[发明专利]一种铁路工机具的检测方法、系统、装置和存储介质

说明书

本发明涉及一种铁路工机具的检测方法、系统、装置和存储介质，方法包括获取多个工机具图像，根据所有工机具图像制作数据集；构建深度卷积神经网络，利用数据集和深度卷积神经网络构建反射图像提取网络，根据深度卷积神经网络和反射图像提取网络得到特征检测网络，根据深度卷积神经网络、反射图像提取网络和特征检测网络得到初始检测网络模型；利用数据集对初始检测网络模型进行训练，得到目标检测网络模型；根据目标检测网络模型对待检测工机具图像进行检测，得到检测结果。本发明可有效解决背景复杂、光照不均以及目标尺度差异大、形态复杂和存在遮挡等问题，对铁路工机具进行快速而准确地目标检测，实现铁路工机具的自动清点。

技术领域

本发明涉及铁路运维与目标检测技术领域，尤其涉及一种铁路工机具的检测方法、系统、装置和存储介质。

背景技术

铁路是交通系统的重要组成部分。为了保障铁路的安全运行，铁路部门通常在夜间开展运维工作，而运维过程中经常出现大量工机具遗失的问题。目前为止，采取的工机具检测方法是对工人领取和归还的工机具进行拍照留存，通过人工对比分析，发现遗失的工机具。此方法需要工人进行繁琐、重复的检查工作，极大浪费人力财力。因此，通过对铁路工机具图像进行分析可实现工机具的自动清点。

铁路工机具自动清点的核心问题是铁路工机具的目标检测。图像中的目标检测是计算机视觉中的重要组成部分，其主要目的是识别图像中的目标并精准找到目标的位置。随着深度学习技术的发展，研究学者提出了多种目标检测神经网络模型，在精度和速度方面不断取得突破。然而，现有的深度学习模型无法满足铁路工机具检测的精度要求，其主要原因在于：铁路运维通常在夜间进行，野外作业环境复杂，通过手电筒补光方式拍摄的工机具图像背景复杂且存在光照不均以及遮挡等问题；除此之外，铁路工机具种类繁多，大小差异较大，形态复杂。基于上述原因，现有的目标检测模型无法对上述复杂背景下，尺寸差异大的各类工机具进行统一有效地检测，在样本数量有限情况下，还存在样本不均衡和过拟合等问题。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种铁路工机具的检测方法、系统、装置和存储介质，可有效解决背景复杂、光照不均以及目标尺度差异大、形态复杂和存在遮挡等问题，对铁路工机具进行快速而准确地目标检测，实现铁路工机具的自动清点。

本发明解决上述技术问题的技术方案如下：

一种铁路工机具的检测方法，包括以下步骤：

步骤1：获取多个工机具图像，根据所有工机具图像制作数据集；

步骤2：构建深度卷积神经网络，利用所述数据集和所述深度卷积神经网络构建反射图像提取网络，根据所述深度卷积神经网络和所述反射图像提取网络得到特征检测网络，根据所述深度卷积神经网络、所述反射图像提取网络和所述特征检测网络得到初始检测网络模型；

步骤3：利用所述数据集对所述初始检测网络模型进行训练，得到目标检测网络模型；

步骤4：根据所述目标检测网络模型对待检测工机具图像进行检测，得到检测结果。

依据本发明的另一方面，还提供了一种铁路工机具的检测系统，应用于本发明中的铁路工机具的检测方法中，包括数据集获取模块、网络模型构建模块、训练模块和检测模块；

所述数据集获取模块，用于获取多个工机具图像，根据所有工机具图像制作数据集；

所述网络模型构建模块，用于构建深度卷积神经网络，利用所述数据集和所述深度卷积神经网络构建反射图像提取网络，根据所述深度卷积神经网络和所述反射图像提取网络得到特征检测网络，根据所述深度卷积神经网络、所述反射图像提取网络和所述特征检测网络得到初始检测网络模型；

所述训练模块，用于利用所述数据集对所述初始检测网络模型进行训练，得到目标检测网络模型；