一种铁路沿线彩钢房自动提取方法技术

本发明专利技术公开了一种铁路沿线彩钢房自动提取方法，包括：S1、获取试验区域的铁路沿线遥感影像，进行预处理，得到训练样本；S2、构建基于卷积神经网络的目标提取模型；目标提取模型包括编码结构和解码结构；S3、利用训练样本对目标提取模型进行训练；在训练阶段，利用编码结构提取训练样本的多尺度特征；利用解码结构对多尺度特征进行尺寸还原；不断对目标提取模型进行评估和参数优化，直至满足预设优化目标；S4、利用训练好的目标提取模型自动提取目标区域铁路沿线遥感影像中的彩钢房，并进行地理编码，得到彩钢房提取结果。本发明专利技术提取精度高，能实现铁路沿线彩钢房的自动提取，且能有效改善孔洞问题和边缘不平滑问题。孔洞问题和边缘不平滑问题。孔洞问题和边缘不平滑问题。

【技术实现步骤摘要】
一种铁路沿线彩钢房自动提取方法


[0001]本专利技术涉及目标提取
，更具体的说是涉及一种铁路沿线彩钢房自动提取方法。

技术介绍

[0002]铁路外部环境安全隐患调查是保障行车安全的关键环节。铁路外部安全隐患调查工作目前主要采用人工巡检的方式完成，随着铁路运营里程的逐年增长，人工巡检的工作量与工作难度逐年增大，在信息化、工作效率和结果一致性等方面有提升空间。作为巡检目标的彩钢房在铁路沿线广泛分布，且分布不均匀，在强风等因素作用下会对铁路行车安全造成影响。
[0003]目前，对目标提取方法主要有两类：机器学习方法和深度学习方法。深度学习方法相较于传统的机器学习方法，具有普适性好、自动化程度高、无需人工设计特征提取参数，可以在大量数据中学习到数据特征或是规律等优点，但是具体在铁路沿线彩钢房提取方面，基于现有的深度学习方法对铁路沿线彩钢房提取过程中，提取精度较低，且存在孔洞问题和边缘不平滑现象。
[0004]因此，如何提供一种大范围、高精度、能够有效改善孔洞问题和边缘不平滑问题的铁路沿线彩钢房自动提取方法，是本领域技术人员亟需解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种铁路沿线彩钢房自动提取方法，提取精度高，且能有效改善孔洞问题和边缘不平滑问题。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种铁路沿线彩钢房自动提取方法，包括：
[0008]S1、获取试验区域的铁路沿线遥感影像，进行预处理，得到训练样本；r/>[0009]S2、构建基于卷积神经网络的目标提取模型；所述目标提取模型包括编码结构和解码结构；
[0010]S3、利用所述训练样本对所述目标提取模型进行训练；
[0011]在训练阶段，利用所述编码结构提取所述训练样本的多尺度特征；利用所述解码结构对所述多尺度特征进行尺寸还原；不断对所述目标提取模型进行评估和参数优化，直至满足预设优化目标；
[0012]S4、利用训练好的目标提取模型自动提取目标区域铁路沿线遥感影像中的彩钢房，并进行地理编码，得到彩钢房提取结果。
[0013]进一步的，在上述一种铁路沿线彩钢房自动提取方法中，S1包括：
[0014]S11、按照监测计划采集满足预设空间分辨率的试验区域铁路遥感影像；
[0015]S12、对试验区域的铁路遥感影像进行图像配准、融合和几何精校正处理，得到具有地理编码信息的遥感影像；
[0016]S13、对S12处理后的铁路遥感影像数据进行裁剪，得到图像块，且任意两个相邻所述图像块间的重叠率不小于30％；
[0017]S14、对各个所述图像块进行超像素分割，利用半监督分类方式对分割结果进行分类，并对半监督分类结果进行修正和标注，得到标注样本；
[0018]S15、对所述标注样本进行裁剪、旋转、对称和归一化操作，得到最终的所述训练样本。
[0019]进一步的，在上述一种铁路沿线彩钢房自动提取方法中，S2中，所述编码结构的基础架构为ResNet
‑
101网络结构，包含多个编码模块；所述解码结构包含多个堆叠的反卷积层；所述编码模块和所述反卷积层的数量相同，且每个所述编码模块和每个所述反卷积层一一对应连接。
[0020]进一步的，在上述一种铁路沿线彩钢房自动提取方法中，每个所述编码模块包括：卷积层、池化层和归一化层；其中，所述池化层为最大值池化层和均值池化层组成的组合池化层；所述组合池化层的输出为最大值池化值与均值池化值的相加值。
[0021]进一步的，在上述一种铁路沿线彩钢房自动提取方法中，所述归一化层的计算公式为：
[0022][0023]其中，γ为缩放参数，β为偏置参数；X为像素值，E|x|为像素值均值，Var[x]为像素值的标准差，ε为超参数。
[0024]进一步的，在上述一种铁路沿线彩钢房自动提取方法中，S3中，训练阶段包括：
