[发明专利]一种基于DSSNN神经网络的铁路场景图像语义分割方法

摘要

本发明公开了一种基于DSSNN神经网络的铁路场景图像语义分割方法，包括以下步骤：步骤1：构建DSSNN神经网络；步骤2：获取铁路场景图像数据集，制作图像语义标签，采用标签图像和原始图像通过以TensorFlow为后端的Keras深度学习框架和平台对DSSNN神经网络进行训练，得到训练模型；步骤3：将铁路场景图像输入训练模型，得到铁路场景的语义分割图；本发明提供一种端对端、编码‑解码结构的神经网络模型，能够快速准确地得到铁路场景的语义分割结果，适用于背景错综复杂地铁路场景，无需人工选取特征，鲁棒性好，同时能够通过语义分割准确对铁路场景关键部件进行定位，有利于下一步地关键部件状态检测工作，能有效地减轻铁路巡检人员的工作量。

主权项

1.一种基于DSSNN神经网络的铁路场景图像语义分割方法，其特征在于，包括以下步骤：步骤1：构建DSSNN神经网络；步骤2：获取铁路场景图像数据集，制作图像语义标签，采用标签图像和原始图像通过深度学习框架和平台对DSSNN神经网络进行训练，得到训练模型；步骤3：将铁路场景图像输入训练模型，得到铁路场景图像语义分割图；其中DSSNN神经网络包括卷积块、空洞卷积块、求和块、反卷积块和对称连接块；卷积块用于提取图像特征；空洞卷积块用于扩大卷积感受并减少特征损失；求和块用于将空洞卷积块中的特征进行融合提高分割精度；反卷积块用于提取图像特征同时还原图像尺寸；对称连接块用于将卷积块中的特征图和反卷积块的特征图进行融合，补充卷积块中丢失的图像特征和图像中细小且被忽略的特征；铁路场景图像经过卷积块后输入空洞卷积块，空洞卷积块处理后输入求和块将每个空洞卷积块的每个块中的结果求和相加；输入反卷积块对图像处理然后输入对称连接块使分割图像得到修复；最后对特征进行分类，完成图像语义分割。