一种基于深度学习的图片检测方法及系统技术方案

本申请实施例公开了一种基于深度学习的图片检测方法和系统，通过图片检测系统自动读取硬盘存储介质上的轨道交通的图像数据；所述图片检测系统将所述图像数据输入至预先训练好的深度学习网络模型，使用GPU进行分析，以使得深度学习网络模型各层对输入图像进行卷积处理和采样过滤，提取出输入图像的特征，将检测到的输入图像的异常区域确定为目标区域；由尺寸大小不同的检测框分析目标区域的位置和置信度，在原图上标注缺陷类型和置信度；CPU将输出结果保存至数据库和本地指定路径，并发送至前端进行结果统计和可视化处理。解决轨道交通运维环节产生的海量图像数据分析需求，提升工作效率与智能化水平。

【技术实现步骤摘要】
一种基于深度学习的图片检测方法及系统
本申请实施例涉及智能交通
，具体涉及一种基于深度学习的图片检测方法及系统。
技术介绍
轨道交通是指运营车辆需要在特定轨道上行驶的一类交通工具或运输系统。最典型的轨道交通就是由传统火车和标准铁路所组成的铁路系统。随着火车和铁路技术的多元化发展，轨道交通呈现出越来越多的类型，不仅遍布于长距离的陆地运输，也广泛运用于中短距离的城市公共交通中。常见的轨道交通有传统铁路(国家铁路、城际铁路和市域铁路)、地铁、轻轨和有轨电车，新型轨道交通有磁悬浮轨道系统、单轨系统(跨座式轨道系统和悬挂式轨道系统)和旅客自动捷运系统等。随着我国轨道交通里程数不断增加，对相应基础设施的检测和维护需求也在持续扩大。轨道交通系统采用了大量的固定或者移动式视频、图像采集装置来获取轨道及其周边设施的日常状态。这一类视频、图像采集装置每天都会产生大量的数据。如何高效的从海量数据中获取那些反映设备外观缺陷、异常的图像及视频，对轨道交通系统的安全稳定运行有着十分重要的意义。事实上，轨道交通系统中，对这些海量图像数据的利用十分有限，大部分海本文档来自技高网...

【技术保护点】
1.一种基于深度学习的图片检测方法，其特征在于，所述方法包括：/n图片检测系统自动读取硬盘存储介质上的轨道交通的图像数据；/n所述图片检测系统将所述图像数据输入至预先训练好的深度学习网络模型，使用GPU进行分析，以使得深度学习网络模型各层对输入图像进行卷积处理和采样过滤，提取出输入图像的特征，将检测到的输入图像的异常区域确定为目标区域；/n由尺寸大小不同的检测框分析目标区域的位置和置信度，在原图上标注缺陷类型和置信度，作为输出结果输入到CPU；所述检测框为所述深度学习网络模型在推理完一帧图像后，显示在推理完的图像上的被识别为异常区域的标注方框；/nCPU将输出结果保存至数据库和本地指定路径，并...

【技术特征摘要】
1.一种基于深度学习的图片检测方法，其特征在于，所述方法包括：
图片检测系统自动读取硬盘存储介质上的轨道交通的图像数据；
所述图片检测系统将所述图像数据输入至预先训练好的深度学习网络模型，使用GPU进行分析，以使得深度学习网络模型各层对输入图像进行卷积处理和采样过滤，提取出输入图像的特征，将检测到的输入图像的异常区域确定为目标区域；
由尺寸大小不同的检测框分析目标区域的位置和置信度，在原图上标注缺陷类型和置信度，作为输出结果输入到CPU；所述检测框为所述深度学习网络模型在推理完一帧图像后，显示在推理完的图像上的被识别为异常区域的标注方框；
CPU将输出结果保存至数据库和本地指定路径，并发送至前端进行结果统计和可视化处理，以使得在前端界面实时查看检测结果和所有图像检测的统计结果。


2.如权利要求1所述的方法，其特征在于，所述图片检测系统将所述图像数据输入至预先训练好的深度学习网络模型，使用GPU进行分析，包括：
将所述图像数据输入至预先训练好的深度学习网络模型，利用多个GPU并行处理分析多个图像数据。


3.如权利要求1所述的方法，其特征在于，所述方法还包括：在所述异常区域上会用不同颜色的标注框指示出异常位置，所述图片检测系统自动在同级目录下另存异常图像原图目录和异常图像标注图目录，以便于用户查找比对。


4.如权利要求1所述的方法，其特征在于，所述输入图像的异常区域是根据基建墙、路面水泥表面裂纹、剥落、交通沿线设备零部件异常状态、非正常位置的用户预定义情况中的一种或多种确定的。


5.一种基于深度学习的图片检测系统，其特征在于，所述系统包括：
数据读取模块，用于自动读取硬盘存储介质上的轨道交通的图像数据；
图片智能检测模块，用于将所述图像数据输入至预先训练好的深...

【专利技术属性】
技术研发人员：瞿翊，徐浪，
申请(专利权)人：燊赛上海智能科技有限公司，
类型：发明
国别省市：上海;31