(cè)方法相比，LS-YOLOv3在保證實(shí)時(shí)檢測(cè)的同時(shí)達(dá)到了最大的檢測(cè)精度。在后續(xù)工作中，將實(shí)現(xiàn)對(duì)雷達(dá)原始數(shù)據(jù)的識(shí)別，并將算法推廣到其他類型鐵路路基病害的研究中。