[发明专利]基于Faster R-CNN的铁路入侵行为检测方法

说明书

本发明提出了一种基于Faster R‑CNN的铁路异常入侵行为检测方法，用于解决现有技术中存在的检测准确率较低的技术问题，实现步骤为：构建DAS数据处理系统；获取训练样本集和测试样本集；构建铁路入侵行为检测网络模型Faster R‑CNN；对铁路入侵行为检测网络模型Faster R‑CNN进行迭代训练；获取铁路异常入侵行为检测结果。本发明所构建的网络模型Faster R‑CNN使用归一化时空信号图像作为训练样本集，充分结合信号的时空特征，区分背景噪声信号的干扰，减少误报，同时候选区域生成网络精确预测特征图的区域候选框位置，一定程度上提高了检测准确率，可用于保护铁路列车的安全运行。

技术领域

本发明属于智能交通技术领域，涉及一种铁路异常入侵行为检测方法，具体涉及一种基于Faster R-CNN的铁路异常入侵行为检测方法。可用于铁路周界的安全监测，保护铁路列车的安全运行。

背景技术

随着铁路和智能交通系统的发展给人们带来交通上的快捷与方便，铁路沿线安防工作越来越重要。非法破坏或穿越铁路围栏、盗窃铁路围栏电缆等危险或恶意入侵行为，会给列车运行安全造成严重事故隐患，给人们带来经济损失，还可能造成部分区域的交通拥堵，更加严重的是可能导致相关人员的伤亡。铁路异常入侵行为是一种对铁路线路以及列车运行安全造成威胁的行为，具体是指铁路线路以外的具有一定体积和质量的固体物体由于一些外力作用而闯进铁路周界的行为。如何监测铁路周界的安全并对铁路异常入侵行为进行检测是需要关注并解决的重要且紧迫的问题。

大多数的铁路异常入侵行为检测方法都将提高检测准确率作为第一准则，因此提高异常入侵行为方法的检测准确率是研究的关键。目前的铁路异常入侵行为检测方法包括红外激光对射监测法、视频摄像头监测法、振动电缆监测法、微波对射监测法、电子围栏监测法以及光纤分布式声传感监测法等，相对于其他检测方法，光纤分布式声传感监测法具有抗电磁干扰、抗辐射、耐压、耐腐蚀、材质轻等优点，并且检测信号准确率较高，更适合于铁路异常入侵行为检测任务，保护铁路列车的安全运行。

随着大数据和机器学习的广泛应用，一些研究人员使用深度学习技术和分布式光纤声学传感相结合的方法对铁路入侵行为进行检测，以提高异常入侵行为的检测准确率。例如，Li,Zhongqi和Jiangwei Zhang在其2020年发表的论文“Fiber distributedacoustic sensing using convolutional long short-term memory network:a fieldtest on high-speed railway intrusion detection”(Optics express 28 3(2020):2925-2938)中，公开了一种基于卷积长短期记忆人工神经网络(ConvLSTM)和光纤分布式声传感的铁路入侵行为检测方法。该方法首先对收集的振动光学信号进行周期性扫描，构建检测模型所需要的帧图像，随后将这些帧图像输入基于ConvLSTM的检测模型中，最后对每个帧图像进行检测，得到最终铁路入侵行为检测结果。该方法提高了检测的准确率，但其因为在ConvLSTM的检测模型中卷积神经网络提取帧图像的特征信息不足，而且只能提取信号的空间特征，无法分析信号的时间依赖关系，不能区分背景噪声信号造成的干扰，造成了误报。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于Faster R-CNN的铁路异常入侵行为检测方法，用于解决现有技术中存在的检测准确率较低的技术问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)构建DAS数据处理系统：

构建包括级联的光纤分布式声传感DAS子模块和数据处理子模块的DAS数据处理系统，其中光纤分布式声传感DAS子模块包括顺次级联的DAS振动检测光缆、光学信号解调主机和监测终端分析主机，DAS振动检测光缆沿铁路围栏铺设，共包含等间距分布的N个采样点；监测终端分析主机的输出端与数据处理子模块相连，其中，N≥2；

(2)获取训练样本集V和测试样本集E：