基于深度学习的入侵物识别方法、装置及电子设备制造方法及图纸

一种基于深度学习的入侵物识别方法、装置及电子设备，属于数据处理技术领域，该方法包括：设置多个用于采集包含轨道图像的图像采集设备；设置与所述多个用于采集包含轨道图像的图像采集设备通信连接的网络服务器；将用于深度学习的神经网络切分为第一部分和第二部分，通过所述网络服务器在将神经网络的第一部分下发到图像采集设备上运行，将第二部分设置在所述网络服务器上运行；在图像采集设备采集到采集轨道视野内的图像序列之后，利用网络服务器中神经网络的第二部分依据所述特征矩阵集合，判断轨道视野内是否存在异物存在。通过本公开的处理方案，能够有效的对侵入的异物进行检测和监控。

【技术实现步骤摘要】
基于深度学习的入侵物识别方法、装置及电子设备
本公开涉及数据处理
，尤其涉及一种基于深度学习的入侵物识别方法、装置及电子设备。
技术介绍
轨道交通作为重要的运输方式，通常具有需要经历较多的地理环境，所处地理环境差异很大，特别是一些环境恶劣的地区，侵入轨道交通线路限界内的异物主要有：倒塌的大树，大风在轨道上形成的沙上道，泥石流堆积在轨道上，山上滚下来的石块。传统的方式是通过人工巡检铁路的方式来进行，但是人工巡检的方式一方面消耗较多的人力资源，同时也会导致效率较低，影响了铁路异物检测的及时性和成本。现有技术中还存在通过摄像头对铁路进行巡检的方案，但是通过摄像头摄像的方式，仍然需要人工对获取的摄像图像进行辨认，由于人工经验的差异，会导致图像辨认的效率较低。
技术实现思路
有鉴于此，本公开实施例提供一种基于深度学习的入侵物识别方法、装置及电子设备，以至少部分解决现有技术中存在的问题。第一方面，本公开实施例提供了一种基于深度学习的入侵物识别方法，包括：在轨道两侧按照预设的距离间隔，设置多个用于采集包含轨道图像的图像采集设备，用以在预设时间段内采集轨道视野内的图像序列；设置与所述多个用于采集包含轨道图像的图像采集设备通信连接的网络服务器，使得所述网络服务器能够基于不同图像采集设备的ID从不同的图像采集设备上获取采集到的图像信息，并向不同的图像采集设备下发控制指令；将用于深度学习的神经网络切分为第一部分和第二部分，通过所述网络服务器在将神经网络的第一部分下发到图像采集设备上运行，将第二部分设置在所述网络服务器上运行；在图像采集设备采集到轨道视野内的图像序列之后，利用所述神经网络的第一部分对所述图像序列进行特征提取，得到与所述图像序列对应的特征矩阵集合，并将所述特征矩阵集合传送至所述网络服务器中，以便于所述网络服务器中神经网络的第二部分依据所述特征矩阵集合，判断轨道视野内是否存在异物存在。根据本公开实施例的一种具体实现方式，所述设置多个用于采集包含轨道图像的图像采集设备，用以在预设时间段内采集轨道视野内的图像序列，包括：获取预先设置的图像采样频率和预设时间段的起始时间和终止时间；基于所述图像采样频率在起始时间和终止时间构成的时间段内进行图像采集；基于起始时间和终止时间构成的时间段内采集到的图像，形成预设时间段内轨道视野内的图像序列。根据本公开实施例的一种具体实现方式，所述基于起始时间和终止时间构成的时间段内采集到的图像，形成预设时间段内轨道视野内的图像序列，包括：判断当前采集的图像与上一个图像之间的相似度是否大于预设值；若是，则在所述图像序列中不保存当前采集的图像。