基于改进AlexNet的轨道安全检测系统及方法

基于改进alexnet的轨道安全检测系统及方法
技术领域
1.本发明涉及轨道安全检测技术领域，具体地指一种基于改进alexnet的轨道安全检测系统及方法。


背景技术：

2.随着火车和铁路技术在中国的多元化发展，轨道交通呈现出越来越多的类型，在交通运输中占据了很大比重。然而，列车运行过程中，轮轨可能产生故障，外界人员入侵事件也会破坏列车运行环境，从而严重影响列车运行时的安全，造成经济与人员损失。因此，准确及时地识别出异常情况类型对轨道交通安全地保障尤为重要。
3.传统的安全检测技术无法实现分布式的动态检测，无法对轮轨的状态进行细致的检测，也无法对侵界行为进行报警。
4.近年来，基于图像识别的技术在轨道安全检测中的应用有一定的进展。现有的轨道安全检测方法，通过手持式病害记录仪采集储存异常情况图像，建立异常情况数据集，并通过传统机器学习方法，对特定的异常情况特征进行特征提取之后，使用svm等机器学习算法对提取的特征进行分类，因此其识别效果很大程度上取决于人工设计的特征。而轨道交通的异常情况的表征具有复杂多样性，特定的异常情况特征不能完全体现轨道安全的异常情况，从而造成识别精度低、泛化效果差。此外，图像识别技术还存在模型参数大、检测效率低等问题。


技术实现要素：

5.本发明的目的就是要提供一种基于改进alexnet的轨道安全检测系统及方法，本发明能对轨道进行全时全域的检测，能对外界施工、轨道异常、人员入侵等问题做出预警。
6.为实现此目的，本发明所设计的一种基于改进alexnet的轨道安全检测系统，其特征在于：包括异常振动信号判断模块、振动信号数据集建立模块、数据增强模块、卷积神经网络模型构建模块、模型训练模块和信号测试模块；
7.轨道分布式声波传感系统内每个行车振动信号测区能感应对应测区的行车振动信号；
8.异常振动信号判断模块用于将每个行车振动信号测区中各个选定历史时段的行车振动信号与对应行车振动信号测区的标准行车振动信号进行幅值和频率的对比，确定每个行车振动信号测区各个选定历史时段的行车振动信号为正常行车振动信号或异常行车振动信号；
9.振动信号数据集建立模块用于将每个行车振动信号测区设定对应的文件夹，并在各个文件夹中放入对应行车振动信号测区选定各个历史时间段的正常行车振动信号或异常行车振动信号，形成模型数据集；
10.数据增强模块用于对模型数据集进行数据增强操作得到样本扩充后的模型数据集，并将样本扩充后的模型数据集内的振动信号数据划分为训练集、验证集和测试集；
11.卷积神经网络模型构建模块用于利用alexnet方法构建卷积神经网络；
12.模型训练模块用于根据训练模型时所需要的准确度，设置卷积神经网络中alexnet模型训练的超参数，采用上述超参数，使用所述训练集对alexnet模型进行训练；
13.信号测试模块用于利用训练好的alexnet模型对测试集进行测试，根据测试结果生成轨道过车状况图，通过轨道过车状况图确定待测行车振动信号测区的轨道安全状况。
14.本发明的有益效果：
15.1、在轨道中铺设的光纤遍及整个轨道，范围广，可以不间断地收集整个轨道的振动信息，实现全时全域的轨道状态的检测，解决了传统轨道检测系统无法做到全时全域检测的问题，提高了检测的效率，并对轨道异常状况做出预警；
16.2、本发明采用改进的alexnet模型对解调后的振动信号进行识别，改进后的alexnet模型与改进前相比，不会发生过拟合，准确度更高，识别速度更快。当轨道出现异常状况时，能进行及时的预警。
附图说明
17.图1为本发明的结构示意图；
18.图2为本发明中基于mach-zehnder干涉otdr技术的分布式光纤振动传感网络示意图；
19.图3为发明实施例中的alexnet模型的结构图；
