(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211052551.3 (22)申请日 2022.08.31 (71)申请人 娄天宇 地址 201111 上海市闵行区莲 花路325弄23 号601室 申请人 李富坤　袁新杰　周阿楚　张开贺 (72)发明人 娄天宇　李富坤　袁新杰　周阿楚　 张开贺　 (74)专利代理 机构 上海汉声知识产权代理有限 公司 3123 6 专利代理师 胡晶 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06K 9/00(2022.01) (54)发明名称 钢轨波磨智能识别方法及系统 (57)摘要 本发明提供了一种钢轨波磨智能识别方法 及系统， 其方法包括采集轮轨接触所产生的噪声 数据； 通过有波磨原始数据集和无波磨原始数据 集分别将其转换为第一频谱图； 把两第一频谱图 预处理后， 分别按照预先设定的时间长度进行剪 切分段； 建立深度学习识别模型， 进行训练得到 训练好的深度学习识别模 型； 将步骤S3中留出的 验证集或新采集的数据放在指定文件夹中获得 识别准确率； 基于最优的深度学习识别模型对输 入的待识别数据是否存在波磨状况进行判断， 其 系统包括数据获取模块、 数据转换模块、 数据预 处理模块、 构建模块、 训练模块、 评估模块和识别 模块。 本发明降低了人力物力成本， 耗时短且效 率高， 结构简单， 实施起来也不复杂， 因此方便推 广使用。 权利要求书3页 说明书8页 附图4页 CN 115511790 A 2022.12.23 CN 115511790 A 1.一种钢轨波磨智能识别方法， 其特 征在于， 包括如下步骤： S1： 采集轮轨接触所产生的噪声数据， 从中获得有波磨原始数据集和无波磨原始数据 集； S2： 通过有波磨原始数据集和无波磨原始数据集分别将其转换成时域图信息， 并对两 所述时域图信息分别进行傅里叶变换， 将所述时域图分别转 化为第一频谱图； S3： 把两所述第一频谱图预处 理后， 分别按照预 先设定的时间长度进行剪切分段； 将剪切分段的数据进行分帧和加窗处理， 根据数据时长转换为统一规格的梅尔频谱图 像， 通过设置训练集和验证集比例， 将所有梅尔频谱图像划分为训练过程中所用的训练集 和验证集， 且所述训练集和验证集中的每一 梅尔频谱图像均对应有表征钢轨区段的标识； S4： 借助Keras并利用Tensorflow框架建立深度学习识别模型， 并把S3中训练集中的梅 尔频谱图像输入到深度学习识别模型进行训练， 得到训练好的深度学习识别模型； S5： 将步骤S3中留出的验证集或新采集的数据放在指定文件夹中， 测试脚本会依次读 取文件夹中放入的所有数据并进行预测， 并将预测结果和该数据所对应的标识进行对比， 获得识别准确率， 根据预设的准确率阈值选取最优的深度学习识别模型； S6： 基于最优的深度学习识别模型对输入的待识别数据是否存在波磨状况进行判断。 2.根据权利要求1所述的钢轨波磨智能识别方法， 其特征在于， 所述步骤S3： 把两所述 第一频谱图预处 理后， 分别按照预 先设定的时间长度进行剪切分段， 进一 步包括： S301， 对两所述第一频谱图进行 滤波处理， 保留在预设频 段范围内的第一频谱图； S302， 对在预设频 段范围内的第一频谱图进行 预加重处 理， 对应形成第二频谱图； S303， 对所述第 一频谱图和第二频谱图进行傅里叶逆变换生成波磨处理数据集和无波 磨处理数据集并保存为 wave文件； S304， 对波磨处理数据集和无波磨处理数据集中的数据分别按照预先设定的时间长度 进行剪切分段。 3.