《铁路路基雷达探测图像病害识别算法与风险评估模型研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
ChinaUniversityofMining&Technology,Beijing博士学位论文铁路路基雷达探测图像病害识别算法与风险评估模型研究作者：徐昕军学院：机电与信息工程学院学号：TBP150404026学科专业：计算机应用技术导师：杨峰2018年6月 中图分类号：U216.3单位代码：11413密级：博士学位论文中文题目：铁路路基雷达探测图像病害识别算法与风险评估模型研究英文题目：ResearchonDefectRecognitionAlgorithmofGroundPenetratingRadarImageofRailwaySubgradeDetectionandRiskAssessmentModel作者：徐昕军学号：TBP150404026学科专业：计算机应用技术研究方向：智能识别与评估导师：杨峰职称：教授论文提交日期：2018年3月28日论文答辩日期：2018年6月9日学位授予日期：2018年6月25日中国矿业大学（北京） 摘要摘要铁路路基病害是铁路交通运输领域的重大安全问题。截至2017年底，我国铁路运营里程超过12.7万公里，位居世界第二位，铁路建设已步入高速发展阶段。但随着既有线路运营时间和运营里程的增加，路基病害愈发严重，对列车安全、持续运营构成巨大威胁。车载地质雷达法作为一种快速、无损、高效的检测方法，已成为铁路路基病害检测的主要手段，随着检测数据量的增加，人工病害识别方式已严重阻碍地质雷达技术在路基检测领域的推广应用。目前主要存在如下问题：1）人工病害识别效率低、误差大，无法及时为大范围路基养护维修提供科学依据；2）目前对铁路路基病害识别算法的研究主要将人工设计特征与支持向量机、人工神经网络等分类算法相结合，但路基病害形态多样、尺寸多变，人工特征的表示能力有限，难以适应复杂的病害环境，而且由于缺乏标准样本，导致支持向量机和人工神经网络法对参数优化不足，因此识别精度难以满足实际应用需要；3）由于路基病害影响因素众多，各种诱因对病害产生和发育过程的影响机理尚未完全揭示，因此病害风险量化问题具有模糊性、随机性和动态性等特性，而已有铁路路基病害风险评估模型主要解决了影响因素量化的模糊性问题，但未考虑病害发育的动态性以及影响因素之间相互作用的不确定性，因此已有模型在风险评估体系、风险量化等方面还不够完善。本论文依托中国铁路总公司科研开发项目“铁路路基地质雷达快速检测关键技术研究”（2017G003-H），对铁路路基雷达探测图像病害识别算法与病害风险评估模型进行研究。本论文研究内容包括以下三方面：1）铁路路基病害快速识别算法，用于路基病害的初步快速识别；2）铁路路基病害高精度识别算法，用于路基病害的二次精细识别；3）铁路路基病害风险评估模型，用于评估被识别出病害的危险程度并提供相应的处置措施建议。本课题研究为铁路路基病害的快速、准确定位及路基养护维修提供了技术支撑，对保障铁路安全运营具有重要的现实意义。本文的主要研究工作及创新点如下：（1）针对人工病害识别效率低的问题，提出了一种基于SSD（SingleShotMultiBoxDetector）的铁路路基病害快速识别算法，可从铁路路基雷达探测图像中快速普查路基病害。SSD目标检测算法具有达到实时检测要求的检测速度，可大幅度提高病害识别效率，同时其采用多个卷积层预测检测框类别和位置修正的方式，可以较好地解决路基病害多尺度、多形态的问题，因此适合路基病害的快速识别。针对SSD对小目标识别精度不高的问题，提出了基于Atrous空间金字塔池化（AtrousSpatialPyramidPooling，ASPP）和多尺度特征融合的改进方法。I 摘要首先，将ASPP特征提取方法引入SSD，利用Atrous卷积可在不降低分辨率的情况下改变卷积层感受野的特性，充分挖掘浅层特征conv4_3层的特征提取能力，融合具有不同感受野的高分辨率特征，提高对小目标的识别精度；其次，充分利用conv3_3具有的高分辨率信息和conv5_3丰富的语义信息，分别使用池化层和反卷积层将conv3_3和conv5_3特征层统一到同一尺度，并与ASPP输出特征以元素点积的方式融合为多尺度特征，进一步提高检测精度。此外，通过引入迁移学习，解决了因训练样本不足导致的过拟合问题。通过与基础版本SSD及其它深度神经网络模型的对比实验，验证了改进SSD在保持高识别速度的同时提高了识别精度。（2）针对已有路基病害识别算法识别精度不足，提出了一种基于FasterRCNN（RegionswithConvolutionalNeuralNetwork）的铁路路基病害高精度识别算法，用于路基病害的二次详查。针对铁路路基病害识别任务存在的问题，集成特征级联、在线困难样本挖掘、对抗空间丢弃网络（AdversarialSpatialDropoutNetwork，ASDN）、Soft-NMS（Non-maximumSuppression）和数据增强等方法改进FasterRCNN，提高算法识别精度。首先，提出一种改进的特征提取方式——特征级联，将多个浅层特征与深层特征连接起来组成新型多尺度特征用于病害识别，提高识别精度；其次，针对模型训练中目标病害与背景数量比例悬殊的问题，使用在线困难样本挖掘筛选出困难样本并重新训练，以平衡正负样本比例；第三，使用对抗空间丢弃网络利用对抗学习生成困难正样本，提高泛化能力；此外，为解决距离较近的高置信度病害目标被抑制的问题，使用Soft-NMS方法取代传统NMS，有效较少了假阳性样本的数量；最后，针对标注训练集样本量较小的问题，综合运用多种数据增强技术，有效防止过拟合，增强模型鲁棒性。通过改进策略剥离实验，检验了不同改进策略对模型性能的影响，并与传统方法和基础版本FasterRCNN进行了的对比实验。实验结果表明，改进后的FasterRCNN取得了最高的平均准确率81.2%，比基础版本FasterRCNN提高了8.8%，且远高于传统支持向量机+HOG（HistogramofOrientedGradient）识别算法38.6%的平均准确率。此外，对不同病害类型的识别对比实验也进一步验证了改进算法的鲁棒性。（3）针对京九线路基检测对病害风险分级的需求以及现有评估模型存在的问题，建立了一种基于云理论、集对理论和动态跟踪思想的铁路路基病害风险评估模型。考虑到病害的动态发育特性，提出一种基于动态跟踪思想的风险评估方法，将病害基本属性变化率纳入风险评估体系，充分利用多次检测数据使评估结果更符合实际。同时，通过引入不确定性人工智能中研究模糊性与随机性关联的云理论，建立了铁路路基病害风险评估云模型。首先，利用云理论中基于二阶中心距和四阶中心矩的逆向高斯云算法将评估指标转化为指标云；其次，针对已有权重II 摘要分配方法主观性强的缺点，提出一种综合考虑主观权重与客观权重的最小二乘法优化云-Critic耦合权重分配方法，为指标云合理分配权重；最后，针对传统云模型相似度计算方法存在的不足，通过引入集对分析理论，提出一种基于高斯云“3En”规则与集对势的云模型相似度计算方法，提高了病害风险等级判别准确性。（4）基于京九线大型路基检测工程设计实验，验证本文提出的路基病害识别算法和风险评估模型的有效性。首先，使用基于SSD的铁路路基病害快速识别算法和基于FasterRCNN的铁路路基病害高精度识别算法经过两轮筛查识别出路基病害；其次，分别实现了基于传统模糊数学理论中的模糊综合评价和传统机器学习算法中的概率神经网络的风险评估模型，作为病害评估对比实验组；最后，将本文提出的融入动态跟踪的病害风险评估云模型与两者进行对比分析，经过与开挖验证结果的比对，证明了所提出模型具有更高的准确性和可靠性。本文对铁路路基雷达图像病害识别算法以及风险评估模型进行了探索与研究，但仍然存在以下不足有待进一步研究：1）由于目前所采用的地质雷达检测设备对原始雷达信号数据进行了加密，无法直接基于原始信号数据进行识别算法研究，本文采用的地质雷达剖面图在由雷达信号生成过程中损失了部分数据精度，影响了病害识别效果；2）目前本文识别算法可识别出翻浆冒泥、下沉、含水异常和道床脏污四类病害，识别算法向其它路基病害类型的推广有待进一步研究；3）风险评估模型的参数与阈值设定还需要在未来的应用实践中不断地优化与完善。关键词：铁路路基检测，地质雷达，路基病害识别，风险评估，深度学习III AbstractAbstractRailwaysubgradedefectisamajorsafetyissueinthefieldofrailwaytransportation.Bytheendof2017,therailwayoperatingmileageofourcountryexceeded127,000kilometers,rankingthesecondintheworld.Therailwayconstructionhasenteredthestageofthehighspeeddevelopment.However,withtheincreaseofoperatingtimeandoperatingmileageoftherailwaysystem,therailwaysubgradedefectisbecomingmoreandmoreserious,whichhasbroughtagreatthreattothesafeandcontinuousoperationoftrains.Asarapid,non-destructiveandefficientdetectionmethod,thevehicle-mountedgeologicalradarmethodhasbecomethemainmethodfortherailwaysubgradedefectdetection.However,withtheincreaseoftheamountofsubgradedetectiondata,thecurrentwayofartificialdefectrecognitionhasbecomeaseriousobstacletothefurtherpromotionandapplicationofgeologicalradartechnologyinthefieldofrailwaysubgradedetection.Atpresent,therearemainlythefollowingproblems:1)Artificialdefectrecognitionmethodisinefficientandhasabigerror,whichcannottimelyprovidescientificbasisforthelarge-scalesubgrademaintenanceandrepair;2)atpresent,theresearchesonrecognitionalgorithmsofrailwaysubgradedefectmainlyfocusonthemethodofcombiningartificialdesignfeatureswithclassificationalgorithmssuchassupportvectormachineandartificialneuralnetwork.However,thesubgradedefectsarevariousinshapeandsize,andtheartificialdesignfeaturesarelimitedinfeaturerepresentationability.Therefore,theartificialdesignfeaturesaredifficulttodealwiththecomplicatedandchangeablesubgradedefectenvironments.Besides,duetothelackofstandardsamples,thesupportvectormachineandartificialneuralnetworkcannotoptimizeparameterssufficiently,sotheirrecognitionaccuracyisdifficulttomeettheneedsofpracticalapplication;3)becausetheinfluencingfactorsofrailwaysubgradedefectarenumerous,andtheinfluencemechanismofvariousfactorsonthedefectoccurrenceanddevelopmentprocesshasnotbeenfullyrevealed.Therefore,theriskquantificationofsubgradedefecthascharacteristicsoffuzziness,randomnessanddynamics.However,theexistingriskassessmentmodelofrailwaysubgradedefectmainlysolvesthefuzzinessofinfluencingfactorsquantification,withoutconsideringthedynamicsofdefectdevelopmentandtheuncertaintiesofinteractionsbetweeninfluencingfactors.Therefore,theexistingmodelsarestillnotperfectinriskassessmentsystemsandriskquantification.Therefore,theexistingmodelsarenotperfectinriskassessmentsystemandriskquantification.BasedontheresearchanddevelopmentprojectofChinaRailwayGeneralCorporation,“thekeytechnologyofrailwayroadbedgeologicalradarrapiddetection”(2017G003-H),thispaperstudiestherecognitionalgorithmofgroundpenetratingV Abstractradardetectionimageofrailwaysubgradedefectsandtheriskassessmentmodel.Theresearchcontentincludesthefollowingthreeaspects:1)afastrecognitionalgorithmofrailwaysubgradedefects,whichisusedforthepreliminaryrapidrecognitionofsubgradedefects;2)ahigh-accuracyrecognitionalgorithmforrailwaysubgradedefects,whichisusedforsecondaryfine-grainedrecognitionofsubgradedefects;3)ariskassessmentmodelofrailwaysubgradedefects,whichisusedtoassesstherisklevelsofidentifieddefectsandprovidecorrespondingdisposalmeasures.Theresearchofthistopicprovidestechnicalsupportfortherapidandaccuratepositioningofrailwaysubgradedefectandthesubgrademaintenanceandrepair.Therefore,ithasimportantpracticalsignificanceforthesafeoperationofrailways.Themainresearchworkandinnovationsofthispaperareasfollows:(1)Aimingatthelowefficiencyofartificialrecognition,arapidrecognitionalgorithmforrailwaysubgradedefectsbasedonSSD(SingleShotMultiBoxDetector)isproposed,whichcanrapidlydetectsubgradedefectsfromdetectionimagesofgroundpenetratingradar.TheSSD,akindoftargetdetectionalgorithm,hasthedetectionspeedtomeetthereal-timedetectionrequirements,whichcangreatlyimprovethedefectrecognitionefficiency.Besides,thewaytousemultipleconvolutionlayerfeaturestopredicttheclassificationandpositioncorrectionofdefaultboxcanwellsolvetheproblemoflargechangesinthesizeandshapeofrailwaysubgradedefects.Therefore,SSDissuitableforrapidrecognitionofsubgradedefects.InviewofthelowrecognitionaccuracyofsmalltargetsofbasicversionSSD,animprovedmethodbasedonAtrousSpatialPyramidPooling(ASPP)andmulti-scalefeaturefusionisproposed.Firstly,theASPPfeatureextractionmethodisintroducedintoSSD.UsingthecharacteristicofAtrousconvolutiontoconvolutionalreceptivefieldwithoutreducingtheresolution,thefeatureextractionabilityoftheshallowconv4_3layerisfullyexploited.Bythefusionofhigh-resolutionfeatureswithdifferentreceptivefields,therecognitionaccuracyofsmallobjectsisimproved.Secondly,inordertomakefulluseofthehigh-resolutioninformationinconv3_3layerandtherichsemanticinformationinconv5_3layer,thepoolinglayerandthedeconvolutionlayerarerespectivelyusedtounifytheconv3_3andconv5_3layertothesamescaleandbothofthemarefurthermergedwithoutputfeatureofASPPtoformamulti-scalefeaturethroughthedotproductoftheelements,inordertofurtherimprovedetectionaccuracy.Inaddition,byintroducingthemigrationlearning,theoverfittingproblemcausedbyinsufficienttrainingsamplesissolved.ThroughcomparisonexperimentswiththebasicversionSSDandotherdeepneuralnetworkmodels,itisprovedthattheimprovedSSDimprovesrecognitionaccuracywhilemaintaininghighrecognitionspeed.