[發明專利]基于輕量化深度學習的鐵路異物識別方法與系統

有效

• 申請號: 202210854871.4
• 申請日: 2022-07-20
• 公開（公告）號: CN114932927B
• 公開（公告）日: 2022-11-01
• 發明（設計）人: 安賢哲;康秋靜;張淮;蔣夢;孫云蓬;高玉亮;王鶴;丁海有;曹鈺;高飛;黃玉君
• 申請（專利權）人: 北京大成國測智能科技有限公司;北京大成國測科技有限公司
• 主分類號: B61L23/04
• 分類號: B61L23/04
• 代理公司: 北京君有知識產權代理事務所(普通合伙) 11630
• 代理人: 焦麗雅

1.一種基于輕量化深度學習的鐵路異物識別方法，其特征在于，所述方法包括如下步驟：

S110：基于布置于不同鐵路監測子區間的至少一個傳感器組合，確定可能存在異物入侵的潛在鐵路軌道子區間；

S120：調節所述潛在鐵路軌道子區間的傳感器組合的工作參數，獲得多個監測目標參數；

S130：基于所述監測目標參數對深度學習網絡模型執行輕量化處理，獲得輕量化深度學習網絡模型；

S140：基于所述輕量化深度學習網絡模型對所述潛在鐵路軌道子區間進行異物識別；

所述基于所述監測目標參數對深度學習網絡模型執行輕量化處理，包括：對所述深度學習網絡模型執行剪枝處理；

所述步驟S110中所述傳感器組合包括光纖傳感器與紅外傳感器；

在所述步驟S110之前，所述方法還包括：

S101：確定鐵路軌道目標監測區域邊界線的長度與區域曲率參數；

S103：根據目標監測區域邊界線的長度與區域曲率參數，將所述目標監測區域邊界線劃分為多個鐵路軌道子區間；

S105：確定每個鐵路軌道子區間的傳感器組合的安裝數量與安裝位置。

2.如權利要求1所述的一種基于輕量化深度學習的鐵路異物識別方法，其特征在于，

所述步驟S120調節所述潛在鐵路軌道子區間的傳感器組合的工作參數，具體包括：

調節所述潛在鐵路軌道子區間的傳感器組合中所有紅外傳感器的監測方向，使得所述所有紅外傳感器的監測方向均包含所述潛在鐵路軌道子區間。

3.如權利要求1所述的一種基于輕量化深度學習的鐵路異物識別方法，其特征在于，

所述步驟S120獲得的多個監測目標參數包括：潛在鐵路軌道子區間的傳感器的數量、潛在鐵路軌道子區間可能存在異物入侵的目標點位置、可能存在異物入侵的入侵幅度、潛在鐵路軌道子區間的曲率參數、潛在鐵路軌道子區間的可能存在的入侵異物的大小。

4.如權利要求1所述的一種基于輕量化深度學習的鐵路異物識別方法，其特征在于，

所述步驟S130基于所述監測目標參數對深度學習網絡模型執行輕量化處理，具體包括：

基于潛在鐵路軌道子區間的傳感器組合中紅外傳感器的數量與潛在鐵路軌道子區間可能存在異物入侵的目標點位置，確定需剪枝的輸入通道數量；

基于可能存在異物入侵的入侵幅度與潛在鐵路軌道子區間的可能存在的入侵異物的大小，確定需剪枝的輸出通道數量；

基于潛在鐵路軌道子區間的曲率參數，確定深度學習網絡模型的訓練迭代步長；

依據剪枝準則剪枝需剪枝的輸入通道與輸出通道；

按照所述訓練迭代步長重新訓練所述深度學習網絡模型，得到輕量化深度學習網絡模型。

5.一種基于輕量化深度學習的鐵路異物識別系統，所述系統包括深度學習網絡模型、布置于不同鐵路監測子區間的至少一個傳感器組合以及輕量化單元，其特征在于：

每個所述傳感器組合包括光纖傳感器與紅外傳感器；

通過布置于不同鐵路監測子區間的至少一個傳感器組合，探測出對應的鐵路監測子區間是否可能存在異物入侵；

當探測出對應的鐵路監測子區間可能存在異物入侵時，確定可能存在異物入侵的潛在鐵路軌道子區間；

調節所述潛在鐵路軌道子區間的傳感器組合中所有紅外傳感器的監測方向，使得所述所有紅外傳感器的監測方向均包含所述潛在鐵路軌道子區間以獲得多個監測目標參數；

所述多個監測目標參數包括：潛在鐵路軌道子區間的傳感器的數量、潛在鐵路軌道子區間可能存在異物入侵的目標點位置、可能存在異物入侵的入侵幅度、潛在鐵路軌道子區間的曲率參數、潛在鐵路軌道子區間的可能存在的入侵異物的大小；

所述輕量化單元基于所述多個監測目標參數對所述深度學習網絡模型進行輕量化處理，獲得輕量化深度學習網絡模型；

基于所述輕量化深度學習網絡模型對所述潛在鐵路軌道子區間進行異物識別；

其中，所述深度學習網絡模型為深度神經網絡模型。