[发明专利]铁路危险源识别方法、装置、电子设备及存储介质

说明书

本发明提供一种铁路危险源识别方法、装置、电子设备及存储介质。方法包括：获取铁路沿线遥感图像；将遥感图像输入至危险源识别模型中，得到危险源识别结果；危险源识别模型的训练过程为：获取铁路沿线样本遥感图像，并生成危险源标签；建立TE‑ResUnet模型，将铁路沿线样本遥感图像输入至TE‑ResUnet模型，得到多个不同尺度的危险源预测识别结果；计算多个不同尺度的危险源预测识别结果和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。本发明提高了模型的危险源识别精度和小目标识别能力，可实现精确有效的铁路危险源识别。

技术领域

本发明涉及遥感识别技术领域，尤其涉及一种铁路危险源识别方法、装置、电子设备及存储介质。

背景技术

高速铁路沿线的老化彩钢房顶、固定不牢的防尘网、地膜等危险源极易被风吹起，落在铁轨或高铁电网上，进而妨碍高速铁路线路和列车的正常运行，甚至造成较大的安全事故。一直以来，地面调查方式是检测铁路周边危险源的主要手段，通过地面调查通知相关部门单位加固危险源可有效预防此类事故发生。但是人力物力的局限性对地面调查的精度和效率均产生影响，使得调查结果较差。然而，高分辨率卫星遥感影像具有大范围、时空连续、周期性、易获取及低成本等优势，且高分辨率遥感影像空间分辨率已达到厘米级，可清晰呈现铁路危险源。因此利用高分辨率遥感图像地物识别技术可以对铁路沿线相关危险源信息进行精确识别及动态监测。

然而高速铁路沿线危险源在高分辨率遥感图像上的分布较为稀疏，小目标较多，同种危险源的类内差异也会比较大，这为高分辨率遥感影像危险源识别带来一定的技术难度，对识别方法的精度和稳定性提出较高的要求。目前，高分辨率遥感影像地物识别与分类通常用到语义分割技术，深度卷积神经网络在自然影像语义分割领域取得了较好的效果，因此已被广泛运用于该任务中。然而，现有基于深度卷积神经网络的地物识别方法虽然在一定范围内实现了地物识别精度的提升，但仍然存在地物边界识别精度、小目标识别精度较低的问题。

发明内容

为了解决上述问题，本发明提供一种铁路危险源识别方法、装置、电子设备及存储介质。

本发明提供一种铁路危险源识别方法，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。