(2)Aimingattheinsufficientrecognitionaccuracyofexistingsubgradedefectrecognitionalgorithms,ahigh-precisionrecognitionalgorithmforrailwaysubgradedefectsbasedonFasterRCNN(RegionswithConvolutionalNeuralNetwork)isVI Abstractproposedforthesecondarydetailedinvestigationofsubgradedefects.Aimingattheproblemsinrailwaysubgradedefectrecognitiontasks,theimprovementstrategiesoffeaturecascade,onlinehardexamplemining,ASDN(AdversarialSpatialDropoutNetwork),Soft-NMS(Non-maximumSuppression)anddataaugmentationareintegratedtoimprovethebasicversionofFasterRCNNonalgorithmrecognitionaccuracyofrailwaysubgradedefects.Firstofall,aimingatthesizediversityofrailwaysubgradedefect,animprovedfeatureextractionmethodcalledfeaturecascadeisproposedtoimprovethemodeldetectionaccuracy,whichconnectsfeaturesfrommultipleshallowlayersanddeeplayerstoformanewmulti-scalefeatureformodeldetection.Then,accordingtothedisparityinproportionbetweenthetargetandbackgroundinmodeltrainingprocess,theonlinehardexampleminingtechniqueisappliedtofilterhardsamplesandretrainmodel,soastobalancethepositiveandnegativesampleproportions.Next,theAdversarialSpatialDropoutNetworkisusedtogeneratehardpositivesamplesbyadversariallearningtoenhancethemodelrobustness.Inaddition,inordertosolvetheproblemthatthetargetdefectsclosertotheonewithhighestconfidencedegreeweresuppressed,theSoft-NMSmethodwasusedtoreplacethetraditionalNMStoreducetheoccurrenceoffalse-positiveresults.Finally,aimingattheproblemofsmallsamplesizeofself-madetrainingset,avarietyofdataenhancementtechniqueswereintegratedtopreventthemodelfromover-fittingandtoimprovethemodelrobustness.Additionally,theeffectivenessoftheimprovementstrategiesadoptedwasverifiedbyanablationexperiment.Inordertocomprehensivelyevaluatetheperformanceoftheimprovedmodel,acomparisonexperimentwithtraditionalapproacheswasconducted.TheexperimentalresultsindicatedthattheimprovedmodelachievedthegreatestmAPof83.6%,8.8%greaterthanFasterR-CNNandmuchgreaterthantraditionalSVM+HOGmethodwiththemAPof38.6%.Finally,therobustnessoftheimprovedmodelwasverifiedbyanothercomparisonexperimentofmodeldetectionperformanceforvariousdefecttypes.(3)AimingatthedemandofdefectriskgradingofBeijing-Kowlowrailwaysubgradedetectionandtheproblemsintheexistingriskassessmentmodels,ariskassessmentmodelofrailwaysubgradedefectsisestablishedbasedoncloudtheory,setpairanalysistheoryanddynamictrackingthoughts.Takingintoaccountthedynamicdevelopmentcharacteristicsofsubgradedefects,ariskassessmentmethodbasedondynamictrackingthoughtsisproposed,whichtakesthechangerateofdefectbasicattributesintoriskassessmentsystemandmakingfulluseofmultipledetectiondatatogetamorerealisticassessmentresult.Meanwhile,byintroducingthecloudmodelwhichisoneoftheuncertaintyartificialintelligencemodelstostudytherelationofthefuzzinessandrandomness,ariskassessmentmodelofrailwaysubgradedefectsisestablished.Firstly,theasessmentindicatorsaretransformedintoindicatorcloudsbyinverseGausscloudalgorithmbasedonthesecond-orderandfourth-ordercenterVII Abstractdistance.Secondly,aimingatthesubjectivenessoftheexistingweightallocationmethods,acloud-criticcouplingweightoptimizedbyleastsquaresmethodisproposedtodistributeweightsforindicatorsscientifically,inwhichsubjectiveandobjectiveweightsaretakenintoaccount.Finally,inviewoftheinsufficiencyoftraditionalsimilaritycalculationmethodsofthecloudmodel,byintroducingthetheoryofsetpairanalysis,anewcalculationmethodofcloudmodelsimilaritybasedon“3En”ruleandthesetpairpotentialofsetpairtheoryofGausscloudmodelisproposedtoimprovethediscriminationaccuracyofdefectrisklevel.(4)Alargenumberofexperimentsaredesignedbasedonthelarge-scalesubgradedetectionengineeringontheBeijing-KowloonRailwaytoverifytheeffectivenessoftheproposedrecognitionalgorithmsandriskassessmentmodelofrailwaysubgradedefect.Firstly,therapidrecognitionalgorithmbasedonSSDandthehigh-precisionrecognitionalgorithmbasedonFasterRCNNareusedtorecognizesubgradedefectsbytworoundsofscreening.Aprobabilisticneuralnetworkriskassessmentmodelbasedonfuzzycomprehensiveevaluationandtraditionalmachinelearningalgorithmisimplementedrespectively.Secondly,ariskassessmentmodelbasedonfuzzycomprehensiveevaluationinthetraditionalfuzzymathematicstheoryandanotheronebasedonprobabilisticneuralnetworkintraditionalmachinelearningalgorithmsarerealizedrespectivelyasthecomparativeexperimentgroupsofdefectassessment.Finally,theproposedriskassessmentcloudmodelintegrateddynamictrackingiscomparedwiththeothertwomodels.Aftercomparisonwiththeexcavationverificationresults,itisprovedthattheproposedmodelhashigheraccuracyandreliability.Thispaperexploresandstudiestherecognitionalgorithmandriskassessmentforrailwaysubgradedefects.However,thefollowingdeficienciesstillneedtobefurtherstudied:1)sincethecurrentlyusedgeologicalradardetectionequipmentencryptstheoriginalradarsignaldata,theresearchonrecognitionalgorithmcannotbedirectlybasedontheoriginalsignaldata.Therefore,thegeologicalradarprofileusedinthispaperlosespartofthedataaccuracyduringtheradarsignalgenerationprocess,whichaffectsthedefectrecognitioneffect.2)Thecurrentrecognitionalgorithmcanidentifyfourtypesofdefectssuchasthemudpumping,subgradesettlement,ballastfoulingandwaterabnormality,sothepromotionofrecognitionalgorithmstoothertypesofsubgradedefectsneedstobefurtherstudied.3)Theparameterandthresholdsettingoftheriskassessmentmodelneedtobecontinuouslyoptimizedandimprovedinthefutureapplicationpractice.KeyWords:railwaysubgradedetection,groundpenetratingradar，subgradedefectrecognition,riskassessment,deeplearningVIII 目录目录1引言...........................................................................................................................11.1研究背景与意义...........................................................................................11.2国内外研究现状...........................................................................................31.2.1铁路路基病害识别技术的研究现状.................................................31.2.2深度学习技术的研究现状.................................................................41.2.3铁路路基病害风险评估技术研究现状.............................................61.3目前存在的问题...........................................................................................71.4研究内容与创新点.......................................................................................81.4.1研究内容.............................................................................................81.4.2创新点...............................................................................................111.5本文组织结构.............................................................................................122铁路路基病害识别与风险评估技术基础............................................................152.1铁路路基病害分类及特征.........................................................................152.1.1铁路路基病害分类...........................................................................152.1.2面向地质雷达的铁路路基病害分类及特征...................................162.2铁路路基检测数据采集方法.....................................................................192.2.1地质雷达原理...................................................................................192.2.2基于车载地质雷达的铁路路基检测...............................................202.3基于深度学习的目标检测方法.................................................................222.3.1基于候选区域的目标检测方法.......................................................222.3.2基于回归方法的目标检测方法.......................................................262.4风险评估方法.............................................................................................282.4.1定性风险评估方法...........................................................................282.4.2定量风险评估方法...........................................................................282.4.3定性定量风险评估方法...................................................................292.4.4耦合风险评估方法...........................................................................30IX 