根据本公开实施例的一种具体实现方式，所述设置与所述多个用于采集包含轨道图像的图像采集设备通信连接的网络服务器，包括：在所述网络服务器中设置用于控制图像采集设备的应用程序；基于所述应用程序，控制所述图像采集设备在预设时间段内进行图像采集；在所述图像采集设备完成图像采集之后，通过所述网络服务器对所述图像采集设备之间的带宽进行测试；当所述带宽满足要求时，控制所述图像采集设备将图像序列中的图像与特征矩阵集合一起发送至网络服务器。根据本公开实施例的一种具体实现方式，所述将用于深度学习的神经网络切分为第一部分和第二部分，包括：将所述神经网络中包含的卷积层设置为第一部分，以便于基于第一部分进行图像的特征采集。根据本公开实施例的一种具体实现方式，所述将用于深度学习的神经网络切分为第一部分和第二部分，包括：将所述神经网络中包含的全连接层设置为第二部分，以便于基于第二部分对采集到的图像进行特征分类。根据本公开实施例的一种具体实现方式，所述网络服务器中神经网络的第二部分依据所述特征矩阵集合，判断轨道视野内是否存在异物存在，包括：对所述特征矩阵集合中的数值进行分类计算，得到分类预估值；基于所述分类预估值，判断采集到的包含轨道图像的图像中物体的分类，得到分类结果；判断所述分类结果是否为已知分类中包含的分类；若否，则判定采集到的包含轨道图像的图像中的物体为侵入的异物。根据本公开实施例的一种具体实现方式，所述在预设时间段内采集轨道视野内的图像序列，包括：利用所述图像采集设备在预设位置拍摄备选图像；对所述备选图像进行目标对象检测，得到目标检测对象集合；将所述目标检测对象集合中的对象与预设目标对象集合进行比对，判断是否存在所述预设目标对象集合中不存在的目标对象；若不存在，则将所述备选图像设置为所述背景图像；分别对所述背景图像和所述图像序列中的图像进行边缘检测，得到多个具有封闭曲线的对象；基于所述背景图像中轨道图像的封闭曲线为基准点，查找图像序列中与背景图像中的封闭曲线相似的对象，形成相似对象集合；将所述相似对象集合中的对象所对应的图像在图像序列中执行删除操作，作为最终得到的图像序列。第二方面，本公开实施例提供了一种基于深度学习的入侵物识别装置，包括：采集模块，用于在轨道两侧按照预设的距离间隔，设置多个用于采集包含轨道图像的图像采集设备，用以在预设时间段内采集轨道视野内的图像序列；设置模块，用于设置与所述多个用于采集包含轨道图像的图像采集设备通信连接的网络服务器，使得所述网络服务器能够基于不同图像采集设备的ID从不同的图像采集设备上获取采集到的图像信息，并向不同的图像采集设备下发控制指令；切分模块，用于将用于深度学习的神经网络切分为第一部分和第二部分，通过所述网络服务器在将神经网络的第一部分下发到图像采集设备上运行，将第二部分设置在所述网络服务器上运行；执行模块，用于在图像采集设备采集到轨道视野内的图像序列之后，利用所述神经网络的第一部分对所述图像序列进行特征提取，得到与所述图像序列对应的特征矩阵集合，并将所述特征矩阵集合传送至所述网络服务器中，以便于所述网络服务器中神经网络的第二部分依据所述特征矩阵集合，判断轨道视野内是否存在异物存在。第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：至少一个处理器；以及，与该至少一个处理器通信连接的存储器；其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于深度学习的入侵物识别方法。第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的基于深度学习的入侵物识别方法。第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的基于深本文档来自技高网...

