一种线路异物的检测方法、装置、设备及存储介质制造方法及图纸

本申请提供一种线路异物的检测方法、装置、设备及存储介质。该方法包括：获取原始视频，该原始视频包括对交通线路进行拍摄得到的至少一帧线路图像；将原始视频输入分割模型，得到原始视频中每帧线路图像的分割图像，该分割模型是根据线路训练图像和标签，对卷积神经网络进行训练得到，且用于对至少一帧线路图像进行图像分割的模型；根据每帧线路图像的分割图像，确定线路图像对应的线路位置是否存在异物。本申请的方法，提高了交通线路异物检测的准确度。

【技术实现步骤摘要】
一种线路异物的检测方法、装置、设备及存储介质
本申请涉及深度学习技术，尤其涉及一种线路异物的检测方法、装置、设备及存储介质。
技术介绍
交通线路上存在异物，可能会引发交通事故，所以交通线路的异物检测对于交通安全非常重要。目前，交通线路的异物检测是在车辆前方或者交通线路的不同路段处安装摄像机，拍摄交通线路的视频。并根据视频中相邻两帧的视频图像进行差分运算，从而确定交通线路上是否存在异物。然而，对视频图像进行差分运算这种检测方式，异物检测的准确度不高。
技术实现思路
本申请提供一种线路异物的检测方法、装置、设备及存储介质，用以解决线路异物检测准确度不高的问题。第一方面，本申请提供一种线路异物的检测方法，包括：获取原始视频，所述原始视频包括对交通线路进行拍摄得到的至少一帧线路图像；将所述原始视频输入分割模型，得到所述原始视频中每帧线路图像的分割图像，所述分割模型是根据线路训练图像和标签，对卷积神经网络进行训练得到，且用于对所述至少一帧线路图像进行图像分割的模型；根据每帧线路图像的分割图像，确定所述线路图像对应的线路位置是否存在异物。第二方面，本申请提供一种分割模型的训练方法，包括：获取线路训练图像，所述线路训练图像对应有标签，所述标签为所述线路训练图像中线路的像素点坐标；根据所述线路训练图像和标签，对卷积神经网络进行迭代训练，得到所述分割模型。第三方面，本申请提供一种线路异物的检测装置，包括：第一获取模块，用于获取原始视频，所述原始视频包括对交通线路进行拍摄得到的至少一帧线路图像；分割模块，用于将所述原始视频输入分割模型，得到所述原始视频中每帧线路图像的分割图像，所述分割模型是根据线路训练图像和标签，对卷积神经网络进行训练得到，且用于对所述至少一帧线路图像进行图像分割的模型；确定模块，用于根据每帧线路图像的分割图像，确定所述线路图像对应的线路位置是否存在异物。第四方面，本申请提供一种分割模型的训练装置，包括：第二获取模块，用于获取线路训练图像，所述线路训练图像对应有标签，所述标签为所述线路训练图像中线路的像素点坐标；训练模块，用于根据所述线路训练图像和标签，对卷积神经网络进行迭代训练，得到所述分割模型。第五方面，本申请提供一种计算机设备，包括：存储器，处理器；存储器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行如第一方面所述的方法；和/或，所述处理器被配置为执行如第二方面所述的方法。第六方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的方法；和/或，所述处理器被配置为执行如第二方面所述的方法。第七方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述的方法；和/或，该计算机程序被处理器执行时实现第二方面所述的方法。本申请提供的线路异物的检测方法、装置、设备及存储介质，通过获取原始视频，该原始视频包括对交通线路进行拍摄得到的至少一帧线路图像，并采用预先训练好的分割模型对每帧线路图像进行图像分割，之后根据图像分割结果确定每帧线路图像中是否包括异物。由于是采用预先训练好的分割模型对每帧线路图像进行图像分割，而分割模型是对线路图像中每个像素点进行分类，因而图像分割结果中能够表达出不同类别的对象，结合交通线路异物检测场景下，仅包括交通线路，或者包括交通线路和异物，就能够很好地检测出交通线路上是否存在异物，从而提高交通线路异物检测的准确度。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。图1为本申请实施例提供的线路异物的检测方法的一种场景示意图；图2为本申请实施例提供的一种线路异物的检测方法的流程图一；图3为本申请实施例提供的一种线路异物的检测方法的流程图二；图4为本申请实施例提供的一种卷积神经网络的架构图；图5为本申请实施例提供的一种线路异物的检测方法的流程图三；图6为本申请实施例提供的不存在异物的轨道线的二值图像的示例图；图7为本申请实施例提供的存在异物的轨道线的二值图像的示例图；图8为本申请实施例提供的一种分割模型的训练方法的流程图四；图9为本申请实施例提供的线路异物的检测装置的结构示意图；图10为本申请实施例提供的分割模型的训练装置的结构示意图；图11为本申请实施例提供的计算机设备的结构示意图；图12为本申请实施例提供的计算机设备的结构示意图。通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。交通线路(TransportLine)是按一定技术标准与规模进行修建，并具备必要运输设施和技术设备，旨在运送各种客货运的交通道路。包括铁路、公路、内河航道、海上航线、空中航线、管道和索道等。广义的还包括城市内部各种交通道路。对于铁路、公路、管道、索道、城市内部各种交通道路这些交通线路，若存在异物，会对车辆通行造成阻碍，严重的甚至会引发交通事故。因此，对交通线路进行异物检测，是交通领域中重要的课题。目前，对交通线路进行异物检测大多是采用帧间差分法。当交通线路上出现异常物体时，相邻的两帧视频图像之间会出现较为明显的差别，两帧视频图像相减，得到两帧图像的灰度差值，根据灰度差值和预先设定的阈值，就能够判断交通线路上是否存在异常物体。上述帧间差分法本质上是通过对两帧图像的像素点进行运算来检测异常物体，这种方式无法准确表达出图像中异常物体的特征；另外，这种方式需要手动设置一些阈值，阈值的设定受人为经验的影响。因此，目前的交通线路的异物检测方法，准确度不高。另外，对于在交通线路固定路段安装摄像机对交通线路进行拍摄的方案，拍摄的视频实质上是静态的背景，并且拍摄的视频中的图像受拍摄场景和拍摄光线的影响较大，距离摄像机远的地方，检测性能不稳定，进而导致检测结果也不准确。此外，上述方法是在中央处理器(CentralProcessingUnit，CPU)中进行，CPU的处理速度无法满足交通线路上异物的实时性检测需求。针对上述技术问题中的至少一个技术问题，本申请的专利技术人提出如下技术构思：通过深度学习方式，对交通线路视频序列中的每一帧视频图像进行图像分割，图像分割可以理解为是对每帧图像中的每个本文档来自技高网...

