道岔分类模型训练方法、系统及道岔分类方法技术方案

本发明专利技术公开了一种道岔分类模型训练方法、系统及道岔分类方法，属于图像识别技术领域，方法包括：获取道岔图像；对每个道岔图像进行曲线特征提取，得到特征向量；利用特征向量，训练梯度提升模型；采用遗传算法优化梯度提升模型的正则化系数，将优化后的梯度提升模型确定为道岔分类模型。本发明专利技术通过采用遗传算法优化梯度提升模型的正则化系数，将优化后的梯度提升模型确定为道岔分类模型，通过采用遗传算法优化了道岔分类模型的参数，使得道岔分类的准确度更高。确度更高。确度更高。

【技术实现步骤摘要】
道岔分类模型训练方法、系统及道岔分类方法


[0001]本专利技术涉及图像识别
，具体涉及一种道岔分类模型训练方法、系统及道岔分类方法。

技术介绍

[0002]铁路作为主要的陆上运输工具，具有运力大、成本低、适应性强、安全性好等优势，能够很好的满足能源、矿产等重要物资运输以及国民出行的庞大需求。在铁路运输系统中，机务段作为一个主要行车部门，主要负责铁路机车的运用、综合整备、整体检修(一般为中修、段修)，即负责机车的驾驶和检修。机务段一般设置在重要的铁路枢纽城市或重要的货运编组站附近，主要执行旅客列车、货运列车、行包列车或专运任务的动力牵引任务。
[0003]经不完全统计，在铁路上发生的全部行车事故中，因调车失误发生的事故占了半数以上。然而在机车的实际行驶过程中，机车行进途中道岔分布情况的判断主要依靠机车乘务员的经验来肉眼观察。如果乘务员出现疲劳驾驶、对道岔尖轨开通走向情况判断失误等情况，将直接导致严重的机车脱线事故。虽然现有的监控装置能在一定程度上遏制列车的“两冒一超”事故，但由于道岔线路过于复杂，控装置无法提供调车状态下有效全面的场景信息，机车调车过程中的“挤、撞、脱”等惯性故障仍然是当前机车监控的盲区。
[0004]相关技术中，申请号为202010517648.1的专利技术专利申请公开了一种基于视觉的轨道道岔识别方法，通过构建道岔分类网络模型和单轨分割网络模型，利用道岔分类网络模型对获取的当前帧轨道场景进行分类；若为道岔场景，则利用单轨分割网络模型对道岔场景进行分割，得到具有分叉点的单轨区域图像；利用岔心点检测算法对单轨区域图像进行轨道岔心点识别，并输出岔心点坐标。但该识别方法在识别任务上，仅能够输出岔心点坐标，单一信息并不足以供后续驾驶工作使用；另外，其仅使用简单的网络模型，不足以保证输出的准确性与时效性。
[0005]综上，相关技术中的道岔识别准确度并不高。