20.图4为本发明实施例中的轨道安全检测模型的识别效果图；
21.图5为本发明实施例中的测区及情况数据集的示意图；
22.图6为异常过车振动信号时域波形图；
23.图7为正常过车振动信号时域波形图；
24.图3中，conv是卷积的意思，maxpooling是最大池化的意思，@后面的数字表示卷积核的数量，s表示stride步长，flatten层用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡，fc表示全连接层，softmax表示最后一层全连接层使用softmax激活函数。
具体实施方式
25.以下结合附图和具体实施例对本发明作进一步的详细说明：
26.如图1所示的基于改进alexnet的轨道安全检测系统，其特征在于：包括异常振动信号判断模块、振动信号数据集建立模块、数据增强模块、卷积神经网络模型构建模块、模型训练模块和信号测试模块；
27.轨道分布式声波传感系统内每个行车振动信号测区能感应对应测区的行车振动信号；
28.异常振动信号判断模块用于将每个行车振动信号测区中各个选定历史时段的行车振动信号与对应行车振动信号测区的标准行车振动信号(前期进行轨道无异常情况下的实验获取)进行幅值和频率的对比，确定每个行车振动信号测区各个选定历史时段的行车振动信号为正常行车振动信号或异常行车振动信号，异常信号判断模块用于辅助制作数据集；
29.振动信号数据集建立模块用于将每个行车振动信号测区设定对应的文件夹，并在各个文件夹中放入对应行车振动信号测区选定各个历史时间段的正常行车振动信号或异常行车振动信号，形成模型数据集；
30.数据增强模块用于对模型数据集进行数据增强操作得到样本扩充后的模型数据集，并将样本扩充后的模型数据集内的振动信号数据按3:1:1的比例划分为训练集、验证集和测试集；
31.卷积神经网络模型构建模块用于利用alexnet方法构建卷积神经网络；
32.模型训练模块用于根据训练模型时所需要的准确度，设置卷积神经网络中alexnet模型训练的超参数(在程序里面修改参数即可)，采用上述超参数，使用所述训练集对alexnet模型进行训练，alexnet模型用于处理分析大量数据，减轻工作量，提高效率和准确度；
33.信号测试模块用于利用训练好的alexnet模型对测试集进行测试，根据测试结果生成轨道过车状况图，通过轨道过车状况图确定待测行车振动信号测区的轨道安全状况。具体的测试过程为：将待测试的图像放入一个文件夹，运行上述训练好的模型读取该文件中的图像，然后进行识别输出，输出每张图片的监测情况，输出集中在一个txt文档中，具体输出如附图4所示。
34.上述技术方案中，轨道交通分布式声波传感系统内相邻两个超弱光纤布拉格光栅及之间的光纤构成一个行车振动信号测区，每个行车振动信号测区均能感应对应的测区行车振动信号；
35.通过3*3耦合器将感知到的光纤因振动产生的直径、折射率、长度等变化引起的相位变化解算成光信号，光信号由pd传至上位机，pd是光电探测器，然后光信号通过pd转换成电信号，进而还原振动信号。
36.上述技术方案中，所述异常振动信号判断模块用于将每个行车振动信号测区各个时段的行车振动信号与对应行车振动信号测区的标准行车振动信号(前期进行轨道无异常情况下的实验获取)进行比对，当某个行车振动信号测区某时刻的行车振动信号幅值与对应行车振动信号测区的标准行车振动信号幅值的差值＞预设的幅值阈值，或者，该行车振动信号测区该时刻的行车振动信号频率与对应行车振动信号测区的标准行车振动信号频率的差值＞预设的频率阈值时，认定该行车振动信号测区该时刻的行车振动信号为异常振动信号；
