本发明专利技术公开了一种轨道识别模型训练方法、轨道识别方法和装置及系统，属于图像识别领域；获取训练样本时，仅将轨道在图像上呈行排列的图像作为正样本，然后将训练样本输入到待训练的卷积神经网络模型中进行训练，直至损失函数的值不大于预设值，此时的卷积神经网络模型即为训练完成的目标模型。本申请方案在模型训练时，将轨道在图像上呈行排列的图像作为正样本，相当于将轨道识别定义为寻找轨道线在图像中某些行的位置，因此模型只需基于行方向上对图像进行选择和分类，无需逐像素分类，大大的降低了计算量，提高了分类速度，显著了降低计算成本。计算成本。计算成本。
【技术实现步骤摘要】
轨道识别模型训练方法、轨道识别方法和装置及系统
[0001]本专利技术涉及图像识别领域，特别地，涉及一种轨道识别模型训练方法、轨道识别方法和装置及系统。
技术介绍
[0002]论铁路还是城轨，都时有因异物入侵而导致的安全事故，对轨道异物的检测一刻也不能放松。异物侵入铁路安全限界(异物侵限)是指铁路运输时因行车环境复杂多变如山体滑坡堆积的沙土和石块、非法入侵轨道区域的行人、动物和车辆等对列车的运行安全造成巨大负面影响，除此之外，铁路违法施工、违规爆破等行为致使异物侵入铁路安全区域等问题也十分严峻。轨道异物不仅会中断铁路运输的正常进行，破坏铁路的轨道和列车，严重影响铁路运行秩序，并造成巨大的经济损失，甚至还会出现人员伤亡，给国家和人民造成严重的损失，因此如何预防行人及车辆非法抢道、及时清理入侵轨道区域的异物对列车的安全运行具有十分重要的现实意义，对铁路异物入侵轨道的检测必须加强。
[0003]随着计算机视觉和神经网络技术迅速发展，智能化铁路体系的不断完善，人工智能技术与图像视频分析结合也越来越多的应用于铁路安全检测中。铁路轨道异物侵限在图像视频方面检测的方法是，需要先从图像中划定铁路限界，也即能确保机车车辆安全运行，防止撞击线路的建筑物和设备，而对机车与这些建筑物和设备所规定的不允许越过的轮廓尺寸线。因此异物侵限检测的第一个关键步骤就是快而准的检测出铁路轨道线，从而确定铁路限界，之后才能进行完整的异物侵限检测。
[0004]现有采用的深度学习的轨道检测方法主要将轨道检测视为像素分割问题。但是像素分割时，要对图像中每一个像素点进行分类，因此现有深度学习的方法分类计算量大，分类速度慢，计算成本高。
技术实现思路
[0005]为了克服现有技术的不足，本专利技术提供一种轨道识别模型训练方法、轨道识别方法和装置及系统，以解决现有深度学习的方法分类计算量大，分类速度慢，计算成本高的问题。
[0006]本专利技术解决其技术问题所采用的技术方案是：
[0007]第一方面，提供一种轨道识别模型训练方法，包括以下步骤：
[0008]步骤1：获取训练样本，所述训练样本由正样本和负样本组成，所述正样本的图像中包括沿图像底部向上的轨道；
[0009]步骤2：将所述训练样本输入到待训练的卷积神经网络模型中，得到每个训练样本中的所有区域的分类结果以及所述区域是轨道的概率；
[0010]步骤3：根据所述分类结果以及所述概率计算所述待训练的卷积神经网络模型的损失函数；
[0011]步骤4：当所述损失函数的值大于预设值时，调整所述待训练的卷积神经网络模型
中的参数；
[0012]步骤5：对调整后的卷积神经网络模型重复步骤2和步骤3以及步骤4，直至所述损失函数的值不大于所述预设值；
[0013]步骤6：当所述损失函数的值不大于所述预设值时，将当前的卷积神经网络模型作为目标模型。
[0014]进一步地，所述待训练的卷积神经网络模型包括多个依次连接的权重层，所述权重层中任意一个权重层的输入同时与后面的至少一个权重层的输入连接。
[0015]进一步地，所述根据所述分类结果以及所述概率计算所述待训练的卷积神经网络模型的损失函数，包括：
[0016]计算所述所述待训练的卷积神经网络模型的二分类的交叉熵损失函数，计算公式如下：
[0017][0018]其中，Loss为交叉熵损失函数；y为分类结果，取值为0或1，y＝0时表示所述训练样本中该区域不是轨道，y＝1时表示所述训练样本中该区域是轨道；p为所述概率，0≤p≤1；
[0019]将所述交叉熵损失函数作为所述待训练的卷积神经网络模型的损失函数。
[0020]进一步地，还包括：
[0021]根据所述概率得到所述训练样本分类的难易程度；当所述分类结果为1时，所述难易程度为p；当所述分类结果为1时，所述难易程度为1
‑
p；
[0022]将所述难易程度引入所述交叉熵损失函数得到所述待训练的卷积神经网络模型的损失函数，计算公式如下：
[0023][0024]其中，Loss(y,p)为所述待训练的卷积神经网络模型的损失函数，γ为可调参数，γ≥0。
[0025]进一步地，还包括：在获取训练样本后，对所述训练样本进行预处理后，再将所述训练样本输入到待训练的卷积神经网络模型中，所述预处理包括：