[0025]将所述训练样本依次输入所述编码结构的多层编码模块，得到训练样本的多级尺度的下采样特征图；
[0026]从所述编码结构的最后一层编码模块得到的下采样特征图开始，利用所述解码结构的多个反卷积层一一对相同尺度下的所述下采样特征图进行上采样，得到与所述训练样本原尺寸相同的融合特征图；
[0027]利用Softmax分类器得到所述融合特征图中每个像素属于彩钢房的概率值。
[0028]进一步的，在上述一种铁路沿线彩钢房自动提取方法中，S3中，在判定像素类别时，采用0.7作为阈值，若得到的概率值大于或等于0.7，则该像素属于彩钢房，若得到的概率值小于0.7，则该像素属于背景。
[0029]进一步的，在上述一种铁路沿线彩钢房自动提取方法中，所述目标提取模型的损失函数为：
[0030][0031]其中，y
i
表示像素标签值，y
’
i
表示该像素值的类别预测概率。
[0032]进一步的，在上述一种铁路沿线彩钢房自动提取方法中，所述融合特征图至少包括：彩钢房的初级位置、纹理和高级语义信息。
[0033]进一步的，在上述一种铁路沿线彩钢房自动提取方法中，S4还包括：根据目标区域铁路沿线遥感影像中的彩钢房的地理编码，得到彩钢房的地理坐标，根据地理坐标计算彩
钢房的面积。
[0034]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种铁路沿线彩钢房自动提取方法，具有以下有益效果：
[0035]1、本专利技术通过对铁路沿线遥感影像进行多尺度特征提取和解码，能够最大程度地提取遥感影像的信息，提高彩钢房的提取精度。
[0036]2、本专利技术通过对遥感影像中的彩钢房进行地理编码，能够精准获得铁路沿线各彩钢房为地理位置和面积，获知目标区域彩钢房的分布情况，为解决铁路外部安全隐患提供依据。
[0037]3、本专利技术利用半监督分类方法对铁路场景下的彩钢房进行标注，提高模型的训练效率和性能。
[0038]4、本专利技术在遥感影像特征提取时引入组合池化层，改善在池化过程中由于特征丢失引起的提取结果孔洞问题以及边缘不平滑现象。
附图说明
[0039]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0040]图1为本专利技术提供的铁路沿线彩钢房自动提取方法的流程图；
[0041]图2和图3均为本专利技术提供的彩钢房提取结果示意图。
具体实施方式
[0042]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种铁路沿线彩钢房自动提取方法，其特征在于，包括：S1、获取试验区域的铁路沿线遥感影像，进行预处理，得到训练样本；S2、构建基于卷积神经网络的目标提取模型；所述目标提取模型包括编码结构和解码结构；S3、利用所述训练样本对所述目标提取模型进行训练；在训练阶段，利用所述编码结构提取所述训练样本的多尺度特征；利用所述解码结构对所述多尺度特征进行尺寸还原；不断对所述目标提取模型进行评估和参数优化，直至满足预设优化目标；S4、利用训练好的目标提取模型自动提取目标区域铁路沿线遥感影像中的彩钢房，并进行地理编码，得到彩钢房提取结果。2.根据权利要求1所述的一种铁路沿线彩钢房自动提取方法，其特征在于，S1包括：S11、按照监测计划采集满足预设空间分辨率的试验区域铁路遥感影像；S12、对试验区域的铁路遥感影像进行图像配准、融合和几何精校正处理，得到具有地理编码信息的遥感影像；S13、对S12处理后的铁路遥感影像数据进行裁剪，得到图像块，且任意两个相邻所述图像块间的重叠率不小于30％；S14、对各个所述图像块进行超像素分割，利用半监督分类方式对分割结果进行分类，并对半监督分类结果进行修正和标注，得到标注样本；S15、对所述标注样本进行裁剪、旋转、对称和归一化操作，得到最终的所述训练样本。3.根据权利要求1所述的一种铁路沿线彩钢房自动提取方法，其特征在于，S2中，所述编码结构的基础架构为ResNet
‑
101网络结构，包含多个编码模块；所述解码结构包含多个堆叠的反卷积层；所述编码模块和所述反卷积层的数量相同，且每个所述编码模块和每个所述反卷积层一一对应连接。4.根据权利要求3所述的一种铁路沿线彩钢房自动提取方法，其特征在于，每个所述编码模块包括：卷积层、池化层和归一化层；其中，所述...

【专利技术属性】
技术研发人员：姚京川，孙新宇，袁慕策，郭继亮，简国辉，梁志广，刘伯奇，冯楠，郑佳怡，
申请(专利权)人：铁科检测有限公司中国国家铁路集团有限公司中国铁道科学研究院集团有限公司铁科成都检测技术有限公司，
类型：发明
国别省市：