基于深度卷积神经网络的铁路轨道线检测方法技术

基于深度卷积神经网络的铁路轨道线检测方法，包括以下步骤：数据收集及预处理，从包含铁路轨道视频中截取并去除不满足要求的图像；使用标注软件对数据集进行轨道线标记；对标记原图进行网格分割得到缩小后的标记图像；采用水平翻转、亮度变化方式对数据集进行扩充；扩充后的数据集按训练集、验证集和测试集进行划分；构建深度卷积神经网络模型；利用训练集和验证集对神经网络模型进行训练和验证；然后检测测试集中所有图像轨道线；使用轨道线点聚类方法区分左右轨道线；将预测图中所有轨道线点的坐标还原到原图中。本发明专利技术通过将原图均匀分割成许多网格，在标记图中用像素点代替每个网格局部区域的轨道线信息，网格分割法提高了定位速度和准确度。位速度和准确度。位速度和准确度。

【技术实现步骤摘要】
基于深度卷积神经网络的铁路轨道线检测方法


[0001]本专利技术属于图像处理
，具体涉及到一种基于深度卷积神经网络的铁路轨道线检测方法。

技术介绍

[0002]改革开放四十年，中国经济实现了跨越式发展，中国铁路也得到快速发展，取得了举世瞩目的成就，尤其是近年来中国高铁的快速发展，更是给中国经济带来了前所未有的新机遇。高速列车具有速度快、能耗低、运力大、安全等诸多优势，随着列车运行速度的提高，安全性越来越受到人们的重视，而铁路轨道异物侵限严重影响列车运行，不仅可能中断铁路交通正常运行，破坏铁路轨道和列车，还可能会危害到人民生命和财产安全，给国家和人民带来严重损失，及时清除铁路轨道侵限异物，保障列车安全运行势在必行。
[0003]铁路线周围区域背景信息复杂，包括钢轨固定扣件、枕木、道砟和应答器等众多设施设备，更有阴影、光照等变化因素，导致当前处理算法在精确度和鲁棒性方面性能不高。。目前对于铁路轨道线检测的研究较少，但是对汽车行驶的车道线检测的研究较多。传统检测方式和基于神经网络的检测方式已经能够很好的检测车道线，但对于铁路轨道线检测来说，车道线检测方法的速度慢，无法适应高速行驶的列车。

