[發明專利]基于鐵軌旁部件的定位方法和系統

在審

• 申請號: 202110399042.7
• 申請日: 2021-04-14
• 公開（公告）號: CN113177540A
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 邱瓊文
• 申請（專利權）人: 北京明略軟件系統有限公司
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 青島清泰聯信知識產權代理有限公司 37256
• 代理人: 趙燕

1.一種基于鐵軌旁部件的定位方法，其特征在于，包括以下步驟：

相對位置標注步驟，標注待檢測鐵軌旁各部件的相對位置；

訓練集獲取步驟，選取常規條件下一圖片中的一部件作為參考目標，根據所述相對位置，標注所述參考目標和待定位目標在所述圖片內的絕對坐標，并將此作為訓練集；

關系擬合步驟，根據深度學習回歸算法，基于所述訓練集，利用一神經網絡，擬合所述待定位目標與所述參考目標之間的數學關系；

模型訓練步驟，基于所述數學關系，根據深度學習進行訓練并建立一定位預測模型；

定位預測步驟，根據所述參照目標的絕對位置，利用所述定位預測模型，獲取所述待定位目標的絕對位置。

2.根據權利要求1所述的基于鐵軌旁部件的定位方法，其特征在于，所述關系擬合步驟具體包括：

根據深度學習回歸算法，將處理后的所述參考目標的絕對坐標作為輸入，并將處理后的所述待定位目標的絕對坐標作為輸出，利用一全連接網絡，采用非線性激活函數，獲取一非線性神經網絡。

3.根據權利要求1所述的基于鐵軌旁部件的定位方法，其特征在于，所述模型訓練步驟具體包括以下步驟：

訓練集數據處理步驟，對所述訓練集進行數據增強處理；

數據輸入步驟，將數據增強后的所述訓練集輸入至所述非線性神經網絡；

定位預測模型訓練步驟，通過正向傳播和反向傳播得到梯度向量，并據此調整權值至所述定位預測模型的誤差得分趨于零或收斂的趨勢調節。

4.根據權利要求1所述大的基于鐵軌旁部件的定位方法，其特征在于，所述定位預測方法具體包括以下步驟：

參考目標數據輸入步驟，利用所述定位預測模型，輸入所述參考目標的絕對坐標，得到所有待定位目標相對于所述參考目標的相對坐標；

絕對坐標計算步驟，根據所述參考目標的絕對目標和所述相對坐標，進行處理獲取所有所述待定位目標的絕對坐標。

5.根據權利要求1所述的基于鐵軌旁部件的定位方法，其特征在于，當所述參照目標的位置不固定時，所述訓練集獲取步驟具體包括以下步驟：

目標檢測器訓練步驟，選取符合預設特征的圖片訓練一目標檢測器；

訓練接標注步驟，利用所述目標檢測器，標注所述參考目標和所述待定位目標在所述圖片內的絕對坐標。

6.一種基于鐵軌旁部件的定位系統，應用權利要求1-5任意一項所述的基于鐵軌旁部件的定位方法，其特征在于，包括：

相對位置標注模塊，標注待檢測鐵軌旁各部件的相對位置；

訓練集獲取模塊，選取常規條件下一圖片中的一部件作為參考目標，根據所述相對位置，標注所述參考目標和待定位目標在所述圖片內的絕對坐標，并將此作為訓練集；

關系擬合模塊，根據深度學習回歸算法，利用一神經網絡，擬合所述待定位目標與所述參考目標之間的數學關系；

模型訓練模塊，基于所述數學關系，根據深度學習訓練，建立一定位預測模型；

定位預測模塊，根據所述參照目標的絕對位置，利用所述定位預測模型，獲取所述待定位目標的絕對位置。

7.根據權利要求6所述的基于鐵軌旁部件的定位系統，其特征在于，所述關系擬合模塊根據深度學習回歸算法，將處理后的所述參考目標的絕對坐標作為輸入，并將處理后的所述待定位目標的絕對坐標作為輸出，利用一全連接網絡，采用非線性激活函數，獲取一非線性神經網絡。

8.根據權利要求6所述的基于鐵軌旁部件的定位系統，其特征在于，所述模型訓練模塊具體包括：

訓練集數據處理單元，對所述訓練集進行數據增強處理；

數據輸入單元，將數據增強后的所述訓練集輸入至所述非線性神經網絡；

定位預測模型訓練單元，通過正向傳播和反向傳播得到梯度向量，并據此調整權值至所述定位預測模型的誤差得分趨于零或收斂的趨勢調節。