[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

说明书

本发明公开了一种基于卷积神经网络的轨道微小遗留物智能辨识方法，构建轨道异物数据集；将轨道异物数据集中的各个轨道异物图像分别分割成若干网格；在卷积神经网络中增设一个特征尺度104×104；基于每个特征尺度，通过预设大小的锚框提取各个网格中的图片特征信息，生成特征图；导入待辨识图片，利用特征图中的元素预测待辨识图片中的轨道微小遗留物目标。本发明大大提升了对小目标的检测能力，平均检测精度大大提高，实现了在不同环境天气情况下对轨道上各种异物乃至影响轨道细微平整性的微小遗留物准确识别。

技术领域

本发明涉及一种基于卷积神经网络的轨道微小遗留物智能辨识方法，属于图像智能识别技术领域。

背景技术

到2020年末，全国铁路营业里程将达到15万公里，而全球铁路运营里程早在2015年就已经突破160万公里。这其中，高速电气化运营的铁路里程占比逐年提高。对高速运行的轨道交通系统来说，轨道状况的良好是安全运行的重中之重。然而，由于铁路轨道穿越各种复杂的地形与环境，如山地、农村、车站等。因此，无论是自然原因还是人为原因，都无法避免轨道上出现各种异常遗留的物体。这些遗留物如果未能及时清理，将会对铁路运行造成极大危害。基于这一问题，铁路巡检除了保证轨道本身的正常工况外，也必须保证这些遗留物得到及时发现与清理。

长期以来，铁路巡检依靠传统的人力巡检，检查工作反复、单调、工作量大，除了要耗费巨大的人力物力之外，也具有很高的疏漏、人为失误风险。长时间高强度的目视巡检对巡检员本身的体能与健康也是极大地消耗，特别是极端天气情况下。在这样的背景下，人工巡检往往难以避免人员疲惫造成的各种疏忽，从而产生巨大的安全隐患。

目前，现有技术中，已经开始借助计算机视觉技术手段解决这一问题的方法。但是在实践中往往暴露出以下问题：1、识别准确度低，无法对轨道上的微小遗留物做到准确识别；2、对识别环境要求高，无法适应现实的各种环境；3、系统封闭单一、不具有平台的通用性。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于卷积神经网络的轨道微小遗留物智能辨识方法。

为达到上述目的，本发明提供

一种基于卷积神经网络的轨道微小遗留物智能辨识方法，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。

优先地，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；

优先地，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。

优先地，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。

优先地，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。