37.当某个行车振动信号测区某时刻的行车振动信号幅值与对应行车振动信号测区的标准行车振动信号幅值的差值≤预设的幅值阈值，同时，该行车振动信号测区该时刻的行车振动信号频率与对应行车振动信号测区的标准行车振动信号频率的差值≤预设的频率阈值时，认定该行车振动信号测区该时刻的行车振动信号为正常振动信号。
38.上述技术方案中，所述数据增强操作为将在tensorflow单元下调用opencv模块进行模型数据集的样本扩充，样本扩充的方式包括：随机角度旋转、水平翻折和垂直翻折，opencv模块是一个软件开发工具包，集成了众多图像处理模块，这里使用opencv模块对数据集中的图像进行扩充样本处理，对收集到的数据集进行数据增强。扩充后形成一个更加丰富的数据集，这个数据集中的图片更加丰富，监测目标的特征更加凸显。扩充的目的是丰富数据集，使得算法更容易提取到图像特征。本实施例采用的数据扩充方式是放大图片。
39.上述技术方案中，所述卷积神经网络模型构建模块利用alexnet方法构建卷积神经网络的具体方法为：
40.对现有卷积神经网络结构中的alexnet模型进行特征提取操作，其特征提取的操作包含在alexnet模型中设置3个卷积层，并且把所述alexnet模型的每层卷积层的卷积核大小进行统一；
41.然后，将卷积核尺度统一设置为3
×
3(3
×
3的卷积大小比较稳定，感受野对于我们训练的图片比较适合)，所述卷积核个数分别为第一层卷积层为32个、第二层卷积层为64个、第三层卷积层为128个；卷积层用于提取输入信息中的图像特征，图像特征是由图像中的每个像素通过组合或者独立的方式所体现，比如图片的纹理特征，颜色特征；这里的卷积操作是通过卷积核对每个通道的矩阵从左到右，从上至下进行互相关运算(先是从左到右，再是从上至下，所以卷积操作也会保留位置信息)，就像一个小的窗口一样，从左上角一步步滑动到右下角，滑动的步长是个超参数，互相关运算的意思就是对应位置相乘再相加，最后把三个通道的值也对应加起来得到一个值；
42.然后，改进alexnet模型中的5个卷积层，将这5个卷积层替换为3个卷积层，并在每个卷积层后加入一层最大池化层，即卷积层卷积计算完成后进行池化运算，第三层池化层后面进行全连接层的计算接入2个全连接层；
43.然后，在alexnet模型中接入softmax分类器，即第二个全连接层选用softmax激活函数；
44.然后，将样本扩充后模型数据集内的振动信号数据送到alexnet模型的第一个卷积层进行卷积核移位卷积计算，计算完的结果池化后送到第二个卷积层进行卷积核移位卷积计算，计算完的结果池化后送到第三个卷积层进行卷积核移位卷积计算，计算完的结果进行池化，再接两个全连接层，得到卷积特征图，即完成卷积神经网络模型构建，该卷积特征图中的卷积特征值的维度等于扩充后模型数据集内的振动信号数据的维度。
45.上述技术方案中，alexnet模型中原始的5个卷积层为第一个卷积层使用96个11
×
11
×
3的卷积核，步长为4；第二个卷积层使用128个5
×5×
48的卷积核，步长为1；第三个卷积层使用卷积384个3
×3×
256的卷积核，步长为1；第四个卷积层使用卷积384个3
×3×
192的卷积核，步长为1；第五个使用卷积256个3
×3×
192的卷积核，步长为1。本发明改进后采用的三个卷积为：第一层卷积是32个3
×3×
3的卷积核，步长为1；第二层卷积层是3
×3×
32的卷积核，步长为1；第三层卷积层是3
×3×
64的卷积核，步长为1。将这5个卷积层替换为3个卷积层，防止过拟合，提高模型准确度，如图3所示。
