[发明专利]基于相对位置感知的高铁接触网防鸟刺识别方法及系统

说明书

本发明提供一种基于相对位置感知的高铁接触网防鸟刺识别方法及系统，属于计算机视觉技术领域，包括：获取高铁接触网巡检图像；利用预先训练好的目标检测模型，对获取的所述高铁接触网巡检图像进行处理，得到防鸟刺识别结果；其中，所述预先训练好的目标检测模型由训练集训练得到，所述训练集包括多张高铁接触网巡检图像以及标注所述高铁接触网巡检图像中防鸟刺的标签。本发明聚焦于高速铁路接触网巡检场景，充分利用行业背景知识，通过对支持装置(大目标)与防鸟刺部件(小目标)间相对位置关系进行细粒度刻画与表示建模，提升了模型对防鸟刺小目标的识别精度，计算复杂度低，可辅助人工巡检，提升了巡检人员工作效率。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种基于相对位置感知的高铁接触网防鸟刺识别方法及系统。

背景技术

接触网是高速列车获取电能的唯一途径，由于露天架设，极易受到各类异物侵扰。其中，鸟害侵扰占比最高，已成为威胁高速铁路系统安全运营的主要因素之一。防鸟刺常被安装在接触网系统的支持装置上，用于防治鸟类筑巢，可有效降低供电设备的故障率。然而，受恶劣天气影响，防鸟刺时常发生脱落，进而失去防鸟作用。目前，各铁路局主要采取人工核验巡检图像的方式检查防鸟刺是否完好，但该方法存在效率低、人工成本较高等不足。

从巡检图像中识别防鸟刺是一个典型的计算机视觉问题；更具体来说，是一个目标检测问题，即根据输入图像判别其中是否存在待检测目标；若存在，进一步用边界框(Bounding Box)标识出目标所在位置。由于铁路巡检车的拍摄视角很大，所获取巡检图像中防鸟刺部件的像素占比非常小(典型的小目标检测问题)，加之防鸟刺是一种放射状物体，视觉辨识度较低，因此防鸟刺部件检测任务较之常规目标检测任务(如人脸检测、行人检测、车辆检测等)更具挑战性。目前业界主流的目标检测方法大都基于深度学习；根据建议框生成机制不同，现有深度学习目标检测方法可粗略分为两类：两阶段方法和一阶段方法。两阶段代表性方法包括R-CNN、Faster R-CNN和Cascade R-CNN等。一阶段代表性方法包括YOLOv3、SSD和Retinanet等。

由于应用场景的特殊性，直接将上述现有目标检测技术应用于防鸟刺识别难以达到铁路巡检要求，存在计算代价大、检测精度低等问题。

发明内容

本发明的目的在于提供一种基于相对位置感知的高铁接触网防鸟刺识别方法及系统，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供一种基于相对位置感知的高铁接触网防鸟刺识别方法，包括：

获取高铁接触网巡检图像；

利用预先训练好的目标检测模型，对获取的所述高铁接触网巡检图像进行处理，得到防鸟刺识别结果；其中，所述预先训练好的目标检测模型由训练集训练得到，所述训练集包括多张高铁接触网巡检图像以及标注所述高铁接触网巡检图像中防鸟刺的标签。

优选的，训练所述目标检测模型包括：采集高铁接触网巡检图像，得到原始数据集；对原始数据集中的高铁接触网巡检图像进行手工标注，得到标记样本集；设定模型的网络结构；设定模型的输出锚框样式；设定模型的损失函数；基于上述设定，利用标记样本集，根据模型输出与真实标记，运用随机梯度下降算法优化模型的损失函数，得到最优的模型参数。

优选的，训练所述目标检测模型设定的网络结构包括：

骨干网络，用于获取输入图像的多层次特征金字塔，其中浅层金字塔对应图像的初级视觉特征，顶层金字塔对应高级语义特征；

颈部网络，通过跨层次特征交叉，提升金字塔表征能力，使得每层金字塔兼具初级视觉特征和高级语义信息；

头部网络，根据提升后的特征金字塔，预测图像中防鸟刺部件及其边界框。