[0026]对所述训练样本进行亮度变换和去噪处理，并将所述训练样本转换为预设大小的图像。
[0027]第二方面，提供一种轨道识别方法，包括以下步骤：
[0028]将待识别的图像输入到预训练的卷积神经网络模型中，以识别所述待识别的图像中各区域是否是轨道的结果，所述预训练的卷积神经网络模型采用权利要求1
‑
5任一项所述的方法训练得到。
[0029]第三方面，提供一种轨道识别模型训练装置，包括：
[0030]样本获取模块，用于获取训练样本，所述训练样本由正样本和负样本组成，所述正样本的图像中包括沿图像底部向上的轨道；
[0031]样本输入模块，用于将所述训练样本输入到待训练的卷积神经网络模型中，得到每个训练样本中的所有区域的分类结果以及所述区域是轨道的概率；
[0032]损失计算模块，用于根据所述分类结果以及所述概率计算所述待训练的卷积神经网络模型的损失函数；
[0033]参数调整模块，用于当所述损失函数的值大于预设值时，调整所述待训练的卷积神经网络模型中的参数；
[0034]重复训练模块，用于采用样本输入模块和损失计算模块以及参数调整模块对调整后的卷积神经网络模型进行重复训练，直至所述损失函数的值不大于所述预设值；
[0035]模型获取模块，用于当所述损失函数的值不大于所述预设值时，将当前的卷积神经网络模型作为目标模型。
[0036]第四方面，提供一种轨道识别装置，包括：
[0037]图像输入模块，用于将待识别的图像输入到预训练的卷积神经网络模型中，以识别所述待识别的图像中各区域是否是轨道的结果，所述预训练的卷积神经网络模型采用权利要求1
‑
5任一项所述的方法训练得到。
[0038]第五方面，提供一种轨道识别模型训练系统，包括：
[0039]处理器；
[0040]用于存储所述处理器可执行指令的存储器；
[0041]所述处理器被配置为用于执行权利要求1
‑
5任一项所述的方法。
[0042]第六方面，提供一种轨道识别系统，包括：
[0043]处理器；
[0044]用于存储所述处理器可执行指令的存储器；
[0045]所述处理器被配置为用于执行权利要求6所述的方法。
[0046]有益效果：
[0047]本专利技术实施例提供一种轨道识别模型训练方法、轨道识别方法和装置及系统；获取训练样本时，仅将轨道在图像上呈行排列的图像作为正样本，然后将训练样本输入到待训练的卷积神经网络模型中进行训练本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种轨道识别模型训练方法，其特征在于，包括以下步骤：步骤1：获取训练样本，所述训练样本由正样本和负样本组成，所述正样本的图像中包括沿图像底部向上的轨道；步骤2：将所述训练样本输入到待训练的卷积神经网络模型中，得到每个训练样本中的所有区域的分类结果以及所述区域是轨道的概率；步骤3：根据所述分类结果以及所述概率计算所述待训练的卷积神经网络模型的损失函数；步骤4：当所述损失函数的值大于预设值时，调整所述待训练的卷积神经网络模型中的参数；步骤5：对调整后的卷积神经网络模型重复步骤2和步骤3以及步骤4，直至所述损失函数的值不大于所述预设值；步骤6：当所述损失函数的值不大于所述预设值时，将当前的卷积神经网络模型作为目标模型。2.根据权利要求1所述的方法，其特征在于：所述待训练的卷积神经网络模型包括多个依次连接的权重层，所述权重层中任意一个权重层的输入同时与后面的至少一个权重层的输入连接。3.根据权利要求1所述的方法，其特征在于：所述根据所述分类结果以及所述概率计算所述待训练的卷积神经网络模型的损失函数，包括：计算所述所述待训练的卷积神经网络模型的二分类的交叉熵损失函数，计算公式如下：其中，Loss为交叉熵损失函数；y为分类结果，取值为0或1，y＝0时表示所述训练样本中该区域不是轨道，y＝1时表示所述训练样本中该区域是轨道；p为所述概率，0≤p≤1；将所述交叉熵损失函数作为所述待训练的卷积神经网络模型的损失函数。4.根据权利要求3所述的方法，其特征在于，还包括：根据所述概率得到所述训练样本分类的难易程度；当所述分类结果为1时，所述难易程度为p；当所述分类结果为1时，所述难易程度为1
‑
p；将所述难易程度引入所述交叉熵损失函数得到所述待训练的卷积神经网络模型的损失函数，计算公式如下：其中，Loss(y,p)为所述待训练的卷积神经网络模型的损失函数，γ为可调参数，γ≥0。5.根据权利要求1所述的方法，其特征在于，还包括：在获取训练样本后，对所述训练样本进行预...
【专利技术属性】
技术研发人员：滕达，刘新锐，王文通，徐枫，刘强，
申请(专利权)人：北京石油化工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。