46.上述技术方案中，池化层在卷积神经网络结构中的主要作用是对特征图的降采样。在图像分类任务中，模型无需学习目标对象的位置，但是必须保证物体所处的位置对模型最终的识别结果没有影响。池化层的特点就是能保证平移和旋转等变换的不变性，增强模型的鲁棒性。同时，池化的降采样过程使特征图尺寸缩小，减少了模型的计算量，但却能较好保持高分辨率特征。通常，卷积神经网络模型中的池化层级联在卷积层后，常用的池化类型有均值池化(averagepooling)和最大池化(maxpooling)。均值池化指对池化所在窗口上特征图的所有值取平均，最大池化即取池化窗口所在区域特征值的最大值作为下一层特征图特征值。本文采用最大池化，避免平均池化的模糊化效果，提升了特征的丰富性。最大池化层的作用，一是对卷积层所提取的信息做更一步降维，减少计算量；二是加强图像特征
的不变性，使之增加图像的偏移、旋转等方面的鲁棒性。
47.上述技术方案中，全连接层fully connected layer一般位于整个卷积神经网络的最后，负责将卷积输出的二维特征图转化成一维的一个向量，由此实现了端到端的学习过程(即：输入一张图像或一段语音，输出一个向量或信息)。全连接层的每一个结点都与上一层的所有结点相连因而称之为全连接层。由于其全相连的特性，一般全连接层的参数也是最多的。
48.全连接层的主要作用就是将前层(卷积、池化等层)计算得到的特征空间映射样本标记空间。简单的说就是将特征表示整合成一个值，其优点在于减少特征位置对于分类结果的影响，提高了整个网络的鲁棒性。
49.上述技术方案中，softmax函数是用于多类分类问题的激活函数，在多类分类问题中，超过两个类标签则需要类成员关系。它能将一个含任意实数的k维向量z压缩到另一个k维实向量σ(z)中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1。该函数多用于多分类问题中。
50.softmax函数首先是一个函数，它将含有k个实值的向量转换为k个总和为1的实值向量。向量的k个输入值可以是正数、负数、零或大于1，但softmax能将它们转换为介于0和1，因此它们可以被解释为概率。如果其中一个输入较小或为负，则softmax将其变成小概率，如果输入较大，则将其变成大概率，但始终保持在0和1之间。
51.上述技术方案中，所述卷积核的公式如下：
[0052][0053]
其中：f[x,y]表示扩充后模型数据集内的振动信号数据，f[n1,n2]为扩充后模型数据集内的第n1行第n2列的振动信号数据，g[n1,n2]为卷积的矩阵，是卷积核第n1行第n2列的权值，用来保留图像中的特征信息，去掉无用像素，卷积运算后输出特征图中x行y列的特征值，n1和n2是卷积区域的卷积像素点位置，
“×”
代表的是每个像素点的相乘，a表示设定的求和次数。
[0054]
上述技术方案中，所述模型训练模块设置卷积神经网络中alexnet模型训练的超参数的具体方法为：alexnet模型输入的模型数据集内的振动信号数据的分辨率为224
×
224，将alexnet模型的损失函数设置为交叉熵，交叉熵损失函数，位于模型的训练部分，在模型的最后一层(全连接层)中，采用sgd(stochastic gradient descent，随机梯度下降)优化更新所述超参数，超参数包括卷积层和全连接层中的权重和偏置，网络通过权重参数改进识别效果。
[0055]
上述技术方案中，述alexnet模型迭代20个epoch，采用批量训练方法对模型数据集内的样本扩充后的振动信号数据进行训练，最终结果见图4，批量训练是深度学习中的一种训练方式，它将训练数据集分成若干个批次(batch)，每次从数据集中随机抽取一个批次的数据进行训练，训练过程中的参数更新是基于这个批次的数据计算的梯度，而不是基于整个数据集的梯度；
[0056]
对已设计三层卷积的alexnet模型进行训练时，每迭代一个epoch后，通过验证集测试一次所述验证集的精度。在训练alexnet模型时，将数据集划分为训练集、验证集和测