目录2.4.5风险评估方法的应用.......................................................................302.5本章小结.....................................................................................................313基于SSD的铁路路基病害快速识别算法研究..................................................333.1SSD目标检测方法简介............................................................................333.1.1SSD简介...........................................................................................333.1.2SSD的缺点.......................................................................................343.2改进的SSD病害识别算法.......................................................................343.2.1改进的SSD概述..............................................................................343.2.2Atrous卷积简介................................................................................343.2.3基于ASPP的SSD改进策略..........................................................363.2.4基于多尺度特征融合的SSD改进策略..........................................373.2.5基于迁移学习的SSD改进策略......................................................383.3基于改进SSD的铁路路基病害识别实验分析.......................................383.3.1实验数据准备...................................................................................383.3.2实验设置与模型训练.......................................................................393.3.3实验结果...........................................................................................393.4改进SSD与其它方法对比实验...............................................................423.4.1模型性能评估方法...........................................................................423.4.2对比实验设置与实验结果...............................................................433.4.3不同病害类型检测对比实验...........................................................443.5本章小结.....................................................................................................454基于FasterRCNN的铁路路基病害高精度识别算法研究..............................474.1FasterRCNN目标检测方法简介..............................................................474.2改进的FasterRCNN病害识别算法.........................................................484.2.1改进方法概述...................................................................................484.2.2特征级联...........................................................................................494.2.3在线困难样本挖掘...........................................................................504.2.4对抗空间丢弃网络...........................................................................50X 目录4.2.5Soft-NMS...........................................................................................504.2.6数据增强...........................................................................................514.3基于改进FasterRCNN的铁路路基病害识别实验分析.........................524.3.1模型训练与关键参数设置...............................................................524.3.2检测结果与定性分析.......................................................................524.4改进策略剥离实验.....................................................................................544.5改进FasterRCNN与传统方法对比实验.................................................554.5.1实验设计...........................................................................................554.5.2实验结果分析与讨论.......................................................................554.6本章小结.....................................................................................................575铁路路基病害风险评估模型研究........................................................................595.1基于模糊理论的铁路路基病害风险评估模型研究.................................595.1.1基于模糊综合评价的风险评估模型...............................................595.1.2实验与结果分析...............................................................................635.2基于概率神经网络的铁路路基病害风险评估模型研究.........................645.2.1概率神经网络简介...........................................................................645.2.2基于概率神经网络的风险评估模型...............................................665.2.3实验与结果分析...............................................................................685.3基于集对分析和云理论的铁路路基病害风险评估模型研究.................715.3.1云模型理论.......................................................................................715.3.2集对分析理论...................................................................................725.3.3动态跟踪风险评估方法...................................................................735.3.4基于云理论和集对理论的铁路路基病害风险评估模型...............745.3.5改进的云-Critic耦合权重研究........................................................795.3.6指标云与综合云建立.......................................................................815.3.7基于集对理论的云模型相似度判定方法.......................................835.4京九线路基检测病害风险评估实验.........................................................845.4.1路基病害识别结果...........................................................................84XI 目录5.4.2云模型评估结果...............................................................................905.4.3评估模型对比实验...........................................................................935.5本章小结.....................................................................................................936结论与展望.............................................................................................................956.1结论.............................................................................................................956.2展望.............................................................................................................97参考文献...............................................................................................................99致谢.......................................................................................................................109作者简介...................................................................................................................111XII 1引言1引言我国铁路系统发达，截至2017年底，全国铁路营业里程达到12.7万公里，随着我国铁路运营时间的增加，路基病害的问题逐步显现出来，因此，在追求高效的铁路运输的同时，不能忽略铁路路基病害对行车安全造成的威胁。本文针对路基病害识别效率低、误差大的问题，深入研究了基于深度学习方法的路基病害识别技术，以提升路基病害的识别效率与精度。同时，研究了基于集对分析与云理论的铁路路基病害风险评估模型，客观评估识别出的路基病害的风险，以指导铁路路基的养护维修，保障铁路系统的安全、稳定运行。1.1研究背景与意义中国人口众多、地域辽阔，安全畅通的铁路运输系统是国家赖以生存和发展的重要基础和生命线工程。全国铁路建设的快速发展，新旧铁路的交织，极大地方便了人们的交通出行，同时也带来了巨大的社会效益和经济效益。我国铁路以超过12.7万公里的总营业里程位居世界第二位，高铁更是在过去五年新增运营里程1.2万公里，总运营里程达到2.2万公里，占据全球高铁的65%以上，位居居世界第一位，高铁已成为闪亮的国家名片和新时代的中国地标。在我国铁路进入高速发展阶段的同时，铁路系统因为运营里程和运营时间的增加，路基病害问题逐步显现，给铁路的安全运营带来隐患。在自然环境、人为因素、列车反复振动作用等多种因素的综合作用下，翻浆冒泥、下沉、含水异常和道床脏污等铁路路基病害频繁发生。铁路路基病害除了引发原因众多，还具有隐蔽性、随机性和突发性等特点，而且发育程度不同的病害将对线路质量造成不同程度的影响，如果不能及时发现并采取正确的处置措施，将严重威胁行车安全，甚至导致铁路运输系统瘫痪，造成不可估量的损失。因此，如何从海量的铁路路基检测数据中快速、准确地识别潜在的路基病害风险源，并客观评估其风险等级，以采取合理的处置措施，最大限度地减少铁路事故，保障铁路运输安全，已成为铁路路基检测与养护维修急需解决的技术难题。传统的铁路路基病害检测方法主要有挖探法和钎探法[1]等，但均属于有损检测方法，存在成本高、效率低和工期长等缺点。铁路路基无损检测法主要包括瑞利面波法[2]、高密度电法[3]、轻型动力触探法[4]以及土工试验法[5]等，无损检测法相比有损检测法的可靠度要高，但效率仍然较低，且由于需要的人力成本较高。近些年，地质雷达技术以其无损、高效、高精度、结果直观的特点，在铁路路基检测领域迅速推广和应用。与传统方法相比，地质雷达法可以快速查明全线路的路基情况，绘出整段路基剖面图，全面、直观地反映出路基损坏程度和病害范围，1 1引言为铁路路基养护维修提供参考，现已成为铁路路基的日常检测的主要技术手段。例如，铁科院基础所桥隧部采用自主研发的搭载意大利IDS地质雷达检测系统的隧道及路基状态检测车，承担全路既有铁路路基的日常检测和数据分析工作。铁路路基地质雷达检测数据属于海量数据，平均每检测30公里产生约23G的地质雷达数据，然而目前对路基病害的识别仍然依靠人工判读检测数据雷达图像进行识别，成本高、效率低，而且对操作员的知识和经验要求高。此外，由于较难统一判读标准，以及每个人的肉眼感知能力不同，人工解译方式不可避免地会引入人为误差，导致误判和漏判[6]。因此，传统人工识别方式已经严重阻碍地质雷达技术在铁路路基检测领域的推广与应用，提高病害识别效率和准确率是铁路路基病害检测技术发展的必然趋势。目前已有的对铁路路基病害识别方法的研究主要集中在人工设计特征与支持向量机、浅层神经网络等传统机器学习方法结合使用。但人工设计特征具有较强的主观性，无法提取到病害的本质特征，因此较难取得理想的识别效果。支持向量机是针对二分类问题提出的，在处理多目标识别问题效率低，而且泛化能力较差，识别范围往往局限于训练样本。传统神经网络法由于网络层数较少，无法提取出病害的本质特征，而且识别效果非常依赖大训练样本，但铁路路基病害识别问题能收集到的样本数量很有限。近些年，深度学习方法[7-9]，尤其是基于深度卷积神经网络的目标检测算法[10-13]在多个计算机视觉任务中成绩显著。深度学习的方法消除了手工设计特征的弊端和传统方法繁琐的图像处理步骤，通过训练深度网络，提取出数据中隐藏的高维特征，大大提高了识别准确率，在图片分类、目标检测、语义分割等多个领域都取得了成功。但目前深度学习技术还未引入到铁路路基病害识别领域，仍有大量问题需要探索与解决。因此，本文开展了基于铁路路基雷达探测图像的病害识别算法研究。此外，如何对识别出的病害进行符合工程实际的风险评估是另一个急需解决的难题。不同类型、不同发育程度的路基病害的风险性不同，相应的处置方式也不同。合理评估出路基病害风险，对指导路基养护维修有重要意义，因此对铁路路基病害的风险评估模型的研究也就十分必要。目前针对铁路路基病害的风险评估技术研究较少，还未形成比较成熟的评估体系，已有的研究主要采用模糊理论，如模糊综合评价、模糊推理、模糊层次分析法等。这些方法只考虑了病害风险评估中的模糊性，但是铁路路基的复杂地质环境以及病害影响因素的多样性，导致路基病害评估问题除了模糊性以外还具有随机性，因此已有方法无法满足铁路路基病害风险评估问题的需求。