【技术保护点】
1.一种基于深度学习的入侵物识别方法，其特征在于，包括：/n在轨道两侧按照预设的距离间隔，设置多个用于采集包含轨道图像的图像采集设备，用以在预设时间段内采集轨道视野内的图像序列；/n设置与所述多个用于采集包含轨道图像的图像采集设备通信连接的网络服务器，使得所述网络服务器能够基于不同图像采集设备的ID从不同的图像采集设备上获取采集到的图像信息，并向不同的图像采集设备下发控制指令；/n将用于深度学习的神经网络切分为第一部分和第二部分，通过所述网络服务器在将神经网络的第一部分下发到图像采集设备上运行，将第二部分设置在所述网络服务器上运行；/n在图像采集设备采集到轨道视野内的图像序列之后，利用所述神经网络的第一部分对所述图像序列进行特征提取，得到与所述图像序列对应的特征矩阵集合，并将所述特征矩阵集合传送至所述网络服务器中，以便于所述网络服务器中神经网络的第二部分依据所述特征矩阵集合，判断轨道视野内是否存在异物存在。/n

【技术特征摘要】
1.一种基于深度学习的入侵物识别方法，其特征在于，包括：
在轨道两侧按照预设的距离间隔，设置多个用于采集包含轨道图像的图像采集设备，用以在预设时间段内采集轨道视野内的图像序列；
设置与所述多个用于采集包含轨道图像的图像采集设备通信连接的网络服务器，使得所述网络服务器能够基于不同图像采集设备的ID从不同的图像采集设备上获取采集到的图像信息，并向不同的图像采集设备下发控制指令；
将用于深度学习的神经网络切分为第一部分和第二部分，通过所述网络服务器在将神经网络的第一部分下发到图像采集设备上运行，将第二部分设置在所述网络服务器上运行；
在图像采集设备采集到轨道视野内的图像序列之后，利用所述神经网络的第一部分对所述图像序列进行特征提取，得到与所述图像序列对应的特征矩阵集合，并将所述特征矩阵集合传送至所述网络服务器中，以便于所述网络服务器中神经网络的第二部分依据所述特征矩阵集合，判断轨道视野内是否存在异物存在。


2.根据权利要求1所述的方法，其特征在于，所述设置多个用于采集包含轨道图像的图像采集设备，用以在预设时间段内采集轨道视野内的图像序列，包括：
获取预先设置的图像采样频率和预设时间段的起始时间和终止时间；
基于所述图像采样频率在起始时间和终止时间构成的时间段内进行图像采集；
基于起始时间和终止时间构成的时间段内采集到的图像，形成预设时间段内轨道视野内的图像序列。


3.根据权利要求2所述的方法，其特征在于，所述基于起始时间和终止时间构成的时间段内采集到的图像，形成预设时间段内轨道视野内的图像序列，包括：
判断当前采集的图像与上一个图像之间的相似度是否大于预设值；
若是，则在所述图像序列中不保存当前采集的图像。


4.根据权利要求3所述的方法，其特征在于，所述设置与所述多个用于采集包含轨道图像的图像采集设备通信连接的网络服务器，包括：
在所述网络服务器中设置用于控制图像采集设备的应用程序；
基于所述应用程序，控制所述图像采集设备在预设时间段内进行图像采集；
在所述图像采集设备完成图像采集之后，通过所述网络服务器对所述图像采集设备之间的带宽进行测试；
当所述带宽满足要求时，控制所述图像采集设备将图像序列中的图像与特征矩阵集合一起发送至网络服务器。


5.根据权利要求1所述的方法，其特征在于，所述将用于深度学习的神经网络切分为第一部分和第二部分，包括：
将所述神经网络中包含的卷积层设置为第一部分，以便于基于第一部分进行图像的特征采集。


6.根据权利要求1所述的方法，其特征在于，所述将用于深度学习的神经网络切分为第一部分和第二部分，包括：
将所述神经网络中包含的全连接层设置为第二部分，以便于基于第二部分对采集到的图像进行特征分类。


7.根据权利要求...

【专利技术属性】
技术研发人员：蒋梦，张怀，钟雯清，王鹤，高玉亮，高飞，董建华，丁海友，康秋静，黄玉君，
申请(专利权)人：北京大成国测科技有限公司，北京大成国测视觉技术有限公司，
类型：发明
国别省市：北京;11