试集三部分。在训练过程中，可以通过每迭代一个epoch后测试验证集的精度来监控模型的性能。具体地，每迭代一个epoch后，可以使用验证集对模型进行测试，计算模型在验证集上的准确率或误差。这个准确率或误差可以作为模型性能的指标，用于判断模型是否过拟合或欠拟合，以及调整模型的超参数等。
[0057]
在机器学习中，epoch是指将整个训练集数据完整地过一遍的次数。训练神经网络时，通常会将训练数据集划分为多个小批量(mini-batch)，每次从数据集中随机选择一个小批量数据进行训练，这样一次迭代称为一个iteration(迭代)，而epoch指的是所有训练集数据都经过了一次迭代的情况。通常情况下，一个epoch的训练会包含多个iteration。在一个epoch结束后，会将整个数据集中的数据全部使用过一次，此时模型的参数会更新一次。
[0058]
上述技术方案中，所述信号测试模块利用训练好的alexnet模型对测试集进行测试时，首先将训练好的alexnet模型保存为savedmodel格式，然后，将所述测试集存入已保存的alexnet模型，然后进行推理运算。
[0059]
上述技术方案中，根据测试结果生成轨道过车状况图(将用保存好的alexnet模型测试所述测试集的所有测试结果保存到一个txt文件中，再用excle处理txt文件中的内容，生成轨道过车状况图)，通过轨道过车状况图确定待测行车振动信号测区的轨道安全状况的具体方式为：
[0060]
当轨道过车状况图中同一测区的时域波形具有规律性且多次的过车信号不变时，说明测区正常，当轨道过车状况图中同一测区的时域波形不具有规律性和/或不同过车对应的波形的幅度和/或频率超过对应的阈值时，说明测区异常，如附图6和附图7可知，异常信号和正常信号相比，在信号幅度和波形上具有明显的区别；
[0061]
当a个连续测区异常时，说明列车轮轨状况异常；当b个间断的测区异常时，说明部分道床存在问题；当c个测区未检测到信号且d个测区检测到信号时，说明出现了外界入侵。本实施例中，a取120，b取2，c取117，d取3。
[0062]
一种基于改进alexnet的轨道安全检测方法，如图1～7所示，它包括如下步骤：
[0063]
步骤1：轨道分布式声波传感系统内每个行车振动信号测区能感应对应测区的行车振动信号；
[0064]
步骤2：将每个行车振动信号测区中各个选定历史时段的行车振动信号与对应行车振动信号测区的标准行车振动信号进行幅值和频率的对比，确定每个行车振动信号测区各个选定历史时段的行车振动信号为正常行车振动信号或异常行车振动信号；
[0065]
步骤3：用于将每个行车振动信号测区设定对应的文件夹，并在各个文件夹中放入对应行车振动信号测区选定各个历史时间段的正常行车振动信号或异常行车振动信号，形成模型数据集；
[0066]
步骤4：对模型数据集进行数据增强操作得到样本扩充后的模型数据集，并将样本扩充后的模型数据集内的振动信号数据划分为训练集、验证集和测试集；
[0067]
步骤5：利用alexnet方法构建卷积神经网络；
[0068]
步骤6：根据训练模型时所需要的准确度，设置卷积神经网络中alexnet模型训练的超参数，采用上述超参数，使用所述训练集对alexnet模型进行训练；
[0069]
步骤7：利用训练好的alexnet模型对测试集进行测试，根据测试结果生成轨道过
车状况图，通过轨道过车状况图确定待测行车振动信号测区的轨道安全状况。
[0070]
所述步骤1包括：
[0071]
步骤101：本发明采用的干涉型光栅阵列振动传感系统主要由uwfbg阵列和非平衡迈克尔逊干涉结构组成，uwfbg阵列作为传感网络，每两个相邻的uwfbg和其中的光纤构成一个传感测区，且每个uwfbg的反射率、带宽、中心波长等参数基本一致。非平衡迈克尔逊干涉结构主要包括一个3
×