不确定性人工智能中的云模型作为一种新型定性定量转换模型，可以同时兼顾模糊性与随机性对病害风险进行全面评估。2 1引言综上，本文首先对基于深度学习的铁路路基病害识别方法进行了研究，旨在为铁路路基病害识别开辟一条新途径。通过研究基于回归方法的SSD目标检测方法，提出了一种铁路路基病害快速识别算法，。从基于候选区域的目标检测算法FasterRCNN出发，深入研究了FasterRCNN应用在铁路路基病害识别任务中的难点。其次，为客观评估检测到的路基病害的危险性，本文对不确定性人工智能在铁路路基病害风险评估中的应用进行了研究，建立了基于云理论和集对分析理论的铁路路基病害风险评估云模型。本研究实现了对铁路路基病害的快速、准确识别和有效的风险控制，降低了路基病害对行车安全造成的威胁，在理论建设和工程应用上均有重要意义。1.2国内外研究现状1.2.1铁路路基病害识别技术的研究现状目前针对铁路路基病害识别的相关研究，主要集中在人工特征的设计与提取，以及支持向量机、浅层神经网络等传统机器学习方法在训练病害分类器上的应用。赵勐[14]设计了基于形态分析的探地雷达随机RFI抑制算法，对地质雷达信号进行预处理，并提出了基于二维小波分析的铁路路基病害探地雷达特征提取算法，最后实现了基于神经网络的路基病害识别算法。但识别算法中各参数需要人为设定，识别参数的选取直接决定了识别效果的好坏。廖立坚等[6]利用拉冬变换、小波域KL变换等对原始数据预处理，并使用小波变换进行反滤波，突出层面和病害位置，在此基础上设计了层面检测和跟踪算法，实现了对下沉病害的识别。同时以分段能量和方差作为特征建立专家系统，实现对翻浆冒泥病害的自动识别。杜攀峰等[15]采用学习向量量化神经网络生成判决规则，识别下沉和道砟陷槽等病害。通过对病害地质图像特征的分析，选择分段能量、方差和层面位置作为病害识别特征，并可根据特征值大小区分病害类型和发育程度。但由于路基下沉和道砟陷槽病害的界限模糊不清，所以对两者的识别率较低。邹华胜[16]通过对支持向量机原理以及路基病害特征的讨论和分析，以瞬时频率和瞬时振幅为特征值，提出了基于支持向量机技术的路基病害识别算法。结果表明该算法的识别效果优于神经网络法，克服了神经网络的过学习和局部极小值问题。但识别范围局限于训练样本范围，且仍存在特征选取和模型优化问题。侯哲哲[17]采用稀疏表示的方法，从铁路路基病害的地质雷达检测数据中提取边界曲线和病害图像规律作为特征，并降低了采样冗余性，最后采用超球面支持向量机实现了铁路路基病害的快速识别。3 1引言1.2.2深度学习技术的研究现状在2006年，G.E.Hinton[18]首先提出了深度学习的概念，通过无监督预训练法初始化网络权值，解决了神经网络易收敛到局部最小值的问题，拉开了深度学习的序幕。随着ImageNet等大型数据集和GPU等新型计算硬件的出现，以及Relu、Dropout等深度学习技术的不断成熟，在2012年，Hinton的学生AlexKrizhesky使用深度学习方法一举取得ILSVRC竞赛中图像分类和目标定位两个项目的冠军，彻底引爆深度学习的研究热度。深度学习（DeepLearning,DL），是机器学习的一个重要分支，在目标检测等多个计算机视觉任务的应用中取得了成功[7,19-24]。深度学习通过模拟人脑的神经系统，利用多层的特征抽取，逐步将低维特征抽象为高维特征，用于分类和识别等[25,26]。深度学习的“深度”是相对于传统机器学习方法而言的。传统机器学习方法通过人工设计特征提取器，将原始数据转化为特征向量，然后由分类器进行后续检测或分类，这种方式往往需要丰富的经验积累才能够设计出合适的特征表示，而且这样的特征不具有层次，因此具有较大局限性[27-29]。而深度学习方法不需要人工设计特征，特征是从原始数据中通过训练和提取自动获得。深度学习将原始数据逐级抽象，最终转化为一个更高层、高维的表示形式，并能够通过自动化的学习方式不断优化特征提取机制，从而可以提取更好的特征用于分类和检测[30]。目前，深度学习在多个领域都取得了成功，如语音识别、图像识别、视频检测等，下面按照数据维度的顺序，对典型的深度学习应用领域进行介绍。1.2.2.1语音识别微软研究人员于2012年提出了基于深度信念网络的隐马尔可夫混合模型(CD-DNN-HMM)，该模型成为第一个成功应用于大词汇量语音识别系统的深度神经网络模型，比传统基于高斯混合模型—隐马尔可夫模型（CD-GMM-HMMs）的语音识别系统相对误差率减少16%以上[19]。H.Zen等提出一种基于多层感知机的语音合成模型，使用专业演讲者录制的语音数据对模型进行训练，其效果比基于隐马尔可夫模型的语音模型要好[31]。K.Cho等通过使用两个分别用于源语言编码与目标语言解码的递归神经网络，提出了一种向量化定长表示模型RNNenc，该模型在机器翻译上的应用效果显著[32]。D.Bahdanau等克服了定长表示的缺点，提出了RNNsearch模型。该模型包含一个双向RNN的编码器和一个用于单词翻译的解码器[33]，在ACL2014机器翻译语料库上的评分均高于RNNenc模型。1.2.2.2图像分类与检测A.Krizhevsky等[7]在ILSVRC-2012挑战赛上首次应用深度学习技术，其设计的Alex-net模型获得了多个项目的冠军，准确率远超传统方法，从此开启了深度学习技术在ILSVRC挑战赛上的霸主地位，之后出现的ZF-net、VGG等模型均是在4 1引言Alex-net基础上修改而来。M.D.Zeiler等[34]通过引入反卷积结构改进传统网络模型，并可视化中间层特征，在ILSVRC-2013中取得了图像分类任务的第一名。P.Sermanet等对Alex-net进行了改进，将图像缩放和滑窗等方法集成到传统网络框架中，可同时适用于多项图像分类与检测任务，在ILSVRC-2013中取得了定位方向的第一名[23]。GoogLeNet是Google小组在ILSVRC-2014上提出的全新深度学习结构，使用Hebbian法进行了优化，其证明了通过使用很小的卷积核增加网络深度，可以有效提升模型性能，最终以6.7%的低top-5错误率刷新了图像分类任务的性能记录[35]。VGG小组提出以很小的卷积核（3×3）并增加网络的深度可有效改进模型性能，且模型在多个数据集上取得了很好的效果，泛化能力较强，最终取得了目标定位任务的第一名和图像分类任务的第二名[36]。NUS小组通过改进传统CNN网络提出了网中网模型（NIN）[37]，通过将卷积和多层感知器融合形成新型网络层（mlpconv）替代传统卷积层，以该模型为基础的多方法融合模型，以37%的mAP在多目标任务中取得指定数据冠军。从历届ILSVRC挑战赛中图像分类和检测任务的赛果以及深度学习技术从首次应用到逐渐普及可以看出深度学习在计算机视觉领域的绝对优势。1.2.2.3人脸识别在人脸识别研究中，香港中文大学的第一代DeepID项目[38]通过深度学习技术从人脸不同区域图片学习到高级特征表示，从而对人脸进行识别，在使用了迁移学习后，在人脸对齐的情况下在LFW数据库上[39]的识别准确率达到97.45%；Facebook同样采用卷积神经网络法的DeepFace项目[40]可以取得97.35%的识别率，两者均略低于人类识别率。随后港中大团队在DeepID的基础上研发了DeepID2项目[41]，通过在目标函数上添加验证信号，在LFW上取得了99.15%的识别率，超过当时所有的深度学习和传统方法[42]以及人类识别率[43]。之后发布的DeepID2+[44]对网络进行了进一步改进，改进后的模型对遮挡鲁棒性很强，而且发现了像二值化等特征提取的规律。最近的DeepID3[45]项目着重探讨了极深神经网络对人脸识别的作用，识别精度与DeepID2+相当。1.2.2.4行为识别A.Karpathy等[46]将深度网络模型拓展用于视频分类，并通过引入两种不同分辨率的视频帧输入两个卷积神经网络以构建多分辨率模型并减少参数，因此在训练时间上有较大提升。S.Ji等[47]提出了一种三维网络模型识别运动特征，并从时间维度和空间维度同时进行，以取得相邻视频帧中的运动信息，该模型TRECVID数据集上的性能要强于其他方法，但在KTH数据集上的识别准确率略低于Jhuang[48]和Schindler[49]的方法。M.Baccouche等[50]提出一种无先验知识的行为识别模型，分别5 1引言在KTH1和KTH2上取得了94.39%和92.17%的识别准确率。以上只是从数据维度的顺序对深度学习的几个重要应用领域进行了梳理，其实深度学习的应用还远不止这些，在很多其它应用领域也取得了很好的效果，比如图像超分辨率重构[51,52]、自动驾驶[53]、纹理识别[54]、手势识别[55]、行人检测[56-58]、场景标记[59]、医疗影像识别[60]、门牌识别[61]以及围棋深度学习系统AlphaGo[62]等。1.2.2.5深度卷积网络模型的改进统计显示网络深度对检测效果至关重要，在ImageNet上取得领先的团队均使用了较深的网络。但随着网络层数的增加，BP网络反馈机制带来的梯度消失问题就会出现，网络越深，梯度消失越明显，导致网络训练效果变差。KaimingHe[63]等提出了ResNet，通过引入残差网络结构，可以在网络层达到很深的情况下，保持最终很好的网络分类效果。一般来说，提升网络性能的最直接方法是增加网络深度和宽度，但这同时导致网络参数激增。谷歌提出了Inception[64-67]网络，认为解决该问题的根本方法是将全连接以及卷积转化为稀疏连接。该网络的作用是代替人工来确定卷积层中的过滤器类型，是为了在增加网络深度和宽度的同时减少参数。Inception将稀疏结构近似为密集子矩阵，在减少参数的同时更有效利用计算资源。1.2.3铁路路基病害风险评估技术研究现状目前，针对铁路路基病害的风险评估研究较少，尚没有形成系统的方法体系，在这一领城的研究相对薄弱，现总结如下。吕定军[68]综合选取气候条件、填料情况、水文地质等多个影响冻害的评估指标，通过层次分析法确定指标权重，并以铁路相关规范为依据，建立病害风险评级标准，最后结合扣分法对路基冻害进行综合评估。聂如松等[69]针对朔黄重载铁路四个典型病害路基工点，进行压实度尤、含水率、直剪等检测试验，系统地评价路基的压实状况、变形性能和承载力特性。针对既有铁路路基检测试验可行性和代表性问题，建立平面应变有限元模型，分析路基的初始应力状态。刘俊飞等[70]对比分析了灰色理论和神经网络方法等多种评估方法对新建铁路沉降评估的适用性，指出回归分析法中的收敛模型对新建铁路路基沉降评估具有较好的适用性，并提出结合残差分析判断沉降预测的可靠性。张思远[71]分析了指数曲线法、双曲线法、灰色理论及Asaoka法对京沪高速铁路路基沉降预测的适用性，确定应用双曲线法与Asaoka法进行曲线拟合时预测效果最好，并通过分析参数特性，确定了样本起止时间等模型参数的最优取值。尚金光等[72]从时空连续性角度研究了高速铁路施工过程中路基沉降观测及数据分析过程，并按照分段、分层、分时的“三分原则”，对路基沉降的实际监测数6 1引言据进行多层次评估，以期指导路基信息化施工。李燕庭[73]采用定性和定量相结合的风险矩阵法，建立了铁路桥梁、铁路隧道、铁路路基等工程的风险分级标准，并基于ALARP原则，制定了风险可接受准则。最后将研究成果应用于某一客运专线铁路路基工程实例的风险评估进行了验证。魏永幸等[74]运用专家评分与层次分析(AHP)相结合的方法对软土地区铁路路基风险因素进行量化评估，并通过数值计算，对铁路路基沉降的影响因素进行敏感性分析，并提出软土地区铁路路基风险预防与管理的步骤与方法。王小春[75]针对铁路路基工程的特点，将层次分析法和专家调查法相结合，从自然环境、技术、材料三方面评估膨胀土地区路基风险，并从风险发生概率和风险后果两项指标制定可接受原则与风险等级划分标准，综合评估各风险因素对铁路路基工程风险等级的影响。聂洪亮[76]针对铁路路基工程风险评估问题中的模型性，将模糊综合评价法与灰色系统理论相结合，提出了一种基于灰色系统理论的模糊综合评价法，并通过软土路基沉降风险评估实例验证了的适用性。综上所述，已有研究针对铁路路基病害的风险评估较少，且相关领域的研究所使用的风险评估模型大多没有同时考虑到病害风险评估问题同时存在的模糊性和随机性。1.3目前存在的问题铁路路基检测发展至今，车载地质雷达目前已经成为铁路路基检测的主要技术手段，广泛应用于全国主要铁路干线的日常检测。但随着铁路路基检测数据量的迅猛增加，目前依靠人工病害识别已无法满足海量数据处理的需求，严重阻碍了地质雷达技术在铁路路基检测的推广与发展。经过对大量文献的分析和总结，目前对铁路路基病害的识别技术和风险评估的研究取得了一定的进展，但仍有很多问题有待进一步的深入研究，目前存在如下不足：1、随着既有线路基检测数据量的激增，目前对雷达数据的解译仍依靠人工处理，效率低，而且较难统一判别标准，不可避免的会引入人为误差，导致误判。此外，人工识别对专业知识和检测经验要求较高，即使是经验丰富专家，仍然需要投入巨大的时间和精力。因此，如何快速、准确地从检测数据中识别出路基病害是急需解决的问题。2、目前铁路路基病害识别算法还不成熟，较难应用到实际工作中。已有研究主要采用人工设计特征和支持向量机、人工神经网络等传统机器学习方法相结合的方式，但路基病害特征复杂，人工特征的表示能力有限，较难得到优质特征。此外，支持向量机或人工神经网络等方法需要大量标准病害数据集用于模型训练，7 1引言但路基病害形态与尺度变化多样，难以取得标准数据集，导致传统机器学习方法对参数的优化不足，无法达到理想的识别效果。因此，如何提高病害的识别精度是需要解决的问题。3、目前深度学习方法已广泛应用于语音识别、自然图片识别、视频分类及行为识别等多个领域，并且表现出对传统图像处理方法和机器学习方法的绝对优势，但目前这种先进技术尚未被引进铁路路基检测领域。如何解决深度学习方法对铁路路基地质雷达检测数据病害识别的适用性，在路基病害检测精度与检测速度之间取得平衡是一个具有挑战的任务。4、使用深度学习方法进行目标检测，往往需要大量的样本数据对模型进行训练，但在铁路路基病害识别问题中，目前没有可用的数据集。由于多方面条件的限制，能收集到的路基病害样本也较少，如何在小规模样本的条件下的训练具有高质量模型是需要解决的问题。此外，铁路路基病害与自然图片中的物体相比，在形态和尺寸上变化多样，而深度学习方法普遍对小目标识别精度较低，如何提高对小目标的识别精度也是需要解决的问题。5、对识别出的铁路路基病害需要准确评估其风险状态，以及时采取相应的养护维修措施。由于路基病害影响因素众多，各种诱因对病害产生和发育过程的影响机理尚未完全揭示，因此病害风险量化问题具有模糊性、随机性和动态性等不确定特性，而已有铁路路基病害风险评估模型单一考虑了影响因素量化的模糊性，但未考虑病害发育的动态性、影响因素的模糊性与随机性之间的联系以及隶属度的不确定性等，因此已有模型在风险评估体系、风险量化等方面还不够完善。因此，本课题的研究目的：充分利用深度学习等先进技术，提高铁路路基地质雷达检测数据的病害识别效率和识别精度，减轻路基数据解译人员的负担，并能够对识别出的病害合理评估其风险等级，为铁路路基养护维修提供参考依据。1.4研究内容与创新点1.4.1研究内容针对地质雷达在铁路路基检测应用中，人工病害识别效率无法满足海量检测数据的要求，本文对铁路路基病害自动识别技术和风险评估技术的研究现状进行调研，深入分析了铁路路基病害的地质雷达剖面图特征，结合基于深度学习的目标检测技术，对海量路基检测数据的病害识别技术进行研究，对铁路路基隐伏病害类型和区域实现快速、准确识别；同时，为合理评估识别出病害的风险等级，对铁路路基病害的风险评估技术进行了研究，为铁路路基的养护维修提供参考，保障行车安全。本文的主要研究内容分为以下四部分：8 1引言（1）基于SSD的铁路路基病害快速识别技术研究为同时兼顾铁路路基病害的识别精度与识别效率，对基于回归方法的目标检测方法SSD在路基病害自动识别中的应用进行了研究。针对传统SSD对小目标识别精度的问题，将ASPP特征提取方法用于改进SSD，利用Atrous卷积在不降低分辨率的情况下改变卷积层感受野的特性，充分挖掘浅层特征conv4_3兼具语义信息和高分辨率信息的优势，融合具有不同感受野的高分辨率特征，提高对小目标的识别精度。同时，充分利用conv3_3具有的高分辨率信息和conv5_3丰富的语义信息，将二者与ASPP输出特征进一步融合形成多尺度特征，在不增加过多计算量的同时再次提高对小目标的检测精度。通过迁移学习训练改进的SSD模型，防止因样本较少导致的过拟合，并使用测试集中的检测结果检验模型的有效性。最后，通过与其它目标检测模型的对比实验，验证改进模型的检测性能进行对比分析。（2）基于FasterRCNN的铁路路基病害高精度识别技术研究首次将基于候选区域的目标检测方法FasterRCNN引入铁路路基检测领域，用于识别铁路路基病害。通过应用试验以及对铁路路基病害识别任务的特点与难点的深入研究，发现传统FasterRCNN直接应用于路基病害检测的不足之处。提出了特征级联改进方法，将原本基于单一特征层的检测方式修改为基于多尺度的级联的方式，提高检测精度；使用在线困难样本挖掘筛选出困难样本输入网络重新训练，以平衡正负样本比例；使用对抗丢弃网络利用对抗学习生成困难正样本，增强模型鲁棒性；利用Soft-NMS较少假阳性样本的数量，提升检测性能；综合运用多种数据增强技术扩充样本数量，提高病害识别准确率。通过改进策略剥离实验，检验不同改进策略对模型性能的影响。最后通过与传统方法的对比实验，验证改进FasterRCNN在路基病害识别上的性能提升。（3）铁路路基病害风险评估模型研究基于已有方法实现基于模糊理论的铁路路基病害风险评估模型以及基于传统机器学习算法概率神经网络的评估进模型，分析两种模型的适用性和存在的不足。针对已有方法的不足，研究基于不确定性人工智能中研究模糊性与随机性关联的云模型的风险评估云模型，并融入动态跟踪的思想完善评估体系。通过结合主观云权重与客观Critic权重，将其组合并优化，提出一种利用最小二乘法优化的云-Critic耦合权重，使权重分配更符合实际。最后，通过引入集对理论求解了云模型定量相似性判定的问题。（4）京九线铁路路基检测病害识别与风险评估应用实验将本文提出的铁路路基病害自动识别技术应用于2017年京九线铁路路基检测数据的病害识别，首先利用基于SSD的铁路路基病害自动识别算法识别速度快的特点对路基病害进行初步筛选；其次，利用基于FasterRCNN的铁路路基病害自动识9 1引言别算法的高识别精度对初筛结果进行二次识别，提高识别的准确率；最后使用本文提出的基于云理论和集对分析理论的铁路路基病害风险评估模型对识别出的病害进行风险评级，并对部分评估结果进行开挖验证，验证模型的有效性。通过三种评估模型的对比实验，验证病害云模型在工程实践中的有效性。