一种基于深度学习的钢轨识别方法技术

本发明专利技术公开了一种基于深度学习的钢轨识别方法，通过建立基于深度学习的神经网络模型，利用轨道的图像制作大量的训练数据集，接着利用训练数据集对神经网络模型进行大量的训练，使得神经网络模型能够准确输出处于钢轨上的目标点的坐标，从而能够建立用于表示钢轨的钢轨直线方程，从而能够准确识别钢轨，实时捕捉钢轨的轨迹，从而能够很好地把钢轨与异物区分开来，从而免去了乘务员攀爬在车厢上的危险行为。

【技术实现步骤摘要】
一种基于深度学习的钢轨识别方法
本专利技术涉及列车调度推送作业领域，尤其是一种基于深度学习的钢轨识别方法。
技术介绍
火车、高铁列车和动车等列车都是由一节节的车厢接驳而成的，因此在列车接驳时，需要进行调车推送作业。而当列车进行调车推送作业时，必须实时对钢轨进行识别，从而区分钢轨与处于钢轨上的异物，避免因为异物而导致进行调车推送作业的列车出现问题。传统的调车推送作业的进行，需要一名乘务员攀爬在列车的尾端，利用人眼观察的方式对钢轨进行识别，但是当观察较远距离的钢轨时，人眼容易出现误判，并且当较远距离的钢轨旁边存在钢条时，人眼并不能很好地识别出来。
技术实现思路
为解决上述问题，本专利技术的目的在于提供一种基于深度学习的钢轨识别方法，能够对钢轨上的任意目标点进行准确定位，从而能够准确识别钢轨，实时捕捉钢轨的轨迹，从而能够很好地把钢轨与异物区分开来，从而免去了乘务员攀爬在车厢上的危险行为。本专利技术解决其问题所采用的技术方案是：一种基于深度学习的钢轨识别方法，包括以下步骤：A、建立基于深度学习的神经网络模型；B、根据轨道的图像制作用于对神经网络模型进行训练的训练数据集；C、把训练数据集输入到神经网络模型中对神经网络模型进行训练，得到钢轨上任意目标点的坐标；D、根据钢轨中两个以上的目标点的坐标，建立钢轨直线方程；E、通过判断图像上的目标点的坐标是否满足钢轨直线方程，对钢轨进行识别。进一步，步骤A中建立基于深度学习的神经网络模型，包括第一级神经网络模型、第二级神经网络模型和第三级神经网络模型，第一级神经网络模型、第二级神经网络模型和第三级神经网络模型均包括有两个以上的卷积层、最大值池化层和全连接层，卷积层和最大值池化层间隔设置，全连接层均设置于第一级神经网络模型、第二级神经网络模型和第三级神经网络模型的最后层次。进一步，步骤B中根据轨道的图像制作用于对神经网络模型进行训练的训练数据集，包括制作用于训练第一级神经网络模型的第一级训练数据集、制作用于训练第二级神经网络模型的第二级训练数据集和制作用于训练第三级神经网络模型的第三级训练数据集。进一步，制作用于训练第一级神经网络模型的第一级训练数据集，包括以下步骤：B1、沿着图像中轨道的中心线分割图像；B2、对经过分割处理后的图像进行灰度化处理；B3、对经过灰度化处理的图像进行去干扰处理；B4、标定两个目标点在图像中的坐标，经过去干扰处理的图像以及两个目标点在图像中的坐标，即为第一级训练数据集。进一步，制作用于训练第二级神经网络模型的第二级训练数据集，包括以下步骤：B5、以图像中钢轨上的目标点作为中心点，提取正方形小图片；B6、对正方形小图片进行灰度化处理；B7、对经过灰度化处理的正方形小图片进行去干扰处理；B8、标定目标点在正方形小图片中的坐标，经过去干扰处理的正方形小图片以及目标点在正方形小图片中的坐标，即为第二级训练数据集。进一步，制作用于训练第三级神经网络模型的第三级训练数据集的步骤与制作第二级训练数据集的步骤相一致。进一步，步骤C中把训练数据集输入到神经网络模型中对神经网络模型进行训练，得到钢轨上任意目标点的坐标，包括以下步骤：C1、对神经网络模型的权值进行初始化；C2、神经网络模型利用训练数据集进行训练，并输出目标点的坐标；C3、利用误差分析函数对由神经网络模型输出的目标点坐标进行判断，若误差值小于指定值，则停止训练，输出目标点的坐标；若误差值不小于指定值，则转到步骤C2。进一步，步骤D中建立钢轨直线方程，其方程公式为：y＝kx+b其中，y为钢轨上的目标点的纵坐标数值，x为钢轨上的目标点的横坐标数值，k为图片中钢轨的斜率，b为图片中钢轨的截距。本专利技术的有益效果是：一种基于深度学习的钢轨识别方法，通过建立基于深度学习的神经网络模型，利用轨道的图像制作大量的训练数据集，因此在利用训练数据集对神经网络模型进行大量的训练时，能够保证训练的准确性，从而能够准确输出处于钢轨上的目标点的坐标；由于能够精确找到钢轨上任意两个目标点的坐标，结合钢轨的直线特征，因此能够通过钢轨上任意两个目标点的坐标而精确获得钢轨在图像中所呈现的斜线的斜率和截距，从而能够获得表示钢轨的钢轨直线方程。因此，当图像中的目标点的坐标不能够满足钢轨直线方程时，说明该目标点并不在钢轨之上，即该目标点并不属于钢轨；当图像中的目标点的坐标能够满足钢轨直线方程时，说明该目标点处于钢轨之上，即该目标点属于钢轨上的点，从而能够准确对钢轨进行识别。因此，本专利技术的基于深度学习的钢轨识别方法，能够对钢轨上的任意目标点进行准确定位，从而能够准确识别钢轨，实时捕捉钢轨的轨迹，从而能够很好地把钢轨与异物区分开来，从而免去了乘务员攀爬在车厢上的危险行为。附图说明下面结合附图和实例对本专利技术作进一步说明。图1是本专利技术基于深度学习的钢轨识别方法的流程图。具体实施方式参照图1，本专利技术的一种基于深度学习的钢轨识别方法，包括以下步骤：A、建立基于深度学习的神经网络模型；B、根据轨道的图像制作用于对神经网络模型进行训练的训练数据集；C、把训练数据集输入到神经网络模型中对神经网络模型进行训练，得到钢轨上任意目标点的坐标；D、根据钢轨中两个以上的目标点的坐标，建立钢轨直线方程；E、通过判断图像上的目标点的坐标是否满足钢轨直线方程，对钢轨进行识别。具体地，通过建立基于深度学习的神经网络模型，利用轨道的图像制作大量的训练数据集，因此在利用训练数据集对神经网络模型进行大量的训练时，能够保证训练的准确性，从而能够准确输出处于钢轨上的目标点的坐标；由于能够精确找到钢轨上任意两个目标点的坐标，结合钢轨的直线特征，因此能够通过钢轨上任意两个目标点的坐标而精确获得钢轨在图像中所呈现的斜线的斜率和截距，从而能够获得表示钢轨的钢轨直线方程。因此，当图像中的目标点的坐标不能够满足钢轨直线方程时，说明该目标点并不在钢轨之上，即该目标点并不属于钢轨；当图像中的目标点的坐标能够满足钢轨直线方程时，说明该目标点处于钢轨之上，即该目标点属于钢轨上的点，从而能够准确对钢轨进行识别。因此，本专利技术的基于深度学习的钢轨识别方法，能够对钢轨上的任意目标点进行准确定位，从而能够准确识别钢轨，实时捕捉钢轨的轨迹，从而能够很好地把钢轨与异物区分开来，从而免去了乘务员攀爬在车厢上的危险行为。其中，步骤A中建立基于深度学习的神经网络模型，包括第一级神经网络模型、第二级神经网络模型和第三级神经网络模型，第一级神经网络模型、第二级神经网络模型和第三级神经网络模型均包括有两个以上的卷积层、最大值池化层和全连接层，卷积层和最大值池化层间隔设置，全连接层均设置于第一级神经网络模型、第二级神经网络模型和第三级神经网络模型的最后层次。具体地，第一级神经网络模型中的卷积层和最大值池化层均有5个，全连接层有2个，并且卷积层和最大值池化层间隔设置。第二级神经网络模型中的卷积层有6个，最大值池化层有5个，全连接层有2个，并且卷积层和最大值池化层间隔设置。第三级神经网络模型中的卷积层有5个，最大值池化层有4个，全连接层有2个，并且卷积层和最大值池化层间隔设置。由于通过第一级神经网络模型获得的目标点的坐标是模糊的、粗略的，其误差大概为35个像素左右，因此第一级神经网络模型并不能获得精确的目标点的坐标，从而需要使用第二级神经网络本文档来自技高网...

