【技术实现步骤摘要】
基于二值化卷积神经网络的铁路调车信号灯检测方法及系统
本专利技术涉及图像检测领域，具体来说是一种基于二值化卷积神经网络的铁路调车信号灯检测方法及系统。
技术介绍
我国铁路发展迅速，每年的列车货运量呈持续上涨。在铁路迅速发展的大环境下，铁路调车事故却频频发生，造成了惨重的生命、经济损失和严重的社会影响，铁路发生的调车事故件数占全部行车事故总件数的半数以上，其中最主要的原因就是乘务员对信号灯状态的人工误判。卷积神经网络的在计算机视觉领域极大地推动了任务的发展，卷积神经网络在物体识别和检测领域展现了其可靠的性能，已经被用于现实世界的应用中。与此同时，使用大量的图像资源训练神经网络模型也是计算机视觉领域快速发展的关键因素之一。现有的很多基于不同任务的深度神经网络在部署在服务器上取得了很好的效果。基于全精度CNN的识别系统需要大量的内存和计算资源，但它们通常不适用于手机和嵌入式电子设备等较小的设备。
技术实现思路
本专利技术所要解决的技术问题在于如何。本专利技术通过以下技术手段实现解决上述技术问题的...
【技术保护点】
1.基于二值化卷积神经网络的铁路调车信号灯检测方法，其特征在于：包括以下步骤：/nS1.数据集准备，收集列车行驶时获取的车头前方视频，然后将视频裁剪成设定大小的图片，人工筛选含有目标的图片，得到目标图片；然后将目标图片按照蓝灯和白灯的设定比例分为训练集和测试集；/nS2.网络构建，利用训练集构建二值卷积神经网络框架；/nS3.网络训练，通过测试集，使用二值化的方法训练二值化卷积神经网络，得到目标网络；/nS4.网络运行，利用目标网络对铁路调车信号灯进行实时目标检测。/n
【技术特征摘要】
1.基于二值化卷积神经网络的铁路调车信号灯检测方法，其特征在于：包括以下步骤：
S1.数据集准备，收集列车行驶时获取的车头前方视频，然后将视频裁剪成设定大小的图片，人工筛选含有目标的图片，得到目标图片；然后将目标图片按照蓝灯和白灯的设定比例分为训练集和测试集；
S2.网络构建，利用训练集构建二值卷积神经网络框架；
S3.网络训练，通过测试集，使用二值化的方法训练二值化卷积神经网络，得到目标网络；
S4.网络运行，利用目标网络对铁路调车信号灯进行实时目标检测。
2.根据权利要求1所述的基于二值化卷积神经网络的铁路调车信号灯检测方法，其特征在于：所述步骤S1具体为：
S11.数据收集，将摄像头置于机车车头获取视频，以设定帧速率对采集的视频进行剪裁，人工筛选含有目标(信号灯)的图片，最终得到设定量含有信号灯的照片；
S12.训练集及测试集的制作，对所述照片进行人为目标检测标注，以19:1的蓝灯和白灯比例将照片分为训练集和测试集。
3.根据权利要求1所述的基于二值化卷积神经网络的铁路调车信号灯检测方法，其特征在于：所述步骤S2中二值化卷积神经网络框架具体为：首先基于卷积神经网络的二值化卷积神经网络产生特征图，并使用9个候选框提取区域预测框，最后使用非极大值抑制筛选出最精确的包含信号灯及识别结果的目标预测框，其中，模型前端使用残差网络提取特征，后端通过卷积生成不同大小的特征图，卷积层按照大小分为两种尺度。
4.根据权利要求1所述的基于二值化卷积神经网络的铁路调车信号灯检测方法，其特征在于：所述步骤S3具体为：采用确定方法对卷积层参数进行二值化操作：
其中w为实值权重，Wb为二值化后的权重，二值化后的权重只有‘+1’，‘-1’两个值；
为了限制卷积神经网络具有二值化的权重，本实施例使用二值卷积核以及一个尺度参数来近似代替原来的卷积核，根据式(2)进行二值化操作：
其中A*W表示一个卷积层的运算，A表示输入，维度是c×win×hin，W表示卷积核，维度是c×w×h，C为二值卷积核，k为尺度参数，为没有乘法的卷积计算。
为满足式(2)，A和k应取得最优值：
A*＝argmax{WTA}s.tA∈{+1,-1}n式(3)
即：A*＝sign(W)式(4)
其中A*为A的最优解，k*为k的最优解，||W||l1表示L1范数。
5.根据权利要求4所述的基于二值化卷积神经网络的铁路调车信号灯检测方法，其特征在于：所述步骤S3具体为：训练二值化卷积神经网络过程中，仅在前向传播和后向传播中对权值进行二值化，前向传播第一次的时候使用二值化，反向传播和参数更新期间不进行二值化，使用的是全精度值；反向梯度公式如下式：
<...
【专利技术属性】
技术研发人员：蔡永斌，朱玉虎，卫星，李百奇，盛典墨，洪予晨，
申请(专利权)人：合肥飞扬机电有限公司，
类型：发明
国别省市：安徽;34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。