3耦合器、两路长度不一致的延时光纤和两个法拉第旋镜。两路延时光纤的光程差与相邻uwfbg的间距相同，用于弥补相邻uwfbg之间的光程差；两个法拉第旋镜都采用45
°
旋转角度，用于消除干涉仪中的偏振效应。通过等臂mach-zehnder干涉仪提高振动信号传感的频率响应范围，利用反射率仅为0.01％的超弱反射光纤光栅组成传感阵列，将空间位置信息转换成时域上的延时，实现分布式振动传感中的多点振动信号定位，如图2所示。
[0072]
步骤102：可调谐窄线宽激光器发出光功率为3mw的连续光，作为分布式光纤振动传感网络的光源，其波长可调范围为1500nm～1630nm，可以适用于各种中心波长不同的光纤光栅传感网络；声光调制器对连续光进行脉冲调制，其具有较高的消光比，达到63db，调制出的光脉冲宽度为20ns，频率为100khz；脉冲光经过edfa进行功率放大后，进入传感网络中，传感网络由反射率为0.01％的弱反射光纤光栅和长度为3m的传感光纤构成。
[0073]
步骤103：传感通道反射回的脉冲光序列进入臂长差为6m的不等臂mach-zehnder干涉仪中，利用干涉技术将对应传感位置振动引起的光相位信息转换成光强度信息，通过3
×
3耦合器输出，接3路相同的光电探测器进行光电转换，最后将电信号采集后通过相位解调算法得到振动传感信息。其中，在理想的分光比情况下，所述3
×
3对称耦合器的三个输出端光强公式如下：
[0074][0075]
其中，in，n＝1,2,3,分别代表了3
×
3对称耦合器的第一、二、三路输出，干涉光是3
×
3耦合器的输入信号，从3
×
3耦合器输出时会被均分为3路光信号，i1和i2分别为产生干涉光的两个光脉冲的强度，是外界因素引起的相位变化。
[0076]
两路信号经非等距的两根延时光纤和法拉第旋镜反射后在3
×
3耦合器处相遇干涉。由于延时光纤之间的长度差为传感测区的距离，干涉的两路信号之间的延时等于探测光到达传感测区2个uwfbg的时差，即每个干涉脉冲都是对应测区的两个uwfbg反射光相干得到的。最后，使用三个光电探测器(pd1、pd2、pd3)把3
×
3耦合器的三路输出光信号转成电信号，进而根据振动引起的相位变化还原出振动信号。上述公式的作用就是为了得到3
×
3耦合器的输出信号，也就是三个光电探测器的输入信号。通过光弹效应，外界环境变化(在地铁列车过的时候以振动最为明显)会引起光纤的折射率、直径、长度发生改变，而这几项指标又跟光纤中的反射光相位存在一定的线性关系，这几项指标的改变会引起对应的反射光相位发生改变，而后续解调的设备是通过解调相位变化读取振动信息，就相当于，通过光弹效应，将振动信息调制成相位变化，再通过3*3数据耦合器等解调手段将相位信息解算出来，解调就能够恢复振动信息。
[0077]
本发明使用弱光栅光纤阵列收集振动信号和神经网络处理识别解调后的信号，光
纤可以实现对轨道的全时全域的检测，神经网络可以提高识别的准确度和效率，对轨道的异常情况进行预警。
[0078]
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。

技术特征：
1.一种基于改进alexnet的轨道安全检测系统，其特征在于：包括异常振动信号判断模块、振动信号数据集建立模块、数据增强模块、卷积神经网络模型构建模块、模型训练模块和信号测试模块；轨道分布式声波传感系统内每个行车振动信号测区能感应对应测区的行车振动信号；异常振动信号判断模块用于将每个行车振动信号测区中各个选定历史时段的行车振动信号与对应行车振动信号测区的标准行车振动信号进行幅值和频率的对比，确定每个行车振动信号测区各个选定历史时段的行车振动信号为正常行车振动信号或异常行车振动信号；振动信号数据集建立模块用于将每个行车振动