根据权利要求1所述的钢轨波磨智能识别方法， 其特征在于， 所述S5： 将步骤S3中留 出的验证集或新采集的数据放在指 定文件夹中， 测试脚本会依次读取文件夹中放入的所有 数据并进 行预测， 并将预测结果和该数据所对应的标识进行对比， 获得识别准确率， 根据预 设的准确率阈值选取最优的深度学习识别模型， 进一 步包括： S501， 将步骤S3中 留出的验证集或新采集的数据放在指定文件夹中； S502， 所述测试脚本依次读取文件夹中放入的所有数据， 调用训练好的深度学习识别 模型并输出对应的预测结果； S503， 将预测结果和该数据所对应的标识进行对比， 将预测结果和标识一致的对比结 果记为1， 将预测结果和标识不 一致的对比结果 为0； S504， 计算所有对比结果之与输入的数据量之比， 获得识别准确率； S505， 根据预设的准确率阈值选取最优的深度学习识别模型。 4.根据权利要求1所述的钢轨波磨智能识别方法， 其特征在于， 所述步骤S1： 采集轮轨 接触所产生的噪声数据， 从中获得有 波磨原始数据集和无波磨原 始数据集， 进一 步包括： S101， 当列车在所述钢轨上以小于预设的加速度行驶时， 在列车远离行驶方向的车厢 内对行驶过程中的环境噪音数据进行采集， 其中， 所述钢轨包括波磨区段和非波磨区段， 所 述波磨区段和非波磨区段均对应有位置信息；权　利　要　求　书 1/3 页 2 CN 115511790 A 2S102， 对获取的所述噪声数据进行分类， 获得有 波磨原始数据集和无波磨原 始数据集。 5.根据权利要求4所述的钢轨波磨智能识别方法， 其特征在于， 所述步骤S102： 对获取 的所述噪声数据进行分类， 获得有 波磨原始数据集和无波磨原 始数据集， 进一 步包括： S1021， 实时获取列车 行驶过程中所述环境噪音数据采集处的位置信息； S1022， 将所述所述环境噪音数据采集处的位置信息和环境噪音数据采集的时间点相 对应； S1023， 根据所述环境噪音数据采集处的位置信息将环境噪音数据进行分类， 获得有波 磨原始数据集和无波磨原 始数据集。 6.根据权利 要求1所述的钢轨波磨智能识别方法， 其特征在于， 所述步骤S4： 借助Keras 并利用Tensorflow框架建立深度学习识别模 型， 并把S 3中训练集中的梅尔频谱图像输入到 深度学习识别模型进行训练， 得到训练好的深度学习识别模型， 进一 步包括： S401， 借助Keras并利用Tensorflow框架， 根据训练集中的梅尔频谱图像特征选取 ResnetV2作为用于训练的深度学习网络； S402， 选用稀疏分类交叉熵函数作为深度学习识别模型的损失函数的计算方式； S403， 选用Adam优化器对动态学习率进行调整； S404， 把S3中训练集中的梅尔频谱图像输入到深度学习识别模型进行训练， 得到训练 好的深度学习识别模型。 7.根据权利要求1所述的钢轨波磨智能识别方法， 其特征在于， 所述傅里叶变换的公式 为： 其中， 其中， F(w)为第一频谱图内的音频信号， F[f(t)]表示时域内的音频信号进行傅 里叶变换， f(t)为时域图内的音频信号， t 表示时间， w表示频率， e‑iwt为复变函数。 8.根据权利要求2所述的钢轨波磨智能识别方法， 其特征在于， 所述傅里叶变换的公式 为： 所述傅里叶逆变的公式为： 其中， f(t)为时域图内的音频信号， F(w)为频谱图内的音频信号， eiwt为复正弦函数。 9.根据权利要求2所述的钢轨波磨智能识别方法， 其特 征在于， 所述预加重的公式为： y(n)＝x(n) ‑a·x(n‑1) 其中， y(n)为预加重后得到的第二频谱图的音频信号， x(n)和x(n ‑1)为初始的第一频 谱图的音频信号， a为预加重系数。 10.一种钢轨波磨智能识别系统， 用于实施权利要求1至9中任意一项所述的钢轨波磨 智能识别方法， 其特 征在于， 包括： 数据获取模块： 用于采集轮轨接触所产生的噪声数据， 从中获得有波磨原始数据集和 无波磨原 始数据集； 数据转换模块： 用于通过有波磨原始数据集和无波磨原始数据集分别将其转换成时域 图信息， 并对所述两时域图信息分别进行傅里叶变换， 将所述变换后的时域图分别转化为 第一频谱图权　利　要　求　书 2/3 页 3 CN 115511790 A 3