[发明专利]一种基于卷积神经网络的轨道微小遗留物智能辨识方法

权利要求书

1.一种基于卷积神经网络的轨道微小遗留物智能辨识方法，其特征在于，包含：

导入待辨识图片，利用构建的特征图中的元素，预测所述待辨识图片中的轨道微小遗留物目标。

2.根据权利要求1所述的一种基于卷积神经网络的轨道微小遗留物智能辨识方法，其特征在于，构建特征图，包括：

构建轨道异物数据集；

将所述轨道异物数据集中的各个包含轨道的图像分别分割成若干网格；

在原始yolov3卷积神经网络中增设一个特征尺度，特征尺度为13的偶数倍；

基于每个所述特征尺度，通过预设大小的锚框提取各个所述网格中的图片特征信息，并生成特征图。

3.根据权利要求2所述的一种基于卷积神经网络的轨道微小遗留物智能辨识方法，其特征在于，构建轨道异物数据集，包括：

采集若干个不同工况条件的轨道图像；

标记所述若干轨道图像中的异物，建立坐标系获取异物的坐标信息，生成包含异物坐标信息的异物标定文件；

拓展所述标记后的若干轨道图像，生成图片信息文件；

基于原始yolov3卷积神经网络，对所述若干个轨道图像、所述异物标定文件和所述图片信息文件建立VOC数据集目录，获得轨道异物数据集。

4.根据权利要求2所述的一种基于卷积神经网络的轨道微小遗留物智能辨识方法，其特征在于，构建轨道异物数据集前，原始yolov3卷积神经网络中包括三个特征尺度；三个特征尺度包括13×13，26×26和52×52；在原始yolov3卷积神经网络中增设的特征尺度为13的偶数倍。

5.根据权利要求2所述的一种基于卷积神经网络的轨道微小遗留物智能辨识方法，其特征在于，图片特征信息包含深层特征和浅层特征，所述深层特征和所述浅层特征融合生成所述特征图；

选择608×608作为输入原始yolov3卷积神经网络的轨道图像的分辨率，对应的最深层特征图为19×19。

6.根据权利要求3所述的一种基于卷积神经网络的轨道微小遗留物智能辨识方法，其特征在于，不同工况条件包括时间、气候、光照、摄像头与异物的距离和异物尺寸。

7.根据权利要求3所述的一种基于卷积神经网络的轨道微小遗留物智能辨识方法其特征在于，拓展所述标记后的若干轨道图像包含对所述轨道图像进行旋转和对图片参数进行调整。

8.根据权利要求7所述的一种基于卷积神经网络的轨道微小遗留物智能辨识方法，其特征在于，所述图片参数包含饱和度、色温与曝光度。

9.根据权利要求4所述的一种基于卷积神经网络的轨道微小遗留物智能辨识方法，其特征在于，获得所述预设大小的AnchorBox，包含：

根据所述原始yolov3卷积神经网络的3个特征尺度，基于K-Means聚类算法获取9个质心；

将所述9个质心调整到416×416尺寸所对应的AnchorBox的中心坐标，获得所述预设大小的AnchorBox。

10.根据权利要求7所述的一种基于卷积神经网络的轨道微小遗留物智能辨识方法，其特征在于，利用构建的特征图中的特征点，预测所述待辨识图片中的轨道微小遗留物目标中心点。