根据以上研究内容，确定本文技术路线如下：车载地质雷达制作病害数据集铁路路基检测对SSD检测基于ASPP的SSD改进算法的改进路基病害初步基于改进SSD的铁路路基病基于多尺度特征融合的SSD快速识别害快速识别算法改进改策进略基于迁移学习的SSD改进特征级联对FasterRCNN检对抗空间丢弃网络测算法的改进路基病害二次基于改进FasterRCNN精确识别的铁路路基病害高精度识别算法在线困难样本挖掘Soft-NMS数据增强病害风险评估传统模糊数学建模传统机器学习建模不确定性人工智能建模基于模糊理论的铁路路基基于概率神经网络的铁路基于集对分析和云理论的铁病害风险评估模型路基病害风险评估模型路路基病害风险评估模型模糊综合评价概率神经网络风险评估体系郑州局应用试验模型仿真分析指标量化标准上海局应用试验病害动态跟踪改进的云-Critic耦合权重京九线南昌局数据基于集对理论的云模型相评估模型对比实验似度判定方法图1.1技术路线Fig.1.1Technicalroute10 1引言1.4.2创新点针对目前铁路路基地质雷达检测数据病害识别效率达不到路基养护维修的要求以及铁路路基病害风险评估研究中存在的问题，本论文进行了大量的理论与实验研究，为铁路路基病害识别与风险评估技术开辟了一条新途径，取得了如下创新点：1.提出了一种基于SSD的铁路路基病害快速识别算法，具有达到实时检测要求的检测速度，用于路基病害的初次快速普查。针对基础版本SSD对小目标识别精度不高的问题，提出了基于Atrous空间金字塔池化和多尺度特征融合的改进方法，在保持高检测速度的同时提高了检测精度。首先，将ASPP特征提取方法引入SSD，利用Atrous卷积可在不降低分辨率的情况下改变卷积层感受野的特性，充分挖掘浅层特征conv4_3层的特征提取能力，融合具有不同感受野的高分辨率特征，提高对小目标的识别精度；其次，充分利用conv3_3具有的高分辨率信息和conv5_3丰富的语义信息，分别使用池化层和反卷积层将conv3_3和conv5_3特征层统一到同一尺度，并与ASPP输出特征以元素点积的方式融合为多尺度特征，进一步提高检测精度。2.提出了一种基于FasterRCNN的铁路路基病害高精度识别算法。针对铁路路基病害识别任务存在的问题，集成特征级联、在线困难样本挖掘、对抗空间丢弃网络、Soft-NMS和数据增强等方法改进FasterRCNN，提高了算法识别精度。适合路基病害的二次精细识别。首先，该算法提出一种改进的特征提取方式——特征级联，将多个浅层特征与深层特征连接组成新型多尺度特征用于病害识别，提高了识别精度；其次，针对训练样本少的问题，综合运用在线困难样本挖掘、对抗丢弃网络和数据增强方法，扩充样本数量，平衡正负样本比例，提高识别准确率与模型泛化能力；最后，使用Soft-NMS方法取代传统NMS，有效减少了假阳性样本数量，解决了近距离高置信度病害目标被抑制的问题。3.建立了一种基于云理论、集对理论和动态跟踪思想的铁路路基病害风险评估模型。考虑到病害的动态发育特性，提出一种基于动态跟踪思想的风险评估方法，加入病害属性变化率指标，完善了风险评估体系。通过引入不确定性人工智能中的云理论，建立了考虑模糊性与随机性关联的铁路路基病害风险评估模型。针对已有权重分配方法主观性强的问题，提出一种综合考虑主观与客观权重的最小二乘法优化云-Critic耦合权重。针对传统云模型相似度计算方法存在的不足，通过引入集对分析理论，提出一种基于高斯云“3En”规则与集对势的云模型相似度计算方法，提高了病害风险等级判别准确性。11 1引言1.5本文组织结构本文主要内容分为6章，论文结构安排具体如下：第一章，引言。介绍了铁路路基病害识别与风险评估的研究背景和意义，回顾了铁路路基病害识别技术与风险评估技术的研究现状，并从目前存在的问题出发，引出了本课题的主要研究内容与创新点。第二章，铁路路基病害识别与风险评估技术基础。首先，对铁路路基病害的分类进行了详细地整理和归纳，并对每一类路基病害的地质雷达图像特征进行了总结，为后面进行病害识别打下基础。其次，简要介绍了地质雷达原理，并重点阐述了本文基于车载地质雷达的铁路路基数据采集方式。此外，简要介绍了两类基于深度学习的目标检测方法。最后，将风险评估方法总结为四类，介绍了每一类具有代表性的评估方法，并简要介绍了评估方法的应用方向。第三章，提出了基于改进SSD的铁路路基病害快速识别算法。首先，简要介绍了SSD目标检测方法的原理，并分析了不足之处。其次，详细阐述了本文针对SSD在铁路路基病害识别任务中的不足提出的改进方法，包括为改进SSD对小目标的识别精度提出的基于ASPP的改进策略和基于多尺度特征融合的改进策略，以及针对训练样本不足采用的基于迁移学习的SSD改进策略，并通过实验验证了改进后SSD模型的识别效果。最后，通过与其它目标识别算法的对比实验，验证了改进后SSD模型在识别精度上的提高以及在检测速度上的优势。第四章，提出了一种基于改进FasterRCNN的铁路路基病害高精度识别算法。首先，简单介绍了FasterRCNN目标检测方法的原理和网络架构。其次，详细阐述了本文针对铁路路基病害识别的特点与难点提出的改进策略，包括特征级联、在线困难样本挖掘、对抗空间丢弃网络、Soft-NMS和数据增强。再次，为了对比不同改进策略对模型的改进效果，进行了改进策略剥离实验。最后，通过改进FasterRCNN与传统方法的对比实验，验证了改进FasterRCNN有效性。第五章，研究了铁路路基病害风险评估模型。首先，应用模糊综合评价和概率神经网络，实现了两种基于已有方法的铁路路基病害风险评估模型，并使用实测路基数据验证其有效性。其次，针对已有模型存在的不足，提出了基于集对分析与云理论的铁路路基病害风险评估模型，并融入动态跟踪思想改进评估体系。简要介绍了云理论与集对理论，并依次从风险评估指标体系、改进的云-Critic耦合权重、指标云与综合云建立以及首次提出的基于集对理论改进的云模型相似度12 1引言判定方法进行详细阐述。最后通过京九线路基检测应用实例，对本文提出的三种评估模型进行了对比分析。第六章，结论与展望。对本文研究内容进行了总结，进一步阐述了本文的创新性研究成果与实用价值，最后对未来的研究方向进行了展望。13 1引言14 2铁路路基病害识别与风险评估技术基础2铁路路基病害识别与风险评估技术基础2.1铁路路基病害分类及特征2.1.1铁路路基病害分类参考新版铁道行业标准《铁路路基病害分类》[77]及相关文献[78-80]，对常见铁路路基病害总结如下。2.1.1.1下沉下沉是指由于基床、路基土压实密度不够、强度低、地基处理深度不够、桩间土破坏、下卧层土体蠕变或区域性沉降等，在水的侵蚀作用、上覆荷载、自重以及列车动荷载作用下，发生不均匀竖向变形或沉降变形。下沉病害可细分为路基本体下沉、路基地基下沉、区域性沉降、差异沉降、复合地基基底脱空。此外，下沉病害往往会导致道砟在列车振动作用下被压入基床，这时又称为道砟陷槽、道砟囊或道砟袋病害。2.1.1.2含水异常含水异常指不同路基结构层道床、基床或地基，及不同结构层界面中含水量相对临近区段较大的现象，基床或地基含水量较大会导致路基质量恶化或稳定性不足，易引发翻浆冒泥、下沉等病害。2.1.1.3翻浆冒泥翻浆冒泥是最常见的一种铁路路基病害，分为道床翻浆冒泥和基床翻浆冒泥两大类。道床翻浆冒泥是指道砟层发生脏污以后，受雨水、排水不良等原因导致的道床积水浸湿，发生软化并形成泥浆，在列车的动力作用下被挤压并翻冒到道床表面。基床翻浆冒泥是指在路基富水地段，基面土与路基中的水体在列车反复振动作用下发生触变或液化，形成泥浆并通过道床向外翻冒的现象。由于基面土材料的不同，基床翻浆冒泥又可细分为土质基面翻浆冒泥、风化石质基面翻浆冒泥、级配碎石基面翻浆冒泥和裂隙泉眼翻浆冒泥。2.1.1.4路基疏松路基疏松主要指路基中一定空间范围的土体不够致密或土体致密性质不连续。路基疏松严重时会导致基床承载力不够，引发下沉或翻浆冒泥病害。2.1.1.5基床不平整基床不平整指基床表层与底层、基床底层分层填筑层界面以及桥梁隧道涵洞过渡段路基填筑层界面的上下高低起伏，并且作用在起伏区段路基的上覆荷载和列车动力不均匀，容易引发产生其它如下沉病害的现象。15 2铁路路基病害识别与风险评估技术基础2.1.1.6道床脏污道床脏污指道床在铁路运营过程中，各种粉末和细小颗粒等污染物侵入道床，破坏了道床原有的结构组成和级配的现象。2.1.2面向地质雷达的铁路路基病害分类及特征2.1.2.1下沉病害的地质雷达特征下沉病害指路基下沉现状，有些下沉病害在列车运行一段时间后会趋于缓解，但有些下沉病害反而会随着荷重的增加、水的作用以及路基的疏松恶化而加速沉降过程。同时，不均匀下沉也会导致路基不平顺，影响线路质量。下沉病害的地质雷达图像特征为：道砟和基床结构层间界面、基床表层和底层间界面反射同相轴发生明显的弯曲下沉、深度向下错断或偏移，同相轴在相同深度位置附近中断不连续、时断时续或高低不平，道砟与基床土混合严重时甚至会导致同相轴缺失。典型的下沉病害地质雷达图像如图2.1所示。图2.1下沉病害的地质雷达剖面图Fig.2.1Thegroundpenetratingprofileofsettlementdefect2.1.2.2含水异常病害的地质雷达特征含水异常雷达图像特征为含水较大介质体界面低频强反射、振幅较大、相位反相且存在多次反射。典型含水异常病害的地质雷达图像如图2.2所示。16 2铁路路基病害识别与风险评估技术基础图2.2含水异常病害的地质雷达剖面图Fig.2.2Thegroundpenetratingprofileofwaterabnormalitydefect2.1.2.3翻浆冒泥病害的地质雷达特征翻浆冒泥病害在水和列车反复振动的作用下形成的泥浆，在挤压抽吸作用下通过道床孔隙翻冒到道床或道床表面，导致道砟脏污、板结，甚至改变轨道的几何尺寸。基床表层、底层或地基翻浆时会使路基疏松、承载力下降，进一步恶化会导致下沉病害发生。在地质雷达图像上表征为翻浆冒泥体波组杂乱、不连续、低频强反射形似“山尖”或“草帽”状。典型翻浆冒泥病害的地质雷达图像如图2.3所示。图2.3翻浆冒泥病害的地质雷达剖面图Fig.2.3Thegroundpenetratingprofileofmudpumpingdefect2.1.2.4路基疏松病害的地质雷达特征雷达图像表征为散碎状，较严重时会混合下沉、含水异常和翻浆冒泥雷达图像特征。典型路基疏松病害的地质雷达图像如图2.4所示。17 2铁路路基病害识别与风险评估技术基础图2.4路基疏松病害的地质雷达剖面图Fig.2.4Thegroundpenetratingprofileofsubgradeloosedefect2.1.2.5基床不平整病害的地质雷达特征基床不平整病害的雷达图像则直观地表现为基床表层、基床底层及填筑层厚度的变化或结构层界面反射同相轴的高低起伏变化。典型基床不平整病害的地质雷达图像如图2.5所示。图2.5基床不平整病害的地质雷达剖面图Fig.2.5Thegroundpenetratingprofileoffoundationbeduneven2.1.2.6道床脏污病害的地质雷达特征道床脏污造成道砟颗粒表皮被这些对水有较强吸附能力的粉末或细小颗粒包裹，地质雷达发射的电磁波在包裹面发生散射或衍射，雷达图像上表征为道床内部有雪花状或絮状的凌乱反射出现，脏污严重时会连片出现，同时道床和基床界面的反射同相轴不清晰或不连续。典型道床脏污病害的地质雷达图像如图2.6所示。18 2铁路路基病害识别与风险评估技术基础图2.6道床脏污病害的地质雷达剖面图Fig.2.6Thegroundpenetratingprofileofballastfoulingdefect2.2铁路路基检测数据采集方法2.2.1地质雷达原理探地雷达法[81]是一种采用窄脉冲宽带高频电磁波信号检测地下介质分布的方法。探地雷达原理图如图2.7所示。该方法通过天线连续拖动的方式向地下发射高频电磁波，电磁波信号在物体内部传播时遇到存在电性差异的介质界面时会发生反射，而且电性差异越大，反射信号越强。反射电磁波被接收天线接收后，通过雷达主机精确记录电磁波的运动特征，生成地下介质的断面扫描图像，经过图像处理和解译，提取出隐藏病害体及相关参数。图2.7地质雷达原理图Fig.2.7Theschematicdiagramofgroundpenetratingradar探地雷达的基本参数及计算公式如下：电磁脉冲波旅行时间：19 2铁路路基病害识别与风险评估技术基础224zx2zt(2.1)vv公式（2.1）中，z为探测目的层深度，m；x为发射与接收天线之间的距离，m；v为地下介质的波速，m/ns。地下介质的传播速度：ccv(2.2)rrr公式（2.2）中，c为电磁波在真空中的传播速度，m/ns；εr为介质的相对介电常数；μr为介质的相对磁导率。电磁波的反射系数：22221121r(2.3)22221121公式（2.3）中，r为界面电磁波反射系数；ε1为第一层介质的相对介电常数；ε2为第二层介质的相对介电常数。探测目标体的深度：11czvtt(2.4)22r公式（2.4）中，z为探测目标体的深度，m；t为雷达记录时间，s。实测路基病害时，将雷达天线紧贴路面，沿测线连续滑动。根据系统配置和滑行速度对采集参数进行设定，再基于雷达波的双程走时，即可确定目标体的位置和埋深[82]。2.2.2基于车载地质雷达的铁路路基检测隧道及路基状态检测车通过车载地质雷达方式，实现对路基的无损检测，隧检车外观如图2.8所示。隧检车搭载的铁路路基地质雷达检测数据采集系统由多个组件构成，其中包括地质雷达主机、三通道雷达天线组（由3个400MHz空气耦合天线组成，如图2.9所示）、数据采集终端、雷达信号显示系统、测距轮、轴头编码器、数据传输电缆等。20 2铁路路基病害识别与风险评估技术基础图2.8隧道及路基状态检查车外观Fig.2.8Theappearanceoftunnelandsubgradestatusinspectionvehicle铁路路基地质雷达数据采集系统启动后，由雷达天线组中的收发一体的空气耦合天线发出高频脉冲电磁波信号，同时接收从路基道床、基床等结构交界面反射的电磁波信号，可以在雷达信号显示系统实时查看由返回的雷达波信号所组成的路基数据剖面，同时将每一道雷达波数据以固定的雷达数据格式保存，为后期数据处理和分析做准备。图2.9三通道地质雷达天线组Fig.2.9Three-channelgeologicalradarantennagroup在进行路基检测时共布置了3条测线，如图2.10所示。中间测线布置在线路中心位置，在钢轨两侧各布置一条测线，由平行放置的3个400MHz屏蔽天线进行数据采集。数据采集过程中，400MHz天线时窗设置为60ns，采样点数设为512点，采样间距0.115m。21 2铁路路基病害识别与风险评估技术基础测线400MHz钢轨测线测线400MHz钢轨测线400MHz图2.10路基检测测线布置图Fig.2.10Surveylinelayoutofsubgradedetection2.3基于深度学习的目标检测方法2.3.1基于候选区域的目标检测方法2.3.1.1RCNNRCNN[10]（RegionswithCNNfeatures）是将卷积神经网络引入到目标检测领域的一个重要开端，通过使用SelectiveSearch候选区域生成算法，避免了传统目标检测算法使用滑动窗口判断所有区域，实现了将目标检测问题向局部区域的分类问题的转化，同时使用深度卷积神经网络从训练集中提取的特征替代传统人工设计特征，大大提高了目标检测效果。图2.11RCNN的整体检测流程Fig.2.11TheoveralldetectionprocessofRCNNRCNN的整体检测流程如图2.11所示。RCNN算法可以分为4个步骤：1）候选区域生成：输入一张自然图像，采用SelectiveSearch方法提取大约2000个可能是目标的候选区域；2）特征提取：对每个候选区域的图像进行归一化，并输入深度卷积网络CNN进行卷积、池化等操作提取特征；3）类别判断：提取的特征送入线性SVM分类器判断分类；4）位置精修：通过边界回归精细修正候选框位置，得到精确的目标区域。RCNN方法大幅提升了目标检测的识别精度，在PASCALVOC2012数据集上将mAP从35.1%提升至53.7%。但RCNN仍然存在不足之处：1）每张图片需要22 2铁路路基病害识别与风险评估技术基础预先提取并保存2000个左右的候选区域，需占用大量的存储空间；2）为将输入图片转化为卷积神经网络需要的固定输入尺寸，对图片进行了截断或拉伸等操作，导致图片失真和信息丢失；3）重复计算的问题。上千个候选区域存在互相重叠，重叠部分被多次提取进入CNN网络计算，带来巨大的计算浪费。2.3.1.2SPP-Net针对RCNN特征提取过于耗时的问题，SPP-Net[11]提出先提取整张图像特征，而不必对每一个候选区域做繁琐卷积计算，然后在分类前在特征图上截取候选区域的特征，处理一幅图像需要0.5s。图2.12SPP-Net检测原理Fig.2.12ThedetectionschematicdiagramofSPP-NetSPP-Net的检测流程如图2.12所示。虽然总体检测流程没有变化，但在RCNN的基础上做了以下改进：1）不再需要预先将图片通过截取等归一化操作统一到固定尺寸，解决归一化操作导致的图像扭曲和信息丢失的问题；2）使用空间金字塔结构替换最后一个卷积层的池化层。因此，SPP-Net具有如下优点：1）SPP-Net通过定义一种可伸缩的池化层可对任意长宽比、任意尺度的图像进行处理，产生固定大小的输出，并通过多尺度提高了所提取特征的鲁棒性；2）由于所有候选区域的特征直接在整体特征映射上提取，有效解决了卷积层的重复计算问题，提高了效率。但同时SPP-Net仍然存在问题：1）隔离式的训练过程导致无法对网络参数进行整体训练，仍然需要保存大量中间结果；2）位于空间金字塔池化层两侧的卷积层和全连接层仍然需要单独进行调优，限制了深度卷积网络的效果；3）候选区域的提取在整个检测流程中仍然很耗时。23 2铁路路基病害识别与风险评估技术基础2.3.1.3FastRCNNFastRCNN[83]主要改进在于对RCNN进行加速。FastRCNN的检测流程如图2.13所示。在FastRCNN中，首先，由一个候选区域方法产生一系列候选区域；然后，由多个卷积层生成输入图片的卷积神经网络特征图；其次，候选区域池化层将候选区域映射到卷积神经网络特征图上，并为不同尺寸的候选区域提取相同尺寸的特征图；最后，位于候选区域池化层之后的层进行最终特征的提取，并基于该特征预测分类评分和检测框的位置精修。图2.13FastRCNN检测流程Fig.2.13TheoveralldetectionprocessofFastRCNNFastRCNN进行的改进可总结为以下四点：1）相比RCNN，提高了检测质量；2）通过合并分类和边框回归损失函数实现了多任务损失层，实现单级的训练过程，提高了算法准确度；3）实现了除候选区域提取以外的end-to-end训练，所有特征存储在显存中，不需要额外的磁盘空间。4）借鉴SPP-Net的思想提出单个固定尺度的RoI层，通过SVD分解实现了全连接层的提速。