深度学习技术在车站列车运行监测预警系统的应用技术方案

本发明专利技术提供了深度学习技术在车站列车运行监测预警系统的应用，涉及图像检测识别技术领域，首先，采集输入图像并进行滤波；其次，提取图像纹理，获得纹理区域，对图像进行二值化，修补纹理；再次，提取车门纹理，建立车门样本空间，并对其进行聚类；然后，识别车门位置，判定车门状态，获取车门开启区域，将车门开启区域图像传送至深度学习服务器；最后，深度学习服务器对图像进行前向传播计算，将计算结果回传并输出，同时输出报警结果。该技术方案采用计算机视觉算法与神经网络二次检测技术相结合，实现了列车车门状态识别，提高了识别率和准确率，缩短了平均检测时间，从而缓解了现有技术存在的列车车门状态识别率低，准确率低的技术问题。

Application of Deep Learning Technology in Railway Station Operation Monitoring and Early Warning System

The invention provides the application of in-depth learning technology in train operation monitoring and early warning system of railway station, which involves the field of image detection and recognition technology. Firstly, the input image is collected and filtered; secondly, the image texture is extracted, the texture area is obtained, the image is binarized and the texture is repaired; thirdly, the door texture is extracted, the sample space of the door is established and clustered; Then, the position of the door is identified, the state of the door is determined, the open area of the door is acquired, and the image of the open area is transmitted to the depth learning server. Finally, the depth learning server calculates the forward propagation of the image, and transmits the calculation results back and outputs the alarm results at the same time. The technical scheme combines computer vision algorithm with neural network secondary detection technology, realizes the train door status recognition, improves the recognition rate and accuracy, shortens the average detection time, and alleviates the technical problems of low recognition rate and low accuracy of train door status existing in the existing technology.

