一种城轨积水识别方法及识别系统技术方案

本发明专利技术公开了一种城轨积水识别方法及识别系统，城轨积水识别方法的主要步骤包括收集各城轨场景的地面积水图像数据、建立用于积水识别的语义分割模型、进行神经网络训练并验证、利用训练完成的模型对图像进行处理，并将结果信息输出给接口服务程序，识别系统包括图像采集单元、模型训练单元、视觉识别单元、线性线段检测单元、ROI量化处理单元、接口服务程序以及智能告警单元。本发明专利技术采用独创的视觉检测技术及基于多特征ROI区域斜率搜索及长度累加的方法，能够容忍摄像头抖动、光线变换等不良条件，对城轨区域浅度积水、深度积水可以精确识别和及时告警，提高了相关部门的汛情排查能力和后续应急处置工作效率。力和后续应急处置工作效率。力和后续应急处置工作效率。

【技术实现步骤摘要】
一种城轨积水识别方法及识别系统


[0001]本专利技术涉及一种积水识别方法及系统，尤其涉及一种基于神经网络视觉检测技术的城轨积水识别方法及识别系统。

技术介绍

[0002]城市轨道交通是大城市公共交通系统的骨干，是建设现代城市的重要基础设施，在引领和支撑城市发展、满足人民群众出行、缓解交通拥堵、减少环境污染等方面发挥着越来越重要的作用，已成为大城市人民群众日常出行重要的交通方式和城市正常运行的重要保障。
[0003]城市轨道交通的运营安全对保障人民群众生命财产安全、维护社会稳定以及提升人民群众获得感有重要的意义。近年来，随着轨道线路的不断增多、运营里程和规模快速增长、客运量不断攀升，城市轨道交通的安全保障难度越来越大，对运营安全管理提出了更高要求。然而，在防涝防汛方面，目前还依赖工作人员的定期人工巡检排查，排查点位复杂，包含轨道、隧道、架桥等多个区域，排查过程不仅对人力消耗很大，而且还容易出现漏检、排查不及时等风险，给城市轨道交通的安全运营带来隐患。