但FastRCNN仍然具有如下缺点：1）依旧用SelectiveSearch方法提取候选区域，相对特征提取仍然耗时严重；2）没有实现真正的端到端训练和测试，无法达到实时检测的要求；3）使用了GPU加速，但候选区域提取方法仍是CPU实现。2.3.1.4FasterRCNNFasterRCNN[13]是对FastRCNN的进一步改进，提出了候选区域生成网络RPN，通过将候选框提取阶段用卷积神经网路在GPU上实现，生成候选框仅需10ms，并将候选框生成和Fast-RCNN融合进一个网络模型，形成一个真正实现端到端的目标检测框架，在提高了检测速度的同时也保持了较高的检测精度。FasterRCNN的目标检测框架如图2.14所示。24 2铁路路基病害识别与风险评估技术基础图2.14FasterRCNN目标检测框架Fig.2.14ThetargetdetectionframeworkofFasterRCNN但FasterRCNN仍然存在缺点，比如还是无法达到实时检测目标，而且先获取候选框再进行分类的方式还是需要较大计算量。2.3.1.5MaskR-CNNMaskR-CNN[84]是一个用于目标分割的通用框架，该方法在有效检测图片中物体的同时为每一个实例生成一个高质量的分割输出。MaskR-CNN的整体架构仍然沿用FasterR-CNN的网络结构，并在此基础上增加了一个用于并行实现目标像素分割的分支。MaskR-CNN训练简单，运行速度达到5FPS，且易于向其它检测任务推广。MaskR-CNN的网络框架如图2.15所示。图2.15MaskR-CNN目标检测框架Fig.2.15ThetargetdetectionframeworkofMaskR-CNN25 2铁路路基病害识别与风险评估技术基础2.3.1.6FPNFPN（FeaturePyramidNetworks）[85]即多尺度特征金字塔网络，该结构以FasterR-CNN为基础，不再单一使用网络结构中的最终特征层进行目标的分类与回归，而是同时将来自多个层的特征结合起来使用。由于网络中底层特征的语义信息较少，但位置信息明确；而高层特征的语义信息丰富，但位置信息粗糙，该网络结果并没有采用融合后的特征做预测，而是在不同的特征层独立进行预测。FPN的网络框架如图2.16所示。图2.16FPN目标检测框架Fig.2.16ThetargetdetectionframeworkofFPN2.3.2基于回归方法的目标检测方法2.3.2.1YOLOYOLO[86]的名字来源于“YouOnlyLookOnce”，该模型将目标检测问题转化为回归问题求解，因此不需要类似RCNN系列算法中的候选框提取阶段，而是同时在最终层进行检测目标的分类与位置回归，真正实现了端到端的训练，因此在检测速度上有巨大提升。图2.17YOLO检测流程Fig.2.17ThedetectionprocessofYOLO26 2铁路路基病害识别与风险评估技术基础YOLO的检测流程图如图2.17所示。检测算法描述如下：1）将图像调整大小到448×448，并分割为固定的7×7网格，检测对象的中心点所在的网格负责该对象的检测；2）每个网格输出该检测对象所有可能的位置信息和属于每个类别的概率信息；3）使用NMS去掉重复率的检测框，每个网络最终输出IOU最大的检测框作为输出结果。虽然YOLO检测速度快，达到了实时检测的要求，但仍存在以下问题：1）对同一类物体不同尺度的检测目标检测精度较差，泛化能力较弱；2）每个网格只能预测一个物体，容易造成漏检；3）损失计算方式无法有效平衡，损失收敛变差，导致模型不稳定。YOLO虽然识别物体位置精确性较差，但是为目标检测问题提供了一种新思路，为实时检测的实现打下了基础。2.3.2.2SDD针对YOLO检测算法位置精确性差和易漏检小目标的不足，SSD[87]通过引入FasterRCNN的Anchor思想，在一定程度上解决了这个问题，同时兼顾了检测精度和实时性的要求。SSD目标检测框架如图2.18所示。图2.18SSD目标检测框架Fig.2.18ThetargetdetectionframeworkofSSD基于多尺度特征的检测，使SSD能够在输入图像分辨率较低时保持较高检测精度。同时，这个整体端到端的设计也使训练变得简单，在检测速度和检测精度之间取得了较好的平衡。2.3.2.3YoloV2YoloV2[88]与YOLOV1在性能上有较大提升。该网络在YOLOV1多目标检测框架基础上进行了多处改进，在保持速度优势的前提下，检测精度有较大提升。同时，该网络的训练下采用了一种目标分类与检测的联合训练方法，可同时在COCO数据集合ImageNet数据集中进行训练，可实现对9000中物体的实时检测。2.3.2.4YoloV3YoloV3[89]是对YoloV2的进一步改进，采用了类似FPN网络的多尺度预测，27 2铁路路基病害识别与风险评估技术基础并使用了类似ResNet的更好的基础分类网络和分类器。所采用的Darknet-53网络比ResNet-101检测精度更高，且速度更快。该网络使用logisticloss代替之前YOLO网络中的softmaxloss，且每个groundtruth只匹配一个先验框。2.4风险评估方法风险评估方法可主要分为三大类，包括定性风险评估方法、定量风险评估方法以及将定性分析与定量分析相结合的定性定量风险评估方法。2.4.1定性风险评估方法定性风险评估方法是使用最为普遍的一种风险评估方法，主要依赖专家的经验和直觉或行业标准对各种风险因素进行定性分级，具有操作简单、结果直观的优点，但是由于主观意识的过多参与导致精确性不稳定。常用的定性风险评估方法包括德尔斐法、因素分析法[90]、失效模式与后果分析、检查列表、历史比较法、风险矩阵法和风险图法等。其中，德尔斐法[91]也称为专家打分法，该方法依靠专家经验，通过对选定的专家组进行多轮的匿名意见征询，将专家意见反复统计与整理供专家分析判断，逐步统一意见并得出可靠结论。该方法按照其基本程序可以分为筹划工作、专家预测、统计反馈和描述结果四个步骤，具有简单可靠的优点，但也由于多轮意见征询导致耗时严重，而且主观性较强。失效模式和后果分析[92]简称FMEA，是在试验与测试中预防失效的诊断工具。该方法的特点是从元件的故障开始逐次分析其原因、影响及应采取的对策措施。是一种自上而下的可靠性分析工具，首先列出系统中的所有组件列表，然后逐个组件的进行失效模式分析，得出其对上层组件的影响和严重程度。2.4.2定量风险评估方法定量风险评估是指采用一种结构化的方法，分析风险源并将相关数据量化为评估指标，推断风险发生概率和风险后果的严重程度。常用的定量风险评估方法有敏感性分析法、蒙特卡洛方法、因子分析法、聚类分析法、时序模型、回归模型、风险图法和决策树法等。敏感性分析法[93]也叫灵敏度分析，属于不确定性分析方法。敏感性分析的主要目的是通过分析对模型输出影响较大的因素，并使用名为敏感性系数的指标进行量化，选择那些敏感性系数较高的影响因素作为评估指标，降低模型的复杂度和计算量，提高评估精度。敏感性分析又可细分为单因素敏感性分析和多因素敏感性分析。单因素敏感性分析通过保持其他因素不变，只考察单一因素的变化对模型的影响；多因素敏感性分析则是在两个或两个以上因素发生变动，而其它因28 2铁路路基病害识别与风险评估技术基础素不变的情况下，对模型输出的敏感性分析。但敏感性分析方法在风险识别时无法得出影响因素的具体风险值，只能得出相对影响程度。蒙特卡洛方法[94]也称统计模拟方法，是一种基于概率统计理论中随机数的计算方法。蒙特卡洛法的基本思想是，所求解的随机问题的解可以转化为某一概率模型的特征，比如随机事件的概率或随机变量的数字特征，然后使用大量的随机数据进行抽样，使随机事件的出现频率拟合它的概率，用随机抽样的数字特征估计随机变量的数字特征，进而得到问题的解。所以在使用蒙特卡洛方法解决实际问题时只需要两个步骤，首先生成某一过程的随机分布的特征变量，再使用统计方法估算模型的数字特征，进而找到问题的解。2.4.3定性定量风险评估方法层次分析法[95]是一种定性与定量相结合的层次化决策方法，其基本思路是将复杂的多目标风险决策问题分解为目标层、准则层、方案层等多个层次和若干因素，然后利用判断矩阵计算得到同层次各风险因素对上级因素的相对权重，进行加权求和并逐级向上传递，直到获取到各备选方案对目标层的相对风险大小，由此可判断最佳方案。因此，层次分析法的具体操作步骤包括四步：构建层次模型、组建判断矩阵、权向量计算与一致性检验以及组合权向量计算与一致性检验。模糊综合评判法[96]是我国学者汪培庄提出的一种基于模糊数学的综合评价方法，其基本原理是：首先将评价目标的所有风险因素组成模糊集合即因素集，将各风险因素所能达到的风险等级构成评语集，然后通过模糊数学中的隶属度隶属函数计算每个风险因素对所有风险等级的归属程度并构成模糊判断矩阵，并与确定的各风险因素的权重进行模糊计算，最终得出评价目标的综合评价值。该方法建模简单，对多因素、多层次风险评估问题效果好，因此应用广泛。事故树分析法[97]简称ATA，是一种图形演绎推理法，它的提出源自人们从结果推断原因的思维方式。该方法通过对系统可能发生的故障以及相应故障原因的分析，以事故树的形式将两者之间的逻辑关系直观地表示出来，从可能的故障原因组合及其发生概率计算得到系统的故障率，通过定性与定量分析找出主要原因，并有针对性的增强系统可靠性，达到预防事故发生的目的。该方法作为一种科学的风险分析与评价方法在国内外应用广泛。风险指数矩阵法[98]是一种综合考虑风险可能性和风险严重程度的定性风险评估方法，可进行定性与定量分析。该方法通过将决定事件风险的两种因素——风险可能性和风险严重度进行等级划分，并分别作为行和列构建风险矩阵，最后为对矩阵的每一个元素赋以相应的权值，通过权值的大小衡量该事件风险的大小。29 2铁路路基病害识别与风险评估技术基础2.4.4耦合风险评估方法模糊层次综合评价法[99]是一种集成模糊数学中的模糊综合评价与层次分析法的定性定量风险评估方法，通过将两者的优势结合起来，提高了风险评估结果的可靠性，因此得到了广泛应用。不同于模糊评价法中目标层与因素层的两层结构，该方法使用层次分析法确定因素集，构建目标层、准则层和因素层的多层结构。同时，层次分析法也用于确定评估体系中各评估因素对目标对象的权重，并在此基础上使用模糊综合评价进行综合评估。具体应用如康世飞[100]综合运用层次分析法与多级模糊评判对盐渍土地区公路主要病害进行评价。模糊事故树分析法[101]是一种融合了事故树分析和模糊数学理论的新型事故概率估计方法。针对事件本身的模糊性对传统事故树分析方法带来的限制，模糊事故树分析法通过将模糊数学引入事故树分析，给每个事故树节点定义了隶属函数，因此可用事件的模糊概率替代事件发生的精确概率，解决了事故树分析中难以确定底事件和顶事件的精确概率的问题，因此广泛应用于复杂系统的可靠性分析中。该方法的主要步骤包括建立事故树，用数值表达自然语言，确定权重以及计算致因事件和风险事故的模糊概率等。2.4.5风险评估方法的应用在实际工程应用中，风险的发生均有模糊性。因此，当风险评估方法用于评估工程实际问题的风险时，如果忽略风险因素的模糊性，则其评估结果的合理性一定存在问题。所以，在实际使用中，基于模糊数学的风险评估方法应用较多，如汪双杰等[102]建立了多年冻土区公路病害识别模糊专家系统对公路病害路段的病害度进行评估；霍明等[103]利用模糊推理对多年冻土区公路路基病害的严重程度进行预警。在基于模糊理论的风险评估方法中，模糊综合评价在实际工程应用中表现出较强的适用性，所以大量学者对模糊综合评价法及其耦合与改进方法在不同工程领域的应用进行了研究。如喻浪平[104]建立了城市道路边坡失稳危险性评价指标体系，并使用模糊综合评价法确定城市道路边坡的稳定性进行综合评价，并以此对危险性进行分级；刘娜[105]提出一种多层次模糊风险矩阵法，该方法结合了模糊综合评价法、层次分析法以及风险矩阵法的优点，对高速公路路基失稳风险评估具有较好的适用性；叶远春等[106]综合运用德尔菲法、模糊层次分析法等，阐述了一套城市道路空洞病害的风险评估方法。概率神经网络[107]是径向基网络的一个分支，加入了贝叶斯最小风险准则分类思想，属于有监督网络分类器，在模式分类中应用广泛。目前，使用概率神经网络针进行路面病害识别的研究居多，如左永霞[108]将概率神经网络应用于路面裂缝30 2铁路路基病害识别与风险评估技术基础的检测。但将概率神经网络应用于铁路路基病害风险评估的相关研究鲜见。2.5本章小结本章首先介绍了常见的铁路路基病害种类，并重点总结了不同类型铁路路基病害的地质雷达图像特征，为病害识别打下基础。然后简要介绍了地质雷达原理，并对最新的车载地质雷达铁路路基病害检测设备及检测原理进行了详细阐述。重点对基于深度学习的两大类目标检测方法进行了总结，按照方法产生的顺序介绍了基于候选区域的目标检测方法RCNN、SPP-Net、FastRCNN、FasterRCNN、MaskR-CNN和FPN，以及基于回归的目标检测方法SSD、Yolo、YoloV2和YoloV3各自的原理、改进方法及优缺点等，为后面的方法改进做好铺垫。最后，将风险评估方法分为四个大类，分别从定性、定量、定性定量和耦合方法四个方面介绍了各自的代表性方法，并对方法的具体应用进行了总结。31 2铁路路基病害识别与风险评估技术基础32 3基于SSD的铁路路基病害快速识别算法研究3基于SSD的铁路路基病害快速识别算法研究本章基于对SSD目标检测算法的改进，提出一种铁路路基病害快速识别算法，检测速度可以达到实时检测，并提出了空间金字塔池化和多尺度特征融合的改进策略，在保持高检测速度的同时提高基础版本SSD算法的检测精度，适用于铁路路基病害的快速初筛。3.1SSD目标检测方法简介3.1.1SSD简介SSD[87]（SingleShotMultiBoxDetector）是一种基于VGG16网络架构的深度神经网络框架，其网络结构如图3.1所示。从图3.1可以看出，SSD网络结构的前端即浅层网络与VGG16相同，即conv_1~5卷积层，而不同的是，SSD将VGG16网络中的fc6和fc7全连接层转化为卷积层，并裁剪掉了后面用于分类和回归的网络层。此外，SSD额外增加了四个卷积层，即图中的conv_8~11，以取得更高维的特征映射。VGG16layersConv1_xConv2_xConv3_xConv4_xConv5_xFc_xSSDlayersConv8_xConv9_xConv10_xrConv11_xeyalnotiicdreP图3.1SSD的网络结构Fig.3.1ThenetworkstructureofSSDSSD的核心设计理念可以总结为三点。第一，SSD不再单一从最终的特征层提取特征用于目标分类与回归，而是除了顶层特征以外，额外选择了前面的五个特征层共同用于目标检测。在这些选择的特征层中，大尺度的特征层用于检测小目标，而小尺度的特征层用于检测大目标，共同构成多尺度检测方法。第二，与YOLO在全连接层之后进行目标检测与回归不同，SSD直接利用卷积层从不同的特征映射提取检测结果。第三，SSD为特征映射中的网格设置了不同尺寸、不同长宽比的默认检测框。33 3基于SSD的铁路路基病害快速识别算法研究3.1.2SSD的缺点SSD具有对小目标检测精度低的缺点。SSD使用从conv4_3层提取的特征作为浅层特征用于提取小目标，但是该层的卷积核数量有限，并且缺乏语义信息，所以较难从单一卷积层全面提取到小目标特征。对于小目标的识别，需要足够多的特征映射进行密集采样以提供更精细的特征，同时，也需要足够的语义信息将特征与背景分离开。因此本文将从以上两个方面对传统SSD检测算法进行改进。3.2改进的SSD病害识别算法3.2.1改进的SSD概述为了提高SSD模型对小目标的识别精度，集成Atrous空间金字塔池化（AtrousSpatialPyramidPooling，ASPP）以及多尺度特征融合来改进传统SSD模型。改进后的SSD模型的网络架构如图3.2所示。为改进SSD对小目标的识别精度，又不给网络架构添加太多额外的计算量，影响检测速度，深入研究了多尺度特征连接方式[109-111]，最终选择只将浅层特征进行融合，在检测精度与检测速度之间取得平衡。VGG16layersConv1_xConv2_xConv3_xConv4_xSSDlayersConv5_xFc_xConv8_xConv9_xConv10_xreConv11_xyalnotiicAtrousConvolutionderPNormNormNormNormConcatPoolingConv1×1DeconvEltw-prod图3.2改进SSD的模型架构Fig.3.2ThemodelarchitectureimprovedSSD3.2.2Atrous卷积简介传统的深度卷积神经网络通过连续的池化和步进方式的卷积来提取高维特征，但同时特征信息在各个方向均有丢失。因此，本文通过Atrous卷积来解决这个问题。文献[112]提出了一种带孔的卷积算法，叫做Atrous卷积。一个叫做“孔34 3基于SSD的铁路路基病害快速识别算法研究率”的新参数被引入到卷积层中，该参数定义了在执行卷积操作时卷积核中每个值之间的空隙大小。Atrous卷积可以在不改变接受域的前提下提高特征映射的分辨率，因此可取得更精细的输出结果，而且不会改变模型的网络结构，所以模型的预训练和调优过程均可正常进行，并且不会增加额外的计算量和内存占用。Atrous卷积的有效性是基于这样一个假设，即紧密相邻的像素几乎是相同的，将全部像素考虑在内是冗余的，所以每隔一个孔率大小的距离选择一个像素是更好的处理方式。在一维Atrous卷积情况下，它的计算公式如公式（3.1）所示。Kyi[]xirkwk[][](3.1)k1其中，x代表输入特征；i表示特征中值的位置；r表示Atrous卷积的孔率尺寸；w表示卷积核；k是卷积核的大小。一维Atrous卷积的原理图如图3.3所示，其中图3.3(a)是稀疏特征提取示意图，图3.3(b)是密集特征提取示意图。OutputfeatureConvolutionkernel=3stride=1pad=1Inputfeature(a)稀疏特征提取(a)SparsefeatureextractionConvolutionkernel=3stride=1pad=1rate=2rate=2(insert1zero)（b）密集特征提取（b）Densefeatureextraction图3.3一维atrous卷积的原理图Fig.3.3Theschematicofone-dimensionalatrousconvolution二维Atrous卷积的示意图如图3.4所示。其中，卷积核的大小为3×3，孔率大小为2，并且没有进行边界填充。从图3.4可以看出，一个孔率为2的二维Atrous卷积相当于在卷积核的每个值之间的空隙填充上零值，所以卷积核仍然只有9个有效参数，但是相应的接受域却与5×5的卷积核相同。因此，在同样的条件下，Atrous卷积可以提供一个更大的接受域。35 3基于SSD的铁路路基病害快速识别算法研究图3.4二维atrous卷积示意图Fig.3.4Thediagramoftwo-dimensionalatrousconvolution3.2.3基于ASPP的SSD改进策略文献[11,113,114]提出了空间金字塔池化（SpatialPyramidPooling，SPP）的概念，通过提取多尺度特征提高模型检测精度。