【技术实现步骤摘要】
深度学习技术在车站列车运行监测预警系统的应用
本专利技术涉及图像检测识别
，尤其是涉及深度学习技术在车站列车运行监测预警系统的应用。
技术介绍
目前，货车车门保持关闭是保证铁路运行安全和货物安全的重要措施。列车运行是在动态状态下的，如果车门未正常关闭则容易引发货物蹿出，或由于气流涌入导致车厢内货物滚动、倾覆或者坠落。用货车运输货物时，容易出现车门开启的安全隐患，因此，保持车门关闭是列车行车安全中最为基础的安全防护手段之一。在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：现阶段对于车门开启的检测识别只能通过人工检视的方式进行隐患排除，不仅需要很多的人力，增加了工作量，且常常由于列车运行速度过快，容易导致人体的视觉疲劳，进而出现漏检的情况，现有技术无法对列车运行时的车门状态进行快速识别。因此，现有技术存在列车车门状态识别率低，准确率低的技术问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供深度学习技术在车站列车运行监测预警系统的应用，以缓解现有技术存在的列车车门状态识别率低，准确率低的技术问题。本专利技术实施例提供了深度学习技术在车站列车运行监测预警系统的应用，包括如下步骤：通过线阵相机或面阵相机采集输入图像；对输入图像进行滤波；基于完成滤波的图像的横向相似度提取图像纹理，获得纹理区域；利用纹理区域对图像进行二值化；对完成二值化的图像进行纹理修补；对完成纹理修补后的纹理区域进行车门纹理提取；建立车门样本空间，基于K-Means分类方法对车门样本空间进行聚类；识别车门位置，判定车门状态；当车门状态为开启时，获取车门开启区域，将车门开启区域的图像传送至深度学习服务器，当传输失败时，输出报警结果；深度学习服务器采用深度神经网络模型对图像进行前向传播计算；将深度学习服务器生成的计算结果回传并输出。进一步的，本专利技术实施例提供的深度学习技术在车站列车运行监测预警系统的应用中，对输入图像进行滤波，具体为：采用高斯滤波器对输入图像进行卷积平滑处理。进一步的，本专利技术实施例提供的深度学习技术在车站列车运行监测预警系统的应用中，基于完成滤波的图像的横向相似度提取图像纹理，获得纹理区域，具体为：对于完成滤波的图像中的点f(xi,yi)若满足：给定一个d0∈[dmin,∞]，及x0∈R，对于所有的xi∈[x0,x0+d0]均有则图像区域R中的区域S(xi,yi)，xi∈[x0,x0+d0]为图像的纹理区域；其中，R为图像区域，dmin为预设的纹理最短长度，T1为x方向的差分阈值，T2为y方向的差分阈值。进一步的，本专利技术实施例提供的深度学习技术在车站列车运行监测预警系统的应用中，对完成二值化的图像进行纹理修补，具体为：将二值化后的图像区域进行x方向的闭运算。进一步的，本专利技术实施例提供的深度学习技术在车站列车运行监测预警系统的应用中，对完成纹理修补后的纹理区域进行车门纹理提取，具体为：对于修补后纹理区域S(xi,yi)，xi∈[x0,x0+d1]，若满足d1∈[lmin,lmax]，则认为S(xi,yi)处于车门区域；其中，lmin、lmax分别为车门纹理长度最小经验阈值和车门纹理长度最大经验阈值。进一步的，本专利技术实施例提供的深度学习技术在车站列车运行监测预警系统的应用中，建立车门样本空间，基于K-Means分类方法对车门样本空间进行聚类，具体为：建立样本空间：对于提取完毕的车门区域纹理S(xi,yi)，xi∈[x0,x0+d1]，其中，x0表示车门的左侧边缘坐标，x0+d1表示车门的右侧边缘坐标；根据左侧边缘坐标建立左侧车门样本空间，根据右侧边缘坐标建立右侧车门样本空间；进行样本聚类：设定左侧车门样本空间和右侧车门样本空间的聚类数量为2，分别选取两个样本空间中的最大值和最小值作为聚类中心；判断聚类是否收敛；收敛标准为类间方差和其中，Si为此聚类的样本空间，ci为聚类中心，D0为方差经验阈值；且Si中样本数量大于给定值的样本数量N0；设定聚类空间的半径ri≤r0，r0为半径经验阈值；计算相邻两次迭代的类间方差和的差值，当差值小于给定值ε0，且不满足收敛标准时，则判定此样本空间中存在噪声，将与聚类中心ci距离最大的样本剔除并重新进行样本聚类。进一步的，本专利技术实施例提供的深度学习技术在车站列车运行监测预警系统的应用中，识别车门位置，判定车门状态，具体为：根据车门样本空间聚类得到的左侧车门坐标和右侧车门坐标，计算左侧车门的右坐标和右侧车门的左坐标的差值，将差值与车门缝隙经验阈值相比较，当差值不大于车门缝隙经验阈值时，判定车门为关闭状态，否则，判定车门为开启状态。进一步的，本专利技术实施例提供的深度学习技术在车站列车运行监测预警系统的应用中，深度神经网络模型包括：卷积层、池化层和全连接层，深度神经网络模型输出结果为二维向量，并对二维向量进行softmax计算，得到车门状态的概率形式。进一步的，本专利技术实施例提供的深度学习技术在车站列车运行监测预警系统的应用中，深度神经网络模型训练时的神经网络损失函数L为L(Yf(x))＝(Y-f(x))2，反向传播学习率设定为0.001。进一步的，本专利技术实施例提供的深度学习技术在车站列车运行监测预警系统的应用中，还包括对深度神经网络模型在训练时进行参数正则化，正则化方式为：l1-norm，即损失函数L’为L'(Yf(x))＝(Y-f(x))2+α||ω1。本专利技术实施例带来了以下有益效果：本专利技术实施例所提供的深度学习技术在车站列车运行监测预警系统的应用，首先，通过线阵相机或面阵相机采集输入图像，对输入图像进行滤波；其次，基于完成滤波的图像的横向相似度提取图像纹理，获得纹理区域，利用纹理区域对图像进行二值化，对完成二值化的图像进行纹理修补；再次，对完成纹理修补后的纹理区域进行车门纹理提取，建立车门样本空间，基于K-Means分类方法对车门样本空间进行聚类；然后，识别车门位置，判定车门状态，当车门状态为开启时，获取车门开启区域，将车门开启区域的图像传送至深度学习服务器，当传输失败时，输出报警结果；最后，深度学习服务器采用深度神经网络模型对图像进行前向传播计算，将深度学习服务器生成的计算结果回传并输出。该技术方案采用计算机视觉算法与神经网络二次检测技术相结合，实现了列车多种运行状态下的车门状态识别，提高了车门状态识别的识别率和准确率，降低了状态识别的误报率，缩短了单节车厢的平均检测时间，提高了列车车门识别的效率，从而缓解了现有技术存在的列车车门状态识别率低，准确率低的技术问题。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的深度学习技术在车站列车运行监测预警系统的应用的流程图；图2为本专利技术实施例提供的深度学习技术在车站列车运行监测预警系统的应用中，S1的状态输出示意图；图3为本专利技术实施例提供的深度学习技术在车站列车运行监测预警系统的应用中，S4的状态输出示意图；本文档来自技高网...

