【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 ...
【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
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。