技术实现思路

[0004]本专利技术要解决的技术问题在于提供一种基于深度卷积神经网络的铁路轨道线检测方法，通过利用像素点代替局部区域的轨道线信息，最后采用聚类方法区分左右轨道线，该方法解决了现有技术中存在的问题。
[0005]为了解决上述技术问题，本专利技术通过以下方式来实现：
[0006]一种基于深度卷积神经网络的铁路轨道线检测方法，具体包括以下步骤：
[0007]S1：数据收集及预处理，从录制铁路轨道视频中截取图像，并去除不满足要求的图像；
[0008]S2：数据标记，使用数据标注软件labelme对数据集进行轨道线标记；
[0009]S3：标记图像网格分割，将真实标记图像进行网格分割，标记图像从1000*1000大小转变为50*50大小；
[0010]S4：数据扩充，采用水平翻转、亮度变化方式对数据集进行扩充；
[0011]S5：对数据扩充后的数据集按照训练集占80％、验证集占10％和测试集占10％进行划分；
[0012]S6：构建用于轨道线检测的深度卷积神经网络模型；
[0013]S7：利用训练集和验证集对步骤S6的神经网络模型进行训练和验证；
[0014]S8：利用步骤S7训练和验证后的神经网络模型，检测测试集中所有图像的轨道线；
[0015]S9：使用轨道线点聚类方法区分左右轨道线；
[0016]S10：将预测图中的所有轨道线点的坐标还原到原图中。
[0017]与现有技术相比，本专利技术具有的有益效果：
[0018]本专利技术通过将原图标记均匀分割成许多网格，再用像素点代替每个网格局部区域的轨道线信息，相比原始图像逐像素点分割，该方法提高了定位速度；相比于多次曲线去拟合轨道线，该方法提高了精度。铁路轨道线检测有利于划定铁路轨道线侵限区域，有利于对铁路轨道异物侵限进行智能检测判断，提高列车行驶的安全性，避免轨道异物侵限造成的生命财产损失。
附图说明
[0019]图1为本专利技术的轨道线检测流程示意图。
[0020]图2为本专利技术的真实标注图的网格分割示意图。
[0021]图3为本专利技术的深度卷积神经网络的结构示意图。
[0022]图4为本专利技术中已聚类轨道线点集合的距离及角度相关性计算示意图。
[0023]图5为本专利技术中模型训练和验证损失曲线示意图。
具体实施方式
[0024]下面结合附图和具体实施例对本专利技术的具体实施方式作进一步详细的说明。
[0025]如图1所示，一种基于深度神经网络的轨道线网格分割检测方法，具体包括以下步骤：
[0026]S1：数据收集及预处理，从录制的铁路轨道线视频中截取图像，并去除不满足要求的图像；
[0027]利用摄像机在铁路轨道上进行视频录制，在采集到多段铁路轨道视频后，通过视频处理软件对视频进行每一秒截取一帧的方式获取原始图像。去除模糊等不满足要求的图像。
[0028]S2：数据标记，使用数据标注软件labelme对数据集进行轨道线标记；
[0029]对每张图像上的轨道线进行标注，标记更多点来体现铁路轨道线本身的直线和弧线形状，然后将这些标记点坐标保存到标签文件中。
[0030]S3：标记图像网格分割，将真实的标记图像进行网格分割，将标记图像从1000*1000大小转变为50*50大小；
[0031]S4：数据扩充，采用水平翻转、亮度变化方式对数据集进行扩充；
[0032]经过数据预处理后，剩下的图像和对应的标签文件，因数据量过小不能达到训练神经网络的要求，结合现实数据的情况采用水平翻转、亮度变化等方式对数据集进行扩充。
[0033]S5：对数据扩充后的数据集按照训练集占80％、验证集占10％和测试集占10％进行划分；
[0034]S6：构建用于轨道线检测的深度卷积神经网络模型；
[0035]S7：利用训练集和验证集对步骤S6的神经网络模型进行训练和验证；
[0036]S8：利用步骤S7训练和验证后的神经网络模型，检测测试集中所有图像的轨道线；
[0037]S9：使用轨道线点聚类方法区分左右轨道线；
[0038]S10：将预测图中的所有轨道线点的坐标还原到原图中。
[0039]本申请专利的轨道线检测方法分为两部分构成，第一部分是采用深度卷积神经网
络模型将图像中列车行驶前方的两条轨道线检测出来；第二部分则采用轨道线点聚类方法将检测出来的两条铁路轨道线区分出左右轨道线。
[0040]采集数据，然后标注数据之后，需要对原标记图像进行处理，缩小原标记图像大小。如图2所示，对于原始标注图像C
ij
,1≤i≤1000；1≤j≤1000，从水平方向和垂直方向分别划分为50等分，这样生成50*50个网格。对于每一个网格，存在20*20的像素，输出缩小后的标记图像T
hw
,1≤h≤50,1≤w≤50，其中每个像素的取值如下：
[0041][0042]图2(a)是原标记图像中有轨道线点超过10个的情况，缩小为一个轨道线点；图2(b)是原标记图中轨道线点少于10个情况，缩小为一个非轨道线点。
[0043]如图3所示，深度卷积神经网络模型主体由卷积层、池化层、归一化层以及激活层所组成；其中ConvBlock是一个由3*3卷积、BatchNorm2D归一化和LekyRelu激活构成的模块。
[0044]每次进行ConvBlock操作可以改变输出结果的通道数，多次ConvBlock操作使得输入数据的通道数由3增长到256再减少到1，输入图像大小为800*800，通道数为3，卷积过程采用填充方式不改变图像大小。在每次经过最大池化层操作后图像大小变为原来的一半，最终经过4次池化操作输出层图像大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络的铁路轨道线检测方法，其特征在于：具体包括以下步骤：S1：数据收集及预处理，从录制的铁路轨道视频中截取图像，并去除不满足要求的图像；S2：数据标记，使用数据标注软件labelme对数据集进行轨道线标记；S3：对标记图像网格分割，将真实的标记图像进行网格分割，将标记图像从1000*1000大小转变为50*50大小；S4：数据扩充，采用水平翻转、亮度变化方式对数据集进行扩充；S5：对扩充后的数据集按照训练集占80％、验证集占10％和测试集占10％进行划分；S6：构建用于轨道线检测的深度卷积神经网络模型；S7：利用训练集和验证集对步骤S6的神经网络模型进行训练和验证；S8：利用步骤S7训练和验证后的神经网络模型，检测测试集中所有图像的轨道线；S9：使用轨道线点聚类方法区分左右轨道线；S10：将预测图中的所有轨道线点的坐标还原到原图中。2.如权利要求1所述的一种基于深度卷积神经网络的铁路轨道线检测方法，其特征在于：所述步骤S3中具体方法如下：对于原始标注图像C
ij
,1≤i≤1000；1≤j≤1000，从水平方向和垂直方向分别等分50等分，这样生成50*50个网格，对于每一个网格，存在20*20的像素，输出缩小后的标记图像T
hw
,1≤h≤50,1≤w≤50，其中每个像素的取值如下：3.如权利要求1所述的一种基于深度卷积神经网络的铁路轨道线检测方法，其特征在于：所述步骤S6中深度卷积神经网络模型主体由卷积层、池化层、归一化层以及激活层所组成，其中ConvBlock是一个由3*3卷积、BatchNorm2D归一化和LekyRelu激活构成的模块；每次进行ConvBlock操作可以改变输出结果的通道数，多次ConvBlock操作使得输入数据的通道数由3增长到256再减少到1，输入图像大小为800*800，通道数为3，卷积过程采用填充方式不改变图像大小，在每次经过最大池化层操作后图像大小变为原来的一半，最终经过4次池化操作输出层图像大小为50*50，通道数为1，每个像素点是概率点，代表原始图像每个20*20大小网格区域内...

【专利技术属性】
技术研发人员：郑伯川，曾祥银，
申请(专利权)人：西华师范大学，
类型：发明
国别省市：