信号测区设定对应的文件夹，并在各个文件夹中放入对应行车振动信号测区选定各个历史时间段的正常行车振动信号或异常行车振动信号，形成模型数据集；数据增强模块用于对模型数据集进行数据增强操作得到样本扩充后的模型数据集，并将样本扩充后的模型数据集内的振动信号数据划分为训练集、验证集和测试集；卷积神经网络模型构建模块用于利用alexnet方法构建卷积神经网络；模型训练模块用于根据训练模型时所需要的准确度，设置卷积神经网络中alexnet模型训练的超参数，采用上述超参数，使用所述训练集对alexnet模型进行训练；信号测试模块用于利用训练好的alexnet模型对测试集进行测试，根据测试结果生成轨道过车状况图，通过轨道过车状况图确定待测行车振动信号测区的轨道安全状况。2.根据权利要求1所述的基于改进alexnet的轨道安全检测系统，其特征在于：所述异常振动信号判断模块用于将每个行车振动信号测区各个时段的行车振动信号与对应行车振动信号测区的标准行车振动信号进行比对，当某个行车振动信号测区某时刻的行车振动信号幅值与对应行车振动信号测区的标准行车振动信号幅值的差值＞预设的幅值阈值，或者，该行车振动信号测区该时刻的行车振动信号频率与对应行车振动信号测区的标准行车振动信号频率的差值＞预设的频率阈值时，认定该行车振动信号测区该时刻的行车振动信号为异常振动信号；当某个行车振动信号测区某时刻的行车振动信号幅值与对应行车振动信号测区的标准行车振动信号幅值的差值≤预设的幅值阈值，同时，该行车振动信号测区该时刻的行车振动信号频率与对应行车振动信号测区的标准行车振动信号频率的差值≤预设的频率阈值时，认定该行车振动信号测区该时刻的行车振动信号为正常振动信号。3.根据权利要求1所述的基于改进alexnet的轨道安全检测系统，其特征在于：所述数据增强操作为将在tensorflow单元下调用opencv模块进行模型数据集的样本扩充，样本扩充的方式包括：随机角度旋转、水平翻折和垂直翻折。4.根据权利要求1所述的基于改进alexnet的轨道安全检测系统，其特征在于：所述卷积神经网络模型构建模块利用alexnet方法构建卷积神经网络的具体方法为：对现有卷积神经网络结构中的alexnet模型进行特征提取操作，其特征提取的操作包含在alexnet模型中设置3个卷积层，并且把所述alexnet模型的每层卷积层的卷积核大小进行统一；然后，将卷积核尺度统一设置为3
×
3；然后，改进alexnet模型中的5个卷积层，将这5个卷积层替换为3个卷积层，并在每个卷
积层后加入一层最大池化层，即卷积层卷积计算完成后进行池化运算，第三层池化层后面进行全连接层的计算接入2个全连接层；然后，在alexnet模型中接入softmax分类器；然后，将样本扩充后模型数据集内的振动信号数据送到alexnet模型的第一个卷积层进行卷积核移位卷积计算，计算完的结果池化后送到第二个卷积层进行卷积核移位卷积计算，计算完的结果池化后送到第三个卷积层进行卷积核移位卷积计算，计算完的结果进行池化，再接两个全连接层，得到卷积特征图，即完成卷积神经网络模型构建，该卷积特征图中的卷积特征值的维度等于扩充后模型数据集内的振动信号数据的维度。5.根据权利要求4所述的基于改进alexnet的轨道安全检测系统，其特征在于：所述卷积核的公式如下：其中：f[x,y]表示扩充后模型数据集内的振动信号数据，f[n1,n2]为扩充后模型数据集内的第n1行第n2列的振动信号数据，g[n1,n2]为卷积的矩阵，是卷积核第n1行第n2列的权值，用来保留图像中的特征信息，去掉无用像素，卷积运算后输出特征图中x行y列的特征值，n1和n2是卷积区域的卷积像素点位置，
“×”
