[发明专利]铁路危险源识别方法、装置、电子设备及存储介质

权利要求书

1.一种铁路危险源识别方法，其特征在于，包括：

获取铁路沿线遥感图像；

将所述遥感图像输入至危险源识别模型中，得到铁路危险源识别结果；其中，所述危险源识别模型的训练过程如下：

步骤1：获取铁路沿线样本遥感图像，并对所述样本遥感图像中的危险源进行逐像素标注，生成危险源标签；

步骤2：建立TE-ResUnet模型，所述TE-ResUnet模型包括收缩路径模块、扩展路径模块、纹理增强模块和降维模块；其中，所述收缩路径模块用于对所述样本遥感图像进行特征识别和降采样，生成由浅层尺度到深层尺度的多个特征图；所述扩展路径模块用于通过跳跃连接层裁剪复制所述收缩路径模块输出的各个特征图，并对所述各个特征图进行上采样处理，得到处理后的多个特征图；所述纹理增强模块用于在所述扩展路径模块通过跳跃连接层裁剪复制所述收缩路径模块输出的较浅层尺度的两个特征图和对所述收缩路径模块输出的较浅层尺度的两个特征图进行上采样处理前，对所述较浅层尺度的两个特征图进行纹理增强处理；其中，所述较浅层尺度的两个特征图包括第一特征图和第二特征图，所述第一特征图的尺度小于所述第二特征图的尺度；所述降维模块用于对所述扩展路径模块裁剪复制的较浅层尺度的两个特征图进行降维处理，以及对所述扩展路径模块上采样处理的所述第二特征图进行降维处理，得到多个不同尺度的危险源预测识别结果；

步骤3：计算所述多个不同尺度的危险源预测识别结果和所述危险源标签之间的多尺度Lovász-Softmax损失，利用反向传播完成端到端训练，得到最优TE-ResUnet模型，并将所述最优TE-ResUnet模型作为所述危险源识别模型。

2.根据权利要求1所述的铁路危险源识别方法，其特征在于，所述纹理增强模块用于在所述扩展路径模块通过跳跃连接层裁剪复制所述收缩路径模块输出的较浅层尺度的两个特征图和对所述收缩路径模块输出的较浅层尺度的两个特征图进行上采样处理前，对所述较浅层尺度的两个特征图进行纹理增强处理，包括：

所述纹理增强模块利用直方图量化方法对所述收缩路径模块输出的较浅层尺度的两个特征图的纹理信息进行量化和统计，量化的每一级代表一种纹理，并构建可学习图网络对每个量化级进行重建，以实现纹理细节增强。

3.根据权利要求1所述的铁路危险源识别方法，其特征在于，所述计算所述多个不同尺度的危险源预测识别结果和所述危险源标签之间的多尺度Lovász-Softmax损失，利用反向传播完成端到端训练，得到最优TE-ResUnet模型，包括：

将所述第一特征图经过所述降维模块降维处理后得到的危险源预测识别结果和所述危险源标签进行第一Lovász-Softmax损失计算，以及将所述第二特征图经过所述降维模块降维处理后得到的危险源预测识别结果和所述危险源标签进行第二Lovász-Softmax损失计算，以及将所述第二特征图经过所述扩展路径模块上采样处理和所述降维模块降维处理后得到的危险源预测识别结果和所述危险源标签进行第三Lovász-Softmax损失计算；

将所述第一Lovász-Softmax损失、所述第二Lovász-Softmax损失和所述第三Lovász-Softmax损失的加权求和结果作为目标损失，并根据所述目标损失优化所述TE-ResUnet模型，当所述目标损失小于预设阈值时训练结束，从而得到最优TE-ResUnet模型。

4.根据权利要求3所述的铁路危险源识别方法，其特征在于，所述目标损失L_Total为：

其中，λ₁、λ₂、λ₃为三个尺度损失函数的权重，ΔJ_L为Lovász-Softmax损失函数，y*为危险源标签，为TE-ResUnet输出的危险源预测识别结果，为所述扩展路径模块中经过降维处理的特征图，y^D2*为将原始危险源标签降采样2倍，为所述扩展路径模块中经过纹理增强处理的特征图降维后的结果。

5.根据权利要求1所述的铁路危险源识别方法，其特征在于，在将所述遥感图像输入至危险源识别模型前，还包括：

利用滑窗法对图像尺寸大于预设阈值的遥感图像进行处理。