[發(fā)明專利]一種基于深度學(xué)習(xí)的軌道交通周邊危險源檢測方法

有效

• 申請?zhí)枺?/td>: 202210204279.X
• 申請日: 2022-03-03
• 公開（公告）號: CN114898204B
• 公開（公告）日: 2023-09-05
• 發(fā)明（設(shè)計）人: 付雪松;王長進;韓祖杰;齊春雨;黃漪;寧新穩(wěn);王華;范登科;趙文;張恒;王嬌;甘俊;周文明;胡朝鵬
• 申請（專利權(quán)）人: 中國鐵路設(shè)計集團有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06N3/0464;G06N3/08;G06V10/26;G06V10/44;G06V10/75;G06V10/764;G06V10/77;G06V10/774;G06V10/80
• 代理公司: 天津賽凌知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 12270
• 代理人: 李蕊

本發(fā)明公開了一種基于深度學(xué)習(xí)的軌道交通周邊危險源變化檢測方法，包括：獲取軌道交通沿線的地理信息遙感圖像數(shù)據(jù)；對線路周圍的危險因素進行分析，明確危險源種類；將采集到的圖像數(shù)據(jù)傳輸至上位機進行處理，得到配準后的地理信息遙感圖像，進行圖像分區(qū)并根據(jù)危險源分類結(jié)果對分區(qū)的圖像進行目標(biāo)標(biāo)注后將其輸入深度學(xué)習(xí)網(wǎng)絡(luò)進行訓(xùn)練，獲取準確度較高的檢測模型；將待檢測軌道交通線路的地理信息遙感圖像輸入檢測模型，實現(xiàn)軌道交通周邊危險源檢測。該方法能自動快速識別軌道交通周邊危險源，減少人工操作工作量，提升軌道交通周邊危險源識別的效率。

技術(shù)領(lǐng)域

本發(fā)明屬于軌道交通領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)的軌道交通周邊危險源檢測方法

背景技術(shù)

軌道交通運行過程中的行車安全是軌道交通安全的重中之重，而軌道交通周邊危險源產(chǎn)生的侵限物體導(dǎo)致的軌道交通行車事故是目前軌道交通行車安全的主要問題。因此，為了確保軌道交通行車安全，對軌道交通周邊危險源進行定期的檢測并對其進行監(jiān)控和處理是降低行車事故發(fā)生率的有效途徑。傳統(tǒng)的軌道交通周邊危險源檢測是通過人工巡檢的方式，對軌道交通周邊的危險源進行記錄和分級，實現(xiàn)危險源的定期監(jiān)測。但是，人工巡檢存在著巡檢實時性差、巡檢周期長和巡檢準確度低等問題，導(dǎo)致輕質(zhì)漂浮物掛線、彩鋼板侵限等危害行車安全的事故多次發(fā)生。

隨著我國航空航天事業(yè)的迅猛發(fā)展，能夠通過無人機、航飛和衛(wèi)星等方式快速獲取高質(zhì)量遙感圖像。遙感圖像能夠準確表征地表的地物信息，已經(jīng)被廣泛的應(yīng)用于地表特征分析、地理信息建模和地物信息提取等領(lǐng)域。目前軌道交通測繪領(lǐng)域已經(jīng)開始采用遙感圖像進行軌道交通周邊危險源檢測，但是，目前的檢測方式主要依靠于人工圖像目標(biāo)提取，存在主觀性強、精度較低、人工工作量大等問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)存在的不足，提供一種基于多尺度特征融合、注意力機制增強深度學(xué)習(xí)的智能軌道交通危險源檢測方法，利用多尺度特征融合和注意力機制準確提取目標(biāo)特征，實現(xiàn)危險源區(qū)域的準確語義分割，達到軌道交通周邊危險源智能自動檢測的目的，對于確保軌道交通行車安全具有實際應(yīng)用價值。

為此，本發(fā)明的技術(shù)方案如下：

一種基于深度學(xué)習(xí)的軌道交通周邊危險源檢測方法，包括以下步驟：

1.一種基于深度學(xué)習(xí)的軌道交通周邊危險源檢測方法，包括以下步驟：

S1，采用無人機、航飛和衛(wèi)星等遙感方式(包含但不限于上述三種方式)獲取軌道交通沿線及周邊一定范圍的地理信息遙感圖像；

S2，判斷是否是第一次使用深度學(xué)習(xí)模型，如果否，則跳到S6；如果是，則通過對線路周圍影響軌道交通行車安全的危險因素進行分析，明確危險源種類，并確定軌道交通周邊危險源的性質(zhì)和危險等級；

S3，將步驟S1采集到的地理信息遙感圖像數(shù)據(jù)通過數(shù)據(jù)接口傳輸至上位機，并且在上位機接收數(shù)據(jù)后，對數(shù)據(jù)進行畸變校正和圖像拼接配準，得到配準后的地理信息遙感圖像；

S4，得到配準后的地理信息遙感圖像后，將包含地理信息的圖像區(qū)域按照512×512的尺寸進行圖像分區(qū)，采用數(shù)據(jù)標(biāo)注工具對分區(qū)的圖像進行目標(biāo)標(biāo)注，獲得帶有標(biāo)注信息的分區(qū)圖像；

S5，將步驟S4獲得的帶有標(biāo)注信息的分區(qū)圖像逐個輸入到深度學(xué)習(xí)網(wǎng)絡(luò)輸入接口，對深度學(xué)習(xí)網(wǎng)絡(luò)進行訓(xùn)練，通過調(diào)整多個網(wǎng)絡(luò)訓(xùn)練超參數(shù)進行重復(fù)訓(xùn)練，獲取準確度較高的檢測模型；

S6，將待檢測軌道交通沿線及周邊一定范圍的的地理信息遙感圖像輸入到步驟S5得到的檢測模型中，深度學(xué)習(xí)網(wǎng)絡(luò)對輸入的圖像進行目標(biāo)語義分割，通過卷積提取目標(biāo)高維特征，然后采用logistic函數(shù)獲取像素點屬于每個危險源的概率，選取概率值最高的一類，將該像素點賦予該類別的像素值，進而得到危險源的種類，并且通過圖像中不同類別危險源像素值所占個數(shù)和單個像素點尺寸，獲取不同危險源的面積；

S7，通過危險源的性質(zhì)和面積劃分重點區(qū)域，實現(xiàn)軌道交通周邊危險源檢測。