[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

本發明提出基于輕量化深度學習的鐵路異物識別方法與系統，屬于深度學習領域。方法包括步驟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。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。本發明的技術方案使得基于現有的有限硬件資源依然可以實現鐵路異物識別的準確性和可靠性。

技術領域

本發明屬于鐵路安全技術領域，尤其涉及一種基于輕量化深度學習的鐵路異物識別方法與系統。

背景技術

鐵軌異物檢測主要分為接觸式和非接觸式兩類。其中接觸式檢測法主要有電網檢測法、光纖光柵檢測法等；非接觸式檢測法主要包括雷達檢測法、紅外線屏障法、超聲波檢測法、視頻圖像檢測法等。隨著鐵軌異物檢測要求的提高，以視頻圖像檢測為主的非接觸式異物檢測，尤其是基于深度學習的圖像處理方法逐漸成為研究重點。

雖然在軌道交通異物入侵檢測領域中，采用基于深度學習的視頻目標檢測方法要達到可以應用的實時檢測速度，但是相應的對設備資源的要求較高且成本不低；目標檢測技術檢測精度、檢測速度、模型太大部署成本高，導致不能在軌道異物檢測發揮出最大價值。

另一方面，隨著鐵路運輸智能化的發展，智能安防監控系統目前已廣泛應用在智能軌道交通領域，其中涉及嵌入式、數據通信以及智能分析等技術，主要任務包括實時視頻采集、存儲、分析以及處理。再將深度學習模型直接應用于鐵路異物入侵識別系統中時，由于網絡模型結構異常復雜以及顯存等硬件資源的限制，在保證實時視頻分析的條件下，每臺后端智能處理服務器只能處理6到8路視頻，從而造成處理延遲。同樣，對于前端嵌入式處理模式，由于受當前嵌入式平臺的資源限制（內存、計算能力、電池容量等），對AI芯片的算力要求較高，花銷成本較大，導致模型不能直接運行在嵌入式平臺。

發明內容

為解決上述技術問題，本發明提出基于輕量化深度學習的鐵路異物識別方法與系統，使得基于現有的有限硬件資源依然可以實現鐵路異物識別的準確性和可靠性。

在本發明的第一個方面，提出一種基于輕量化深度學習的鐵路異物識別方法，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；

其中，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以及重訓練處理。

所述步驟S100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S100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。

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：