随后，文献[115]提出了Atrous卷积空间金字塔池化(AtrousSpatialPyramidPooling，ASPP)即，该方法利用多种采样率和有效感受野提高语义分割的效果。本文将ASPP引入目标检测模型SSD，通过在不降低特征分辨率的情况下在具有不同感受野的特征层提取多尺度特征，以改进SSD对小目标的检测效果，具体改进方法如图3.5所示。ASPPFusedFeatureConv1×1ConcatNormalizeNormalizeNormalizeNormalizeConvConvConvConvkernel:3×3kernel:3×3kernel:3×3kernel:3×3rate:3rate:6rate:12rate:24rate=24rate=6rate=12rate=3AtrousSpatialPyramidPoolingFeatureMapofConv4_3图3.5基于ASPP改进的SSD多尺度特征提取Fig.3.5Multi-scalefeatureextractionofimprovedSSDbasedonASPP36 3基于SSD的铁路路基病害快速识别算法研究由文献[116]可知，在SSD的浅层卷积层conv2_2、conv3_3、conv4_3和conv5_3中，单个卷积层的检测效果conv4_3层最好。因此，充分利用conv4_3层的特征提取能力将促进模型检测精度的提高。所以在如图3.5所示的SSD模型改进方法中，conv4_3层被选作基础特征输入层。不同于文献[115]，本文将ASPP中四个卷积层的卷积核孔率设置为（3,6,12,24）。这主要出于两方面的考虑，一方面，较小的孔率会减少在卷积操作时因为边界填充而引入的额外噪声信息；另一方面，更小的孔率有助于检测更小的目标。其次，在每个3×3卷积核的卷积层后添加了一个normalization归一化层，该层可将来自不同分支的特征映射中的特征值统一到同一尺度，并且对后面模型的训练至关重要。此外，concat连接层将来自不同分支的特征输出沿着特征轴向连接起来，形成一个多通道特征。最后，conv1×1卷积层将多通道特征融合，形成最终的多尺度特征输出。3.2.4基于多尺度特征融合的SSD改进策略对于小目标检测任务来说，需要在高分辨率信息和强语义信息之间进行选择，两者难以兼顾。在SSD中，conv4_3层被单独作为浅层特征提取层对小目标进行检测，该特征层具有较高的特征分辨率但缺乏语义信息，如果能够将具有高分辨率信息和语义信息丰富的浅层特征融合使用，将大大提高模型对小目标的检测性能。Conv3_3512×76×76C2onN×Povo2o3rm×5li×a1ng3×liz25e12FusedfeatureConv4_3512×38×38ConNEAv3ormltwRSP×a-peLP3×liroU5zed12Conv5_3C512×19×192onN×Dvo2ec3rm×5o×a1nv3×liz25e12图3.6多尺度特征融合改进SSDFig.3.6ImprovedSSDbasedonmulti-scalefeaturefusion本文将conv3_3和conv5_3卷积层的特征与conv4_3层经过ASPP多尺度特征提取的输出特征结果相融合，充分利用conv3_3层的高分辨率信息和conv5_3层的语义37 3基于SSD的铁路路基病害快速识别算法研究信息，综合提高SSD模型对小目标的检测精度。基于多尺度特征融合的改进SSD原理图如图3.6所示。由于该三个特征层的特征尺度不一样，所以通过在conv3_3卷积层后添加一个pooling池化层以降低特征尺度，在conv5_3卷积层后添加一个反卷积层[117]来增大特征尺度，并且经过ASPP多尺度特征提取的conv4_3卷积层由于Atrous卷积的作用并未改变特征尺度，由此将三个特征层统一到相同的特征尺度，为后面的特征融合做好准备。其次，通过在每个特征提取分支添加一个3×3的卷积层以学习更好的特征进行融合。同样需要在卷积层后添加一个normalization归一化层将特征统一到同一尺度。由文献[109]可知，Element-wiseProduct即元素点积的特征融合方式比Element-wiseSum即元素求和的特征融合方式可取得更好的检测精度，所以本文采用元素点击的特征融合方式和Relu激活函数将来自多个特征层的特征进行融合。3.2.5基于迁移学习的SSD改进策略迁移学习的目标是将知识从源领域传递到目标领域[118]。一个已知事实是卷积神经网络提供了一种将可学习的高级、中级、低级特征在不同的视觉识别任务进行传递的方法[119]。由于铁路路基病害识别任务中病害的地质雷达剖面图数据有限，所以将迁移学习的方法引入路基病害识别任务。通过使用VGG16[36]预训练模型，提取其中的低级和中级特征用于改进的SSD模型的网络参数初始化。3.3基于改进SSD的铁路路基病害识别实验分析3.3.1实验数据准备由于目前没有可用的铁路路基病害数据集，为了开展实验研究，铁科院基础所桥隧部研发团队利用多年从事铁路路基检测积累的路基检测数据，整理并制作出一个包含翻浆冒泥、含水异常、下沉和道床脏污四种病害类型，共包含2050张图片的铁路路基病害数据集，用于病害识别模型训练。病害数据筛选标准是优先选择经过现场验证的数据，优先排除连经验丰富的专家也无法确定的病害。经过筛选，整理出一个共包含2050张铁路路基病害地质雷达剖面图的数据集。病害图片是由地质雷达后处理软件生成的地质雷达剖面图，每张图片至少包含一处路基病害，并且每处病害截取了在不同位置、不同分辨率、不同检测通道和不同增益处理下的多张图片，以丰富病害数据集。图片由路基检测专家使用LabelImg[120]图片标注工具进行标注，其中部分病害已经过现场开挖验证。图片被随机打乱，并按照8:1:1的比例划分为训练集、验证集和测试集，用于模型的训练与测试，即训练集包含1640张图片，验证集包含205张图片，测试集包含205张图片。38 3基于SSD的铁路路基病害快速识别算法研究3.3.2实验设置与模型训练实验开发环境基于Caffe[121]深度学习框架建立。模型的训练与测试基于SSD的Caffe版本[122]。考虑到病害数据集中的样本有限，使用ImageNet[24]预训练模型对模型参数进行初始化，然后使用标注病害数据集对模型进一步调优。此外，综合运用了多种数据增强方法扩充病害样本，同时可有效防止在模型训练过程中的过拟合现象，提高模型性能。对模型的训练采用GPU加速模式，开发环境的主要参数配置如表3.1所示。表3.1开发环境的配置Tab.3.1TheconfigurationofDevelopmentenvironment设备配置CPUIntelCorei7-5930K显卡NVIDIA1070,8GBGDDR5内存32GBDDR4操作系统Linux(Ubuntu14.04)3.3.3实验结果在使用训练集完成对改进SSD模型的训练后，使用测试集中的图片对模型性能进行检验。随机选择测试集中不同病害类型的检测结果，具体如图3.7~3.9所示。当在输入到模型中的路基数据地质雷达剖面图中检测到病害时，模型将输出病害的简称，并以一个矩形框标注病害的区域范围，且不同类型的病害以不同的颜色进行区分，其中，翻浆冒泥病害以蓝色矩形框标注，下沉病害以红色矩形框标注，含水异常病害以绿色矩形框标注，道床脏污病害以黄色矩形框标注。(a)39 3基于SSD的铁路路基病害快速识别算法研究(b)图3.7翻浆冒泥病害检测结果Fig.3.7Thedetectionresultsofmudpumpingdefects(a)(b)图3.8下沉病害检测结果Fig.3.8Thedetectionresultsofsettlementdefects40 3基于SSD的铁路路基病害快速识别算法研究(a)(b)图3.9含水异常病害检测结果Fig.3.9Thedetectionresultsofwaterabnormalitydefects(a)41 3基于SSD的铁路路基病害快速识别算法研究(b)图3.10道床脏污病害检测结果Fig.3.10Thedetectionresultsofballastfoulingdefects3.4改进SSD与其它方法对比实验3.4.1模型性能评估方法为了客观评估本实验中不同模型的性能，使用了Precision、Recall和F-Score三个评价指标。Precision为准确率，即预测是病害的样本中实际是病害的样本比例，公式如公式（3.3）所示。TPPrecision（3.3）TPFP式中：TP为预测是病害而实际也是病害的样本数量；FP为预测是病害而实际是背景的样本数量。Recall为召回率，即所有实际是病害的样本中被正确预测为病害的样本比例，公式如公式（3.4）所示。TPRecall（3.4）TPFN式中：FN为预测是背景而实际为病害的样本数量。F-Score为准确率Precision和召回率Recall的调和平均值，计算公式如公式（3.5）所示。PrecisionRecallFScore2（3.5）PrecisionRecall42 3基于SSD的铁路路基病害快速识别算法研究3.4.2对比实验设置与实验结果将改进的SSD与其它目标检测框架进行了对比实验与结果评估。其中，基础版本SSD使用与改进SSD相同的参数设置，并分别使用SSD300和SSD512两个版本进行对比实验，而FasterRCNN和YOLO使用默认的参数设置。不同检测框架对测试数据集的检测精度和检测速度结果对比如表3.2所示。图3.11展示了6种检测框架的PR曲线图对比。表3.2不同目标检测框架的检测精度与速度对比表Tab.3.2Detectionaccuracyandspeedcomparisontableofdifferenttargetdetectionframes检测框架召回率准确率F-ScoreFPSFasterRCNN70.30%79.85%74.77%17YOLO61.34%78.65%68.92%45SSD30069.06%80.26%74.24%59SSD51275.88%83.91%79.69%24ImprovedSSD30072.00%81.25%76.35%55ImprovedSSD51278.84%85.53%82.05%21图3.11不同检测框架PR曲线对比Fig.3.11ThecomparisonofPRcurvesofdifferentdetectionframeworks从对比实验结果可以看出，FasterRCNN取得了较高的检测精度，但由于其二阶段检测的框架特性取得了最低的检测速度。相比之下，一阶段检测框架YOLO取得了较高的检测速度，但由于对小目标病害漏检严重，取得了最低的检测精度。传统SSD取得了最快的检测速度，同时由于不同尺寸、不同长宽比的默认框以及从多个特征层提取特征得检测方法的使用，也取得了较高的检测精度。最后，改43 3基于SSD的铁路路基病害快速识别算法研究进的SSD取得了最高的检测精度和第二快的检测速度。因为ASPP多尺度特征提取和多级特征融合的改进策略确实使得改进SSD对小目标的检测精度提高，但同时也增加了额外的计算量，一定程度上影响了检测速度，但在检测速度与检测精度间取得了平衡，且检测速度仍可达到实时检测要求。对于铁路路基病害检测任务，病害地质雷达剖面图中的病害尺寸是变化多样的。传统FasterR-CNN只使用最顶层的卷积层特征用于检测。由于连续的池化和下采样操作，小目标的信息很可能消失，导致很多小目标漏检。相比之下，改进SSD模型利用多个浅层网络层的多尺度特征，很好的解决了对小目标检测精度不高的问题，改进SSD300和改进SSD512分别取得了76%和82%的F-score值，均超过FasterR-CNN的75%。同时，由于SSD模型去除了FasterR-CNN中产生候选区域的步骤，而是利用小卷积核去预测默认检测框的类别和位置偏移，大大减少了计算量，所以SSD模型取得了更快的检测速度。3.4.3不同病害类型检测对比实验为了进一步检验本文的改进SSD模型与其它检测框架对不同类型病害的检测精度，选取翻浆冒泥、下沉、含水异常与道床脏污四种最常见的铁路路基病害，分别构建测试集对6种模型进行检测性能对比实验，实验结果如图3.12所示。图3.11不同病害类型的识别准确率对比Fig.3.12Thecomparisonofrecognitionaccuracyratesfordifferentdefecttypes从实验结果可以看出，与其它检测模型相比，本文提出的改进SSD模型对三类病害的均取得更高检测精度。模型对四类病害识别准确率保持稳定，具有较强的鲁棒性。44 3基于SSD的铁路路基病害快速识别算法研究3.5本章小结本章提出了一种改进的SSD病害识别算法，在保持高检测速度的同时提高了对小目标的识别精度。通过使用ASPP充分挖掘SSD中conv4_3卷积层的特征提取能力，并与conv3_3和conv5_3卷积层融合形成多尺度特征，在特征分辨率和特征语义信息之间取得平衡，解决基础版本SSD对小目标检测精度低的问题。此外，为了弥补标注数据集样本数量较少的问题，引入迁移学习的方式，在模型训练时使用VGG16预训练模型初始化模型参数，有效避免了因样本数据不足导致的过拟合现象。为了验证改进SSD模型的有效性，与其它五种流行的目标检测模型进行了对比实验，实验结果表明，改进SSD模型取得了最高的检测精度，同时保持了较高的检测速度，达到实时检测需求。45 3基于SSD的铁路路基病害快速识别算法研究46 4基于FasterRCNN的铁路路基病害高精度识别算法研究4基于FasterRCNN的铁路路基病害高精度识别算法研究本章以深度学习中的目标检测算法FasterRCNN为基础，并针对铁路路基病害识别任务的特点，集成了特征级联、对抗空间丢弃网络、在线困难样本挖掘、Soft-NMS和数据增强等多种改进方法，提高识别准确率。基于标注病害数据集，进行了包括改进策略剥离实验、与传统识别算法的对比实验以及不同病害类型的识别效果对比实验等大量实验，充分验证改进模型的有效性。本章内容对应作者学术论文[1]。4.1FasterRCNN目标检测方法简介基于候选区域的卷积神经网络目标检测方法是目标检测技术领域的一个重要分支，而FasterRCNN[13]是RossGirshick团队经过RCNN[10]和FastRCNN[83]的积累之后提出的一种新型目标检测算法，且已经在多个目标检测领域取得成功。Conv1Conv2Conv3Conv4Conv5cls_scorefc6fc7Roi_poolbbox_predroirpn_cls_scorerpn_conv/3x3NMSrpn_bbox_predRPN图4.1FasterR-CNN的网络架构图Fig.4.1ThenetworkstructurediagramofFasterR-CNN.FasterR-CNN的网络架构图如图4.1所示。FasterRCNN将目标检测的四个基本步骤候选区域生成、特征提取、分类和位置精修统一到一个深度网络框架之内，因此取得了显著的性能提升。传统的SelectiveSearch[123]方法被FasterRCNN中的一个全卷积区域推荐网络RPN（RegionProposalNetwork）代替，并通过在RPN和FastRCNN之间共享卷积层，实现了完全端到端的CNN对象检测模型。因此FasterRCNN可以看作由两部分构成，即RPN和FastRCNN。其中，RPN负责产生一系列可能包含目标的矩形候选区域，并将它们传递给FastRCNN；而FastRCNN负责特征分类和检测框的位置修正。47 4基于FasterRCNN的铁路路基病害高精度识别算法研究4.2改进的FasterRCNN病害识别算法4.2.1改进方法概述本文以FasterR-CNN为基础构建铁路路基病害高精度识别算法，并针对铁路路基病害检测任务的难点对基础版本FasterRCNN做了多处改进。具体实现流程如图4.2所示。首先，由于铁路路基病害数据集样本数量较少，使用预训练模型对模型参数进行初始化；其次，对基础版本FasterRCNN检测算法做了特征级联、在线困难样本挖掘、对抗空间丢弃网络、Soft-NMS以及数据增强等改进；最后，使用交替训练模式用标注数据集对预训练模型调优，并将训练好的模型用于铁路路基病害识别。基于改进FasterRCNN的铁路路基病害自动识别CPU建立开发环境GPU模型关键参数设置使用预训练模型?使用VOC2007预训练VGG16网络否是特征级联对抗空间丢弃网络改进Faster是RCNN?Soft-NMS数据增强OHEM否在自制数据集上路基病害数据库进行调优检测结果与定性分析改进策略的剥离实验与传统方法的对比实验实验结果评估与讨论图4.2基于改进FasterRCNN的病害识别流程Fig.4.2TheflowdiagramofimprovedFasterRCNNforsubgradedefectrecognition48 4基于FasterRCNN的铁路路基病害高精度识别算法研究虽然FasterRCNN在多个应用领域都取得了成功，但我们的实验显示，直接将原始FasterRCNN用于铁路路基病害识别效果并不好。主要原因是铁路路基病害检测任务不同于一般的自然图片目标检测任务，其地质雷达检测数据内部结构复杂，目标与背景结构差异小，彼此交融，导致边界模糊不清，且样本数量有限。因此，考虑到铁路路基病害检测任务的特点与难点，集成特征级联、对抗空间丢弃网络、Soft-NMS以及数据增强四种改进策略对原始FasterRCNN进行改进，改进后的FasterRCNN网络结构如图4.3所示。下面小节将对提出的改进策略做详细阐述。RPNSoft-NMSConv1Conv2Conv3Conv4Conv5roi在线困难样本挖掘对抗空间丢弃网络数据增强hard_roi_miningfclayersOcclusionMaskskipconnectionreadonlycls_probrois_hard特征级联Roi_pool5L2Norm_5DropoutValuesRoi_pool4L2Norm_4concateconv1×1cls_scorefc6fc7Roi_pool3L2Norm_3bbox_pred图4.3改进后的FasterRCNN网络模型结构Fig.4.3Thenetworkstructureoftheimprovedmodel4.2.2特征级联基础版本FasterRCNN检测方法采用ROI池化层池化后的特征用于图像分类和回归，但该特征的接受域大，特征粒度粗糙，因此小目标容易被漏检。但是在铁路路基病害检测任务中，目标病害的尺寸和形状多样，因此基础版本FasterRCNN没有取得预期的检测效果。受文献[124,125]的启发，提出一种叫作特征级联的改进策略，用于提高基础版本FasterR-CNN的检测精度。特征级联方法通过将浅层网络特征与深度网络特征结合形成新型多尺度特征，因此可以检测不同尺寸的目标病害，并提升了模型的检测性能。