代表的是每个像素点的相乘，a表示设定的求和次数。6.根据权利要求1所述的基于改进alexnet的轨道安全检测系统，其特征在于：所述模型训练模块设置卷积神经网络中alexnet模型训练的超参数的具体方法为：alexnet模型输入的模型数据集内的振动信号数据的分辨率为224
×
224，将alexnet模型的损失函数设置为交叉熵，采用sgd优化更新所述超参数，超参数包括卷积层和全连接层中的权重和偏置。7.根据权利要求6所述的基于改进alexnet的轨道安全检测系统，其特征在于：所述alexnet模型迭代20个epoch，采用批量训练方法对模型数据集内的样本扩充后的振动信号数据进行训练；对已设计三层卷积的alexnet模型进行训练时，每迭代一个epoch后，通过验证集测试一次所述验证集的精度。8.根据权利要求1所述的基于改进alexnet的轨道安全检测系统，其特征在于：所述信号测试模块利用训练好的alexnet模型对测试集进行测试时，首先将训练好的alexnet模型保存为savedmodel格式，然后，将所述测试集存入已保存的alexnet模型，然后进行推理运算。9.根据权利要求1所述的基于改进alexnet的轨道安全检测系统，其特征在于：根据测试结果生成轨道过车状况图，通过轨道过车状况图确定待测行车振动信号测区的轨道安全状况的具体方式为：当轨道过车状况图中同一测区的时域波形具有规律性且多次的过车信号不变时，说明测区正常，当轨道过车状况图中同一测区的时域波形不具有规律性和/或不同过车对应的波形的幅度和/或频率超过对应的阈值时，说明测区异常；当a个连续测区异常时，说明列车轮轨状况异常；当b个间断的测区异常时，说明部分道床存在问题；当c个测区未检测到信号且d个测区检测到信号时，说明出现了外界入侵。
10.一种基于改进alexnet的轨道安全检测方法，其特征在于，它包括如下步骤：步骤1：轨道分布式声波传感系统内每个行车振动信号测区能感应对应测区的行车振动信号；步骤2：将每个行车振动信号测区中各个选定历史时段的行车振动信号与对应行车振动信号测区的标准行车振动信号进行幅值和频率的对比，确定每个行车振动信号测区各个选定历史时段的行车振动信号为正常行车振动信号或异常行车振动信号；步骤3：用于将每个行车振动信号测区设定对应的文件夹，并在各个文件夹中放入对应行车振动信号测区选定各个历史时间段的正常行车振动信号或异常行车振动信号，形成模型数据集；步骤4：对模型数据集进行数据增强操作得到样本扩充后的模型数据集，并将样本扩充后的模型数据集内的振动信号数据划分为训练集、验证集和测试集；步骤5：利用alexnet方法构建卷积神经网络；步骤6：根据训练模型时所需要的准确度，设置卷积神经网络中alexnet模型训练的超参数，采用上述超参数，使用所述训练集对alexnet模型进行训练；步骤7：利用训练好的alexnet模型对测试集进行测试，根据测试结果生成轨道过车状况图，通过轨道过车状况图确定待测行车振动信号测区的轨道安全状况。

技术总结
本发明公开了一种基于改进AlexNet的轨道安全检测系统，它的异常振动信号判断模块确定每个行车振动信号测区各个选定历史时段的行车振动信号为正常行车振动信号或异常行车振动信号；振动信号数据集建立模块形成模型数据集；数据增强模块对模型数据集进行数据增强，并将样本扩充后的模型数据集内的振动信号数据划分为训练集、验证集和测试集；卷积神经网络模型构建模块构建卷积神经网络；模型训练模块使用所述训练集对AlexNet模型进行训练；信号测试模块确定待测行车振动信号测区的轨道安全状况。本发明能对轨道进行全时全域的检测，能对外界施工、轨道异常、人员入侵等问题做出预警。出预警。出预警。


技术研发人员：潘金军 陈君钰枫 胡临风 董昊男 熊逸豪 张林阳 李政颖
受保护的技术使用者：武汉理工大学
技术研发日：2023.03.03
技术公布日：2023/6/28