【技术保护点】
1.深度学习技术在车站列车运行监测预警系统的应用，其特征在于，包括如下步骤：通过线阵相机或面阵相机采集输入图像；对所述输入图像进行滤波；基于完成滤波的图像的横向相似度提取图像纹理，获得纹理区域；利用所述纹理区域对图像进行二值化；对完成二值化的图像进行纹理修补；对完成纹理修补后的纹理区域进行车门纹理提取；建立车门样本空间，基于K‑Means分类方法对车门样本空间进行聚类；识别车门位置，判定车门状态；当车门状态为开启时，获取车门开启区域，将车门开启区域的图像传送至深度学习服务器，当传输失败时，输出报警结果；深度学习服务器采用深度神经网络模型对图像进行前向传播计算；将深度学习服务器生成的计算结果回传并输出。

【技术特征摘要】
1.深度学习技术在车站列车运行监测预警系统的应用，其特征在于，包括如下步骤：通过线阵相机或面阵相机采集输入图像；对所述输入图像进行滤波；基于完成滤波的图像的横向相似度提取图像纹理，获得纹理区域；利用所述纹理区域对图像进行二值化；对完成二值化的图像进行纹理修补；对完成纹理修补后的纹理区域进行车门纹理提取；建立车门样本空间，基于K-Means分类方法对车门样本空间进行聚类；识别车门位置，判定车门状态；当车门状态为开启时，获取车门开启区域，将车门开启区域的图像传送至深度学习服务器，当传输失败时，输出报警结果；深度学习服务器采用深度神经网络模型对图像进行前向传播计算；将深度学习服务器生成的计算结果回传并输出。2.根据权利要求1所述的应用，其特征在于，所述对所述输入图像进行滤波，具体为：采用高斯滤波器对所述输入图像进行卷积平滑处理。3.根据权利要求1所述的应用，其特征在于，所述基于完成滤波的图像的横向相似度提取图像纹理，获得纹理区域，具体为：对于完成滤波的图像中的点f(xi,yi)若满足：给定一个d0∈[dmin,∞]，及x0∈R，对于所有的xi∈[x0,x0+d0]均有则图像区域R中的区域S(xi,yi)，xi∈[x0,x0+d0]为图像的纹理区域；其中，R为图像区域，dmin为预设的纹理最短长度，T1为x方向的差分阈值，T2为y方向的差分阈值。4.根据权利要求1所述的应用，其特征在于，所述对完成二值化的图像进行纹理修补，具体为：将二值化后的图像区域进行x方向的闭运算。5.根据权利要求1所述的应用，其特征在于，所述对完成纹理修补后的纹理区域进行车门纹理提取，具体为：对于修补后纹理区域S(xi,yi)，xi∈[x0,x0+d1]，若满足d1∈[lmin,lmax]，则认为S(xi,yi)处于车门区域；其中，lmin、lmax分别为车门纹理长度最小经验阈值和车门纹理长度最大经验阈值。6.根据权利要求1所述的应用，其特征在于...

【专利技术属性】
技术研发人员：洑云海，徐伟，王俊刚，滑志勇，胡洪磊，雷声，
申请(专利权)人：中国铁道科学研究院集团有限公司，中国铁路北京局集团有限公司，天津光电高斯通信工程技术股份有限公司，
类型：发明
国别省市：北京,11