具体改进方式如图4.3中蓝色虚线框标识的特征级联部分所示。首先，将conv3_3、conv4_3和conv5_3三个卷积层的输出特征分别进行roi_pool池化和L2Norm正则化；其次，利用concate层将上一步的三个输出特征组合在一起；最后利用conv1×1层将多个通道的数据组合运算，降低维度，匹配原始网络的fc6层的特征输入维度。此外，需要注意的是，L2Norm层的使用是必要的，该层将49 4基于FasterRCNN的铁路路基病害高精度识别算法研究conv3_3、conv4_3和conv5_3三个卷积层的特征值统一到同一量级。因为不同深度的卷积层的特征尺度不同，浅层网络特征如conv3层的特征值较大，深层特征如conv5的特征值较小，直接连接将无法体现深层特征的作用，所以连接前一定要正则化。4.2.3在线困难样本挖掘在线困难样本挖掘（OnlineHardExampleMining，OHEM）已经被证实是一种提升深度学习模型性能的有效方法，尤其是在目标检测任务上。一般情况下，目标检测任务中目标体的数量远小于背景的数量，这直接导致在模型训练时出现大量假阳性（falsepositive）结果。困难负样本（HardNegative）即是指在检测过程中出现的损失值较高的候选区域。OHEM的原理就是将筛选出来的困难样本重新输入网络模型进行训练，以平衡正负样本的比例，提升模型的分类准确率。在路基病害识别任务中，同样存在着检测目标比背景数量少的问题。因此，本文使用OHEM改进路基病害识别任务的网络模型，改进后的网络结构如图4.3所示。加入OHEM后，网络模型将会增加一个候选区域生成网络，即图4.3中紫色虚线框所标注的OHEM网络。OHEM网络与特征级联网络拥有几乎一样的网络结构，且两者共享特征参数。但不同点是，OHEM网络是一个只读网络，只进行前向传播，而且多添加了一个cls_prob层，用于对候选区域按照损失值进行排序。该网络将RPN网络产生的候选区域作为输入，并将损失值排在前N个的样本作为困难样本输出，用于网络训练和参数更新。4.2.4对抗空间丢弃网络与自然图片的目标检测任务相比，在铁路路基病害识别任务中能收集到的样本数量有限，并且病害的形状和尺寸变化多样。这些因素导致标注病害数据库无法完全覆盖到所有情况。因此，为解决这个问题，引入一种对抗网络叫作对抗空间丢弃网络[126]来改进传统FasterRCNN。ASDN利用对抗学习生成困难正样本，输入FasterR-CNN的检测器辅助模型训练，以增强这类数据的影响，使得检测网络和它的对手ASDN共同进行学习，以提升检测准确率和模型鲁棒性。ASDN的具体结构如图4.3中的绿色虚线框所示。通过生成一个和级联特征相同大小的Mask来对其实现特征的部分修改，使得检测器难以判别。通过ASDN的改进，提高了模型的检测精度。4.2.5Soft-NMSNMS[127]是目标检测流程中的重要环节，可以有效抑制冗余的检测框。但是，传统NMS在一个区域只取置信度最高的检测框，附近与其重叠度大于阈值的检50 4基于FasterRCNN的铁路路基病害高精度识别算法研究测框将全部被抑制，即置信度清零。因此，传统NMS无法检测出两个相邻的相似目标。而在铁路路基病害识别任务中，同样存在同类型病害出现在相邻位置的情况，这时传统NMS将导致病害被漏判。因此，针对以上问题，本文采用了一种改进的NMS方法——Soft-NMS[128]。Soft-NMS在图4.3中用红色虚线框标注。Soft-NMS对重叠度大于阈值的检测框不采取直接抑制的方式，而是根据两个检测框的重叠面积来降低非最大检测框的置信度，因此可有效减少假阳性样本的数量，提升模型检测性能。Soft-NMS是利用衰减函数来对检测框评分进行调整，包括线性加权和高斯加权两种，如公式（4.1）和公式（4.2）所示。经试验，在铁路路基病害识别任务上高斯加权效果更好，因此本文采用的高斯加权Soft-NMS。siiouMbi,tN,sisiiouMbiit1,,,iouMbN（4.1）2iouMb,issebD,iii（4.2）式中：M为当前最高分检测框；bi为待处理检测框；iou（M，bi）为M与bi的重叠度；si为bi对应的检测分数；D为确定保留的高分检测框集合。4.2.6数据增强在深度学习中，有时会出现训练集样本不够或者某一类样本较少的情况，这时为了防止过拟合，加强模型鲁棒性，可以采取数据增强这一改进方法。数据增强是采用几何变换的方式让网络模型学习到更多图像不变性特征。因此，图像增强不改变像素值，只改变像素所在的位置。由于在铁路路基病害识别任务中，能收集到的样本数量有限，因此综合使用多种数据增强方法扩充病害样本集，提高模型性能。用于模型改进的数据增强方法如表4.1所示。表4.1改进模型中应用的数据增强方法Tab.4.1Dataaugmentationmethodsappliedintheimprovedmodel数据增强方法方法描述翻转与反射变换沿着水平或者垂直方向翻转图像在图像的HSV颜色空间改变饱和度S和V亮度分量，对比度和亮度变换对每个像素的S和V分量进行指数运算增加光照变化缩放变换按照一定的比例放大或缩小图像随机裁剪采用随机图像差值的方式对图像进行裁剪旋转变换对图像进行任意角度的旋转，改变图像内容的朝向51 4基于FasterRCNN的铁路路基病害高精度识别算法研究4.3基于改进FasterRCNN的铁路路基病害识别实验分析4.3.1模型训练与关键参数设置模型训练采用与3.3.2小节相同的环境配置，同样以Caffe为深度学习基础架构搭建开发环境。模型训练和测试以Python版本[129]的FasterRCNN为基础，网络模型选用大型网络模型VGG16[36]。由于标注数据集样本数量与一般目标检测任务训练样本量相比较少，所以在模型训练时采用ImageNet[24]预训练模型辅助模型训练，并在此基础上使用标注数据集进行微调，以少量训练样本取得较高的模型识别精度。模型训练采用GPU加速模式，训练过程采用交替训练（AlternatingTraining）模式，具体如下：1）使用ImageNet预训练模型初始化RPN网络，并对网络进行调优产生候选框；2）同样使用预训练模型初始化FastRCNN，并使用第一阶段产生的候选框对检测网络进行训练；3）使用FastRCNN网络参数对RPN初始化，并固定共享卷积层再次进行调优；4）使用RPN网络参数初始化FastRCNN网络，并同样固定共享卷积层，单独对检测网络调优。经过大量的实验与模型调试，总结出对铁路路基病害识别模型训练过程中一些关键参数的设置。其中，最大迭代次数设定为[60000,30000,60000,30000]，批尺寸batch_size设置为128，RPN中proposal的数量设定为300。求解器solver的优化方法采用随机梯度下降法，全局学习率经试验设定为0.001，并调大在模型改进后新层参数的学习率，以加快收敛过程。学习率调整策略采用step模式，变化指数gamma设为0.1，通过观察网络训练过程中的loss曲线和accurate曲线，调试确定最优的学习率变化频率step_size。ROI池化层的空间尺度参数spatial_scale根据特征映射尺寸的不同而设置不同的数值，其中，roi_pool3层为0.25，roi_pool4层为0.125，roi_pool5层为0.0625。1×1卷积层的过滤器个数num_output参数设置为512，以匹配原始模型对fc6全连接层的输入维度。4.3.2检测结果与定性分析模型的实际检测效果如图4.5所示，其中图4.5（a）为第二检测通道翻浆冒泥病害检测结果，图4.5（b）为第三检测通道在桥梁附近区域的翻浆冒泥病害检测结果，且两者均进过现场开挖验证确实为翻浆冒泥病害，现场验证图如图4.6所示。从图4.5（a）可以看出，本文模型正确地将被一小段正常路基隔开的两处翻浆冒泥病害识别出来，且具有较高的置信度（即识别为病害的概率），预测区域与实际区域基本一致。图4.5（b）中，在位于图片中间区域的桥梁结构物的干扰下，本文模型仍然能够准确地识别出翻浆冒泥病害，并取得了超过90%的置信度，说52 4基于FasterRCNN的铁路路基病害高精度识别算法研究明该模型能够适应不同的上下文环境，即多种病害发生场景，如桥梁旁、涵洞旁等，具有较强的鲁棒性。(a)二通道翻浆冒泥病害检测结果(a)Detectionresultoftwoadjacentmudpumpingdefects(b)三通道翻浆冒泥病害检测结果(b)Detectionresultofamudpumpingdefectclosetoabridge图4.5翻浆冒泥病害检测图Fig.4.5Thedefectdetectionresultsoftheproposedmethod图4.6病害现场验证图Fig.4.6Siteverificationchartofsubgradedefect53 4基于FasterRCNN的铁路路基病害高精度识别算法研究4.4改进策略剥离实验为了定量评估提出的每一种改进策略对模型性能的影响，设计了如表4.3所示的多组剥离实验。图4.7以ROC曲线图的形式直观地展示了在剥离实验中不同的改进策略组合模型的详细实验结果对比。ROC曲线下方与横轴所包围区域的面积大小代表了模型的性能高低。从图中可以直观地看到，由红色曲线代表的经过综合四种改进措施的Model7更接近左上角点，与横轴包围区域面积更大，因此性能最好；代表原始模型Model1的黑色曲线所围面积最小，因此性能也最差；其它模型曲线均位于红色和黑色曲线之间，因此分类性能也位于两者之间。表4.3改进策略剥离实验Tab.4.3Theablationexperimentsoftheimprovementstrategies实验组IDOHEM特征级联ASDNSoft-NMS数据增强Model1×××××Model2√××××Model3√√×××Model4√×√××Model5√√√××Model6√√√√×Model7√√√√√图4.7模型ROC曲线对比图Fig.4.7TheROCcurveofablationexperimentresults首先，剥离实验检验了OHEM对模型性能的影响。Model1为未使用任何改54 4基于FasterRCNN的铁路路基病害高精度识别算法研究进策略的基础版本FasterRCNN，Model2则使用了在线困难样本挖掘进行模型改进。从两者的ROC曲线可以看出，Model2的曲线更靠近左上角点，因此性能更好。其次，我们验证了特征级联改进策略的有效性，通过（Model2vsModel3，andModel4vsModel5）的对比实验可以看出，Model3相比于Model2，以及Model5相比于Model4，的模型性能都取得了显著提升，证明特征级联是一个有效的改进策略。再次，通过（Model2vsModel4）可以看出，ASDN改进策略提高了模型性能，但仍无法回避该方法易产生假阳性样本的缺点。而Soft-NMS的使用正好弥补了ASDN的这一缺陷，通多（Model5vsModel6）的进一步验证，可以看出确实性能得到了进一步提升。最后，综合使用了所有的改进策略Model7取得了最佳检测性能，验证了本文改进方法的有效性。4.5改进FasterRCNN与传统方法对比实验4.5.1实验设计为了综合评估改进FasterRCNN算法性能，将改进FasterRCNN与传统滑动窗口的HOG[28]+SVM[130]方法以及基础版本FasterRCNN进行对比实验。由于SVM是二值分类器，这里针对翻浆冒泥，下沉，脏污和含水异常四种路基病害分别训练了四个线性SVM分类器。首先在训练阶段从标注数据集中截取每类病害的正样本，并随机从非目标区域截取负样本，并将正负样本统一缩放到224×224，然后从中提取HOG特征用于训练线性SVM分类器。最后，在检测阶段使用滑动窗口的方式进行检测，滑窗大小设定为224×224像素，与FasterRCNN在测试阶段截取图像的尺寸保持一致。4.5.2实验结果分析与讨论三种模型对路基病害的检测性能对比实验结果如表4.4所示。模型评估方法采用与3.4.1小节模型性能评估方法。实验结果表明，对于准确率指标，本文改进算法和基础版本FasterRCNN要高于传统方法HOG+SVM，这是因为基于深度学习的方法可以从训练数据中提取到比HOG更优的隐藏特征。同时，本文改进算法在准确率上又高于基础版本FasterRCNN，这是因为本文改进算法通过多种改进策略的综合运用有效克服了铁路路基病害识别中的难点。在召回率指标上，深度学习方法要远远优于传统方法，而召回率指标恰恰是路基病害识别任务中最重要的一个指标，因为该项指标过低表明有大量的真实病害被漏判。最后，从综合性能指标F-值来看，本文改进算法取得了最佳检测性能。55 4基于FasterRCNN的铁路路基病害高精度识别算法研究表4.4三种模型对路基病害的检测结果对比Tab.4.4Theresultsofthemodelperformancecomparisonexperiment检测速度/(sec)模型准确率召回率F-值GPUCPUHOG+SVM-0.13654.7%29.8%38.6%FasterRCNN0.0910.36770.3%79.9%74.8%改进FasterRCNN0.0930.39185.2%82.1%83.6%此外，分别在CPU和GPU模式下对三种模型的检测速度进行了对比实验，其中，检测速度指标表示测试集中每张图片的平均检测时间。由实验结果可知，虽然在CPU模式下本文方法检测速度低于传统方法，但在GPU模式下检测速度提升了近6倍，高于传统方法。为了进一步检验三种模型对不同类型病害的检测性能，使用相同的翻浆冒泥、下沉、道床脏污和含水异常病害测试集对三种模型进行对比实验，实验结果如图4.8所示。从实验结果可以看出，与其它两种方法相比，本文改进算法对四种病害类型都取得了更高的检测精度，也更具稳定性。图4.8对四种铁路路基病害的检测准确率对比图Fig.4.8Thedetectionaccuracycomparisonofthefourkindsofrailwaysubgradedefects此外，值得注意的是，三种模型对道床脏污病害的检测精度较其它病害类型要低，这是由于它在地质雷达剖面图中的特征十分复杂，且由于是浅层病害，易受道岔、桥梁护轨等结构物的信号干扰，这给识别带来了很大困难。56 4基于FasterRCNN的铁路路基病害高精度识别算法研究4.6本章小结本章提出一种基于改进FasterRCNN的铁路路基病害高精度识别算法。改进方法剥离实验结果表明，在线困难样本挖掘、特征级联、ASDN、Soft-NMS以及数据增强的改进策略可有效提高模型检测性能。与传统方法的对比实验表明，本文方法取得了最高的识别准确率83.6%，远高于传统方法HOG+SVM的38.6%准确率，较基础版本FasterRCNN取得了8.8%的性能提升。此外，GPU模式下0.093s的检测速度也优于传统方法。不同病害类型的对比实验表明，本文方法对翻浆冒泥等四种病害都保持了较高的识别率，具有较强的泛化能力。57 4基于FasterRCNN的铁路路基病害高精度识别算法研究58 5铁路路基病害风险评估模型研究5铁路路基病害风险评估模型研究本章针对京九线路基病害风险评估的需求，对铁路路基病害的风险评估模型进行研究。首先，5.1小节应用模糊数学中的模糊综合评价，实现了基于传统模糊理论的路基病害风险评估模型，该小节内容对应作者学术论文[2]和[4]。其次，5.2小节应用概率神经网络，实现了基于传统机器学习算法的评估模型，该小节内容对应作者学术论文[5]。最后，针对以上两种模型存在的不足，创新性地将不确定性人工智能中的云理论引入铁路路基病害风险评估，建立了铁路路基病害风险评估云模型，并提出了一种基于集对分析理论改进的云模型相似性判定方法，利用京九线南昌局管段路基检测数据将提出的模型并与前两种模型进行对比分析，验证了模型的有效性，该小节内容对应作者学术论文[3]和[6]。5.1基于模糊理论的铁路路基病害风险评估模型研究5.1.1基于模糊综合评价的风险评估模型由于铁路路基病害影响因素众多且变化很大，具有不明确性和模糊性，因此将模糊综合评判法应用在路基病害的风险评估。模糊综合评价是以模糊数学为基础,应用模糊关系合成的原理,将一些边界不清、不易定量的因素定量化,然后进行综合评价[131,132]。。模糊综合评价可以给出定量的分析，而不只是定性结果，所以可以更准确地评估铁路路基病害的风险等级。5.1.1.1因素分类及评价集的建立铁路路基病害的影响因素很多，本方法主要考虑病害在水平方向的分布、在纵深方向的分布以及病害含水率，其中病害水平分布又可细分为病害长度和病害宽度等。因此在建立铁路路基病害风险等级量化评价指标体系时，采用了层次分析法[133](AnalyticHierarchyProcess，AHP)。在AHP思想的基础上，本文建立了三层铁路路基病害风险等级评判指标体系如图5.1所示。位于第一层的目标层用A表示，代表路基病害风险等级综合评价结果。位于第二层的因素层用B表示，由病害水平分布、病害纵向分布和含水情况三个影响病害风险等级的主要因素组成，共同构成因素集B=（B1,B2,B3）。位于底层的指标层用C表示。其中，病害水平分布因素包括2项指标，用C1表示病害长度，用C2表示横跨测线数，该指标表示在沿着行车方向平行分布的三条测线中有几条测线检测到病害，是病害宽度的度量指标;病害纵向分布因素包括病害上部深度C3、病害下部深度C4、病害深度范围C5和病害覆跨比C6；含水情况因素包括含水率C7一项指标。59 5铁路路基病害风险评估模型研究铁路路基病害风险等级病病害害含水纵水平向情分分况布布横病上下深跨覆含害部部度测跨水长深深范线比率度度度围数图5.1铁路路基病害风险评估指标体系Fig.5.1Theriskassessmentindexsystemdynamicofrailwaysubgradedefect利用风险等级来衡量评价目标路基病害的危险状态。设评语集为：V=（V1,V2,V3），其中V1，V2，V3分别表示危险等级Ⅰ、Ⅱ、Ⅲ，对应安全、潜伏和危险三种状态。5.1.1.2隶属度函数的建立常见的确定隶属函数的方法有模糊统计法、三分法、五点法、模糊分布法等[134]。本文在确定评价指标的隶属函数时，采用模糊分布法[135]中的岭型分布类型，其隶属函数主要有以下3种，其分布图如图5.2所示。同时，结合各评判因素指标的具体特点确定隶属函数的参数。图5.2岭型分布图Fig.5.2Theridgedistributionmap这三种分布的函数表达式如下所示。其中，公式（5.1）为偏小型岭型分布，隶属度随着x的增大而减小；公式（5.2）为偏大型岭型分布；公式（5.3）为中间型岭型分布。60 5铁路路基病害风险评估模型研究1,xa1(5.1)11aaFx()sinx12,axa1222aa2210,ax20,xa1(5.2)11aa12Fx()xsinaxa,12222aa211,ax20,xa211aasin,xaxa1221222aa21(5.3)Fx()a1,xa1111aasin,xaxa1212222aa210,ax2式中：0
此文档下载收益归作者所有