【技术保护点】
一种基于深度学习的钢轨识别方法，其特征在于：包括以下步骤：A、建立基于深度学习的神经网络模型；B、根据轨道的图像制作用于对神经网络模型进行训练的训练数据集；C、把训练数据集输入到神经网络模型中对神经网络模型进行训练，得到钢轨上任意目标点的坐标；D、根据钢轨中两个以上的目标点的坐标，建立钢轨直线方程；E、通过判断图像上的目标点的坐标是否满足钢轨直线方程，对钢轨进行识别。

【技术特征摘要】
1.一种基于深度学习的钢轨识别方法，其特征在于：包括以下步骤：A、建立基于深度学习的神经网络模型；B、根据轨道的图像制作用于对神经网络模型进行训练的训练数据集；C、把训练数据集输入到神经网络模型中对神经网络模型进行训练，得到钢轨上任意目标点的坐标；D、根据钢轨中两个以上的目标点的坐标，建立钢轨直线方程；E、通过判断图像上的目标点的坐标是否满足钢轨直线方程，对钢轨进行识别。2.根据权利要求1所述的一种基于深度学习的钢轨识别方法，其特征在于：所述步骤A中建立基于深度学习的神经网络模型，包括第一级神经网络模型、第二级神经网络模型和第三级神经网络模型，所述第一级神经网络模型、第二级神经网络模型和第三级神经网络模型均包括有两个以上的卷积层、最大值池化层和全连接层，所述卷积层和最大值池化层间隔设置，所述全连接层均设置于所述第一级神经网络模型、第二级神经网络模型和第三级神经网络模型的最后层次。3.根据权利要求2所述的一种基于深度学习的钢轨识别方法，其特征在于：所述步骤B中根据轨道的图像制作用于对神经网络模型进行训练的训练数据集，包括制作用于训练第一级神经网络模型的第一级训练数据集、制作用于训练第二级神经网络模型的第二级训练数据集和制作用于训练第三级神经网络模型的第三级训练数据集。4.根据权利要求3所述的一种基于深度学习的钢轨识别方法，其特征在于：制作用于训练第一级神经网络模型的第一级训练数据集，包括以下步骤：B1、沿着图像中轨道的中心线分割图像；B2、对经过分割处理后的图像进行灰度化处理；B3、对经过灰度化处理的图像进行去干扰处理...

【专利技术属性】
技术研发人员：黄尊地，李鹤喜，常宁，翟玉江，王前选，杨铁牛，何宇，郑声佳，李特特，梁乘玮，梁明辉，吴泽钦，何闯，傅志辉，吴志法，
申请(专利权)人：五邑大学，
类型：发明
国别省市：广东,44