技术实现思路

[0004]专利技术目的：本专利技术的目的是提供一种基于神经网络视觉检测技术的城轨积水识别方法；本专利技术的另一个目的是提供使用该方法的系统。
[0005]技术方案：本专利技术所述的一种城轨积水识别方法包括如下步骤：
[0006](1)基于目标使用环境收集各城轨场景下的地面积水图像数据，结合网络上的随机地面积水数据，使用Labelme工具进行积水区域标注，从而构成积水识别深度神经网络数据集，基于该数据集划分积水识别神经网络训练集和神经网络测试集；
[0007](2)基于标准的FCN
‑
8s全卷积神经网络建立一个用于积水识别的语义分割模型；
[0008](3)针对积水的形状和边界不规则特性，以及积水水面反射导致的水面图像信息多变特性，采用基于反射的注意力机制单元对水面反射的相关图像性质进行对比识别，具体操作为：在步骤(2)中加入基于反射的注意力机制单元，生成新型的FCN
‑
8s全卷积神经网络模型即FCN
‑
8s
‑
FL模型，进一步在新型的FCN
‑
8s全卷积神经网络模型中加入损失函数生成FCN
‑
8s
‑
FL
‑
5RAU模型；
[0009](4)基于步骤(3)中提出的FCN
‑
8s
‑
FL模型、FCN
‑
8s
‑
FL
‑
5RAU模型和步骤(1)中完成的神经网络训练集，进行神经网络训练；
[0010](5)验证步骤(4)训练完成的模型；
[0011](6)获取摄像头码流数据，定时对图片进行抽帧，组成时间序列图帧G0(x，y)、G1(x，y)
……
G
n
(x，y)，通过步骤(4)中训练完成的模型，对序列图帧G0(x，y)、G1(x，y)
……
G
n
(x，y)进行识别，输出二值化识别结果图G0(x，y)
′
、G1(x，y)
′……
G
n
(x，y)
′
；
[0012](7)对二值化结果图G0(x，y)
′
、G1(x，y)
′……
G
n
(x，y)
′
进行像素扫描统计，计算积
水像素点个数，根据阈值给出积水结论，完成对每帧图片中水坑、浅度积水的分析识别，并将该识别点的识别结果、位置信息和时间信息输出给接口服务程序；
[0013](8)对时间序列帧G0(x，y)、G1(x，y)
……
G
n
(x，y)的图像进行滤波、光线处理、增强以及二值化识别处理，得到图像H0(x，y)、H1(x，y)
……
H
n
(x，y)；
[0014](9)对图像H0(x，y)、H1(x，y)......H
n
(x，y)进行连通域分析，根据连通域轮廓像素点遍历出图像中所有满足Width≤α且Length≥β的线性矩形支持区域R0(x，y)、R1(x，y)......R
m
(x，y)，对所有连通域轮廓R0(x，y)、R1(x，y)
……
R
m
(x，y)的像素点进行遍历，找到每个像素点所在线性矩形支持区域，并将其优先提取至Length值更大的线性矩形支持区域并更新区域为R0(x，y)
′
、R1(x，y)
′……
R
m
(x，y)
′
；
[0015](10)对更新区域R0(x，y)
′
、R1(x，y)
′
......R
m
(x，y)，所有矩形中的黑点像素进行邻域检测，对邻域无同像素的孤点进行剔除，并重新遍历所有矩形支持区域，将Width＞α或Length＜β的矩形支持区域剔除，得到R0(x，y)
″
、R1(x，y)
″
......R
m
(x，y)
″
，再将所有R0(x，y)
″
、R1(x，y)
″
......R
m
(x，y)
″
的矩形宽边中点线段连接，标记回原图像G0(x，y)、G1(x，y)......G
n
(x，y)中；
[0016](11)将所有时间序列帧G0(x，y)、G1(x，y)
……
G
n
(x，y)中的钢轨、轨枕、道床、道岔局部按线性线段角度进行逆向旋转，实现关键线性线段的水平置位，水平置位后可以极为方便的通过矩形框对钢轨、轨枕、道床、道岔的局部线性线段区域进行ROI提取，从而实现不同特征的ROI提取，根据基于多特征ROI区域斜率搜索及长度累加的量化方法，完成对深度积水的识别检测，将该识别点的识别结果、位置信息、时间信息输出给接口服务程序；
[0017](12)接口服务程序将步骤(1)
‑
(7)识别输出的水坑、浅积水识别结果以及步骤(8)
‑
(11)识别输出的深度积水结果，根据时空关系进行匹配，将匹配后的当前识别点的识别结果、位置信息、时间信息输出并存入数据库，同时发送给智能告警单元，通过不同告警级别进行推送。
[0018]进一步地，所述步骤(4)基于反射的注意力机制单元的模型构建方法为：给定一个大小为[h，w，c]的输入特征图I，在水平方向上进行平均池化，使其缩小到[h，w/2，c]；然后进行垂直平均池化将其减少到大小为[n，w/2，c]的X；之后，X的每一行X
i
的大小为[1，w/2]，被平铺或自我复制到大小为[n，w/2]，从所有行中得到的特征图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种城轨积水识别方法，其特征在于：所述方法包括如下步骤：(1)基于目标使用环境收集各城轨场景下的地面积水图像数据，结合网络上的随机地面积水数据，使用Labelme工具进行积水区域标注，构成积水识别深度神经网络数据集，基于该数据集划分积水识别神经网络训练集和神经网络测试集；(2)基于标准的FCN
‑
8s全卷积神经网络建立一个用于积水识别的语义分割模型；(3)在步骤(2)中加入基于反射的注意力机制单元，生成新型的FCN
‑
8s全卷积神经网络模型即FCN
‑
8s
‑
FL模型，进一步在新型的FCN
‑
8s全卷积神经网络模型中加入损失函数生成FCN
‑
8s
‑
FL
‑
5RAU模型；(4)基于步骤(3)中提出的FCN
‑
8s
‑
FL模型、FCN
‑
8s
‑
FL
‑
5RAU模型和步骤(1)中完成的神经网络训练集，进行神经网络训练；(5)验证步骤(4)训练完成的模型；(6)获取摄像头码流数据，定时对图片进行抽帧，组成时间序列图帧G0(x，y)、G1(x，y)
……
G
n
(x，y)，通过步骤(4)中训练完成的模型，对序列图帧G0(x，y)、G1(x，y)
……
G
n
(x，y)进行识别，输出二值化识别结果图G0(x，y)
′
、G1(x，y)
′……
G
n
(x，y)
′
；(7)对二值化结果图G0(x，y)
′
、G1(x，y)
′……
G
n
(x，y)
′
进行像素扫描统计，计算积水像素点个数，根据阈值给出积水结论，完成对每帧图片中水坑、浅度积水的分析识别，并将该识别点的识别结果、位置信息和时间信息输出给接口服务程序；(8)对时间序列帧G0(x，y)、G1(x，y)
……
G
n
(x，y)的图像进行滤波、光线处理、增强以及二值化识别处理，得到图像H0(x，y)、H1(x，y)
……
H
n
(x，y)；(9)对图像H0(x，y)、H1(x，y)......H
n
(x，y)进行连通域分析，根据连通域轮廓像素点遍历出图像中所有满足Width≤α且Length≥β的线性矩形支持区域R0(x，y)、R1(x，y)
……
R
m
(x，y)，对所有连通域轮廓R0(x，y)、R1(x，y)
……
R
m
(x，y)的像素点进行遍历，找到每个像素点所在线性矩形支持区域，并将其优先提取至Length值更大的线性矩形支持区域并更新区域为R0(x，y)
′
、R1(x，y)
′……
R
m
(x，y)
′
；(10)对更新区域R0(x，y)
′
、R1(x，y)
′
......R
m
(x，y)
′
所有矩形中的黑点像素进行邻域检测，对邻域无同像素的孤点进行剔除，并重新遍历所有矩形支持区域，将Width＞α或Length＜β的矩形支持区域剔除，得到R0(x，y)
″
、R1(x，y)
″……
R
m
(x，y)
″
，再将所有R0(x，y)
″
、R1(x，y)
″……
R
m
(x，y)
″
的矩形宽边中点线段连接，标记回原图像G0(x，y)、G1(x，y)
……
G
n
(x，y)中；(11)将所有时间序列帧G0(x，y)、G1(x，y)
……
G
n
(x，y)中的钢轨、轨枕、道床、道岔局部按线性线段角度进行逆向旋转，实现关键线性线段的水平置位，水平置位后可以极为方便的通过矩形框对钢轨、轨枕、道床、道岔的局部线性线段区域进行ROI...

【专利技术属性】
技术研发人员：郭旭周，胡鹏路，徐舒，张振焜，孙昊，李勇，顾勇，
申请(专利权)人：南京熊猫信息产业有限公司，
类型：发明
国别省市：