技术实现思路

[0006]本专利技术所要解决的技术问题在于如何提供一种道岔识别准确度高的道岔分类模型。
[0007]本专利技术通过以下技术手段实现解决上述技术问题的：
[0008]第一方面，采用一种道岔分类模型训练方法，所述方法包括：
[0009]获取道岔图像；
[0010]对每个所述道岔图像进行曲线特征提取，得到特征向量；
[0011]利用所述特征向量，训练梯度提升模型；
[0012]采用遗传算法优化所述梯度提升模型的正则化系数，将优化后的所述梯度提升模型确定为道岔分类模型。
[0013]本专利技术对每个道岔图像进行曲线特征提取，得到特征向量，利用特征向量，训练梯
度提升模型，然后采用遗传算法优化梯度提升模型的正则化系数，将优化后的梯度提升模型确定为道岔分类模型，通过采用遗传算法优化了道岔分类模型的参数，使得道岔分类的准确度更高。
[0014]进一步地，所述获取道岔图像，包括：
[0015]获取轨道视频，并从所述轨道图像中提取视频帧，得到帧图像；
[0016]对所述帧图像进行筛选，得到包含检测对象的所述帧图像；
[0017]对包含检测对象的所述帧图像进行预处理，得到所述道岔图像。
[0018]进一步地，所述对每个所述道岔图像进行曲线特征提取，得到特征向量，包括：
[0019]从每个所述道岔图像中提取道岔的曲线；
[0020]确定每个所述曲线的起点；
[0021]根据每个所述曲线的起点，构建二叉树；
[0022]获取每个所述二叉树预设层数的节点上的数据，得到与每个所述道岔图像对应的特征向量。
[0023]进一步地，所述确定每个所述曲线的起点，包括步骤如下：
[0024]S221、将所述曲线的两个初始端点连线，并将所述曲线上与该连线的垂直距离最远的点作为第一目标点；
[0025]S222、判断两个所述初始端点与所述第一目标点的直线距离是否相同，若是则执行步骤S223，若否执行步骤S226；
[0026]S223、以所述第一目标点为界将所述曲线分割，得到两段分割曲线；
[0027]S224、获取两段所述分割曲线对应的第二目标点，并判断两个所述初始端点与距离最近的所述第二目标点的直线距离是否相同，若是执行步骤S226，若否执行步骤S225；
[0028]S225、继续根据每段所述分割曲线的第二目标点对其进行分割，并返回步骤S224。
[0029]S226、将直线距离较短的所述初始端点作为所述起点。
[0030]进一步地，在所述利用所述处理后的特征向量，训练梯度提升模型之前，还包括：
[0031]将所述特征向量输入预训练好的卷积神经网络模型中进行特征处理，得到处理后的特征向量；
[0032]相应地，所述利用所述特征向量，训练梯度提升模型，具体为：
[0033]将所述处理后的特征向量按照预设的比例划分为训练集和测试集；
[0034]利用所述训练集，训练所述梯度提升模型；
[0035]其中，所述梯度提升模型的公式表示如下：
[0036][0037]其中，l表示可微分的凸函数，表示第i个样本的预测标签值，y
i
表示第i个样本的实际标签值，n表示样本的总数，Ω(f
k
)表示对f
k
进行正则化处理，f
k
表示第k个决策树，K表示决策树的总数。
[0038]进一步地，所述采用遗传算法优化所述梯度提升模型的正则化系数，将优化后的所述梯度提升模型确定为道岔分类模型，包括：
[0039]采用所述遗传算法优化所述梯度提升模型中的预测标签值和决策树的总数，得到
优化后的梯度提升模型；
[0040]将所述测试集输入所述优化后的梯度提升模型，得到每个所述处理后的特征向量对应的道岔分类结果；
[0041]当所述测试集对应的所述道岔分类结果符合实际道岔分类结果的概率达到预设的阈值时，将所述梯度提升模型确定为所述道岔分类模型。
[0042]第二方面，采用一种道岔分类模型训练系统，所述系统包括：
[0043]获取模块，用于获取道岔图像；
[0044]提取模块，用于对每个所述道岔图像进行曲线特征提取，得到特征向量；
[0045]训练模块，用于利用所述特征向量，训练梯度提升模型；
[0046]优化模块，用于采用遗传算法优化所述梯度提升模型的正则化系数，将优化后的所述梯度提升模型确定为道岔分类模型。
[0047]第三方面，采用一种计算机可读的存储介质，包括程序，当其在计算机上运行时，使得计算机执行如上所述的道岔分类模型训练方法。
[0048]第四方面，采用一种道岔分类方法，采用如上所述的道岔分类模型训练方法训练得到的道岔分类模型，所述方法包括：
[0049]实时采集轨道视频，并处理得到所述轨道视频对应的道岔图像；
[0050]对所述道岔图像进行曲线特征提取，得到特征向量；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种道岔分类模型训练方法，其特征在于，所述方法包括：获取道岔图像；对每个所述道岔图像进行曲线特征提取，得到特征向量；利用所述特征向量，训练梯度提升模型；采用遗传算法优化所述梯度提升模型的正则化系数，将优化后的所述梯度提升模型确定为道岔分类模型。2.如权利要求1所述的道岔分类模型训练方法，其特征在于，所述获取道岔图像，包括：获取轨道视频，并从所述轨道图像中提取视频帧，得到帧图像；对所述帧图像进行筛选，得到包含检测对象的所述帧图像；对包含检测对象的所述帧图像进行预处理，得到所述道岔图像。3.如权利要求1所述的道岔分类模型训练方法，其特征在于，所述对每个所述道岔图像进行曲线特征提取，得到特征向量，包括：从每个所述道岔图像中提取道岔的曲线；确定每个所述曲线的起点；根据每个所述曲线的起点，构建二叉树；获取每个所述二叉树预设层数的节点上的数据，得到与每个所述道岔图像对应的特征向量。4.如权利要求3所述的道岔分类模型训练方法，其特征在于，所述确定每个所述曲线的起点，包括步骤如下：S221、将所述曲线的两个初始端点连线，并将所述曲线上与该连线的垂直距离最远的点作为第一目标点；S222、判断两个所述初始端点与所述第一目标点的直线距离是否相同，若是则执行步骤S223，若否执行步骤S226；S223、以所述第一目标点为界将所述曲线分割，得到两段分割曲线；S224、获取两段所述分割曲线对应的第二目标点，并判断两个所述初始端点与距离最近的所述第二目标点的直线距离是否相同，若是执行步骤S226，若否执行步骤S225；S225、继续根据每段所述分割曲线的第二目标点对其进行分割，并返回步骤S224。S226、将直线距离较短的所述初始端点作为所述起点。5.如权利要求1所述的道岔分类模型训练方法，其特征在于，在所述利用所述处理后的特征向量，训练梯度提升模型之前，还包括：将所述特征向量输入预训练好的卷积神经网络模型中进行特征处理，得到处理后的特征向量；相应地，所述利用所述特征向量，训练梯度提升模型，具体为：将所述处理后的特征向量按照预设的比例划分为训练集和测试集；利用所述训练集，训练所述梯度提升模型；其中，所述梯度提升模型的公式表示如下：
其中，l表示可微分的凸函数，表示第i个样本的...

【专利技术属性】
技术研发人员：芈赞，徐永健，刘宜祥，卫星，张利，邵文海，蔡永斌，赵冲，朱玉虎，姚志国，孙立方，
申请(专利权)人：上海铁路机车车辆发展有限公司，
类型：发明
国别省市：