【技术保护点】
1.一种线路异物的检测方法，其特征在于，包括：/n获取原始视频，所述原始视频包括对交通线路进行拍摄得到的至少一帧线路图像；/n将所述原始视频输入分割模型，得到所述原始视频中每帧线路图像的分割图像，所述分割模型是根据线路训练图像和标签，对卷积神经网络进行训练得到的，且用于对所述至少一帧线路图像进行图像分割的模型；/n根据每帧线路图像的分割图像，确定所述线路图像对应的线路位置是否存在异物。/n

【技术特征摘要】
1.一种线路异物的检测方法，其特征在于，包括：
获取原始视频，所述原始视频包括对交通线路进行拍摄得到的至少一帧线路图像；
将所述原始视频输入分割模型，得到所述原始视频中每帧线路图像的分割图像，所述分割模型是根据线路训练图像和标签，对卷积神经网络进行训练得到的，且用于对所述至少一帧线路图像进行图像分割的模型；
根据每帧线路图像的分割图像，确定所述线路图像对应的线路位置是否存在异物。


2.根据权利要求1所述的方法，其特征在于，所述将所述原始视频输入分割模型，得到所述原始视频中每帧线路图像的分割图像，包括：
针对所述原始视频中的每帧线路图像，进行多次下采样，得到下采样图像；
对所述下采样图像进行多次上采样，得到所述线路图像的分割图像；
其中，所述多次下采样中的每次下采样包括多次卷积操作；
所述多次卷积操作包括至少三次卷积操作，且所述至少三次卷积操作中的第一次卷积操作、第二次卷积操作或第三次卷积操作为M×N的卷积操作，或者，所述至少三次卷积操作中的第一次卷积操作、第二次卷积操作或第三次卷积操作为N×M的卷积操作，M和N均为正整数，M≠N。


3.根据权利要求1所述的方法，其特征在于，所述根据每帧线路图像的分割图像，确定所述线路图像对应的轨道线位置是否存在异物，包括：
确定所述分割图像中独立区域的数量，所述分割图像包括至少一个线路；
针对所述分割图像中的一个线路，若所述独立区域的数量大于或等于预设的数量，则确定所述线路图像对应的线路位置存在异物；
若所述独立区域的数量小于预设的数量，则确定所述线路图像对应的线路位置不存在异物。


4.根据权利要求3所述的方法，其特征在于，所述确定所述分割图像中独立区域的数量，包括：
针对所述分割图像中的一个线路，根据最小外接矩形方法，确定所述分割图像中分割出来的对象的最小外接矩形；
将所述分割图像中最小外接矩形的数量，作为所述分割图像中独立区域的数量。


5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
将所述每帧线路图像的分割图像转换为二值图像；
相应的，所述确定所述分割图像中独立区域的数量，包括：
根据最小外接矩形方法，确定所述二值图像中独立区域的数量。


6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：
将原始视频的异物检测结果上传至数据库。

【专利技术属性】
技术研发人员：姚秀军，桂晨光，董林，王超，唐亚哲，蔡禹丞，
申请(专利权)人：北京京东乾石科技有限公司，
类型：发明
国别省市：北京;11