基于深度学习的列车信号机的状态检测方法及存储介质技术

本发明专利技术的一种基于深度学习的列车信号机的状态检测方法及存储介质，包括以下步骤，使用深度学习的SSD算法对信号机目标进行检测；然后通过两步检测方式对信号机状态进行检测，具体使用相关信号机图像数据集，放入RetinaNet深度学习模型中进行训练，完成整体的低柱信号机以及高柱信号机的检测，后通过将检测结果作为数据源，放入YOLO v3深度学习网络中，对信号机灯泡状态进行检测，完成对信号机状态的一个检测。本发明专利技术采用SSD算法对信号机进行目标检测，采用RetinaNet方法结合YOLO v3，形成两步识别信号机状态方法，以提高识别的效率和精度。的效率和精度。的效率和精度。

【技术实现步骤摘要】
基于深度学习的列车信号机的状态检测方法及存储介质


[0001]本专利技术涉及轨道交通
，具体涉及一种基于深度学习的列车信号机的状态检测方法。

技术介绍

[0002]列车信号机是用来防护站内进路、防护区间，具有严格的保护意义。其中红色表示停止信号，禁止越过该信号机，也视为停车信号；绿色表示允许信号，信号处于正常开放状态，可按规定速度通过该信号机；黄色表示允许信号，信号处于有限开放状态，要求列车注意或减速运行。而随着列车全自动驾驶FAO，成为当前国内外轨道交通行业的主流列车控制技术，列车信号机及其状态识别成为全自动驾驶不可或缺的一种技术。
[0003]在当前信号机目标检测主流方法中，基于卷积神经网络CNN的方法众多，Faster
‑
RCNN、VGG16等方法广泛用于当中。其中Faster
‑
RCNN通过两阶段网络与RPN，实现了精度较高的物体检测性能，但是Faster RCNN的RPN与RCNN两个阶段分工明确，速度相对较慢，实际实现上并没有达到实时检测，无法实现列车行驶中的信号机检测。VGG16算法简单，网络结构由5层卷积层、3层全连接层、softmax输出层构成，层与层之间使用max
‑
pooling(最大化池)分开，所有隐层的激活单元都采用ReLU函数。VGG16使用多个较小卷积核(3x3)的卷积层代替一个卷积核较大的卷积层，一方面可以减少参数，另一方面相当于进行了更多的非线性映射，可以增加网络的拟合/表达能力。随后SSD算法的提出，目标检测的算法又有了大幅度的提升。其中SSD算法的主要网络结构是VGG16，只是将最后两个全连层改成卷积层，并又增加了4个卷积层来构造网络结构，与VGG16相比，获得了更多的特征图以用于检测。与Faster
‑
RCNN的两阶段方法相比，可以一步完成检测，更加适合列车行驶中的信号机等检测。
[0004]由于信号机中的灯泡目标较小，在列车行驶过程中，如果直接检测信号机灯泡，常用目标检测算法无法满足实时检测，并且准确率会非常低。
[0005]因此急需一种能够实时对信号机及其状态检测的方法，并且准确率能够符合工程标准。

技术实现思路

[0006]本专利技术提出的一种基于深度学习的列车信号机的状态检测方法，可解决准确率不高等缺陷。
[0007]为实现上述目的，本专利技术采用了以下技术方案：
[0008]一种基于深度学习的列车信号机的状态检测方法，包括以下步骤，
[0009]使用深度学习的SSD算法对信号机目标进行检测；
[0010]然后通过两步检测方式对信号机状态进行检测，具体使用相关信号机图像数据集，放入RetinaNet深度学习模型中进行训练，完成整体的低柱信号机以及高柱信号机的检测，后通过将检测结果作为数据源，放入YOLO v3深度学习网络中，对信号机灯泡状态进行
检测，完成对信号机状态的一个检测。
[0011]进一步的，所述使用深度学习的SSD算法对信号机目标进行检测，具体包括，
[0012]采用主网络结构是VGG16，将最后两个全连接层改成卷积层，并随后增加了4个卷积层来构造网络结构；
[0013]对其中5种不同的卷积层的输出分别用两个不同的3
×
3的卷积核进行卷积，一个输出分类用的confidence，每个default box生成21个类别confidence；一个输出回归用的localization，每个default box生成4个坐标值(x,y,w,h)；此外，这5个feature map还经过PriorBox层生成prior box即生成的是坐标；上述5个feature map中每一层的default box的数量是给定的，最后将前面三个计算结果分别合并然后传给loss层。
[0014]进一步的，所述通过两步检测方式对信号机状态进行检测，具体包括，
[0015]采用RetinaNet模型，完成整体的低柱信号机和高柱信号机检测，RetinaNet的特征提取网络选择了残差网络ResNet，特征融合选择了FPN，以特征金字塔不同的尺寸特征图作为输入，搭建三个用于分类和框回归的子网络；分类网络输出的特征图尺寸为(W,H,KA)，其中W、H为特征图宽高，KA为特征图通道，存放A个anchor各自的类别信息，K为类别数。
[0016]另一方面，本专利技术还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
[0017]由上述技术方案可知，本专利技术的基于深度学习的列车信号机的状态检测方法，采用SSD算法对信号机进行目标检测，采用RetinaNet方法结合YOLO v3，形成两步识别信号机状态方法，以提高识别的效率和精度。
附图说明
[0018]图1是本专利技术实施例的信号机识别SSD方法结构示意图；
[0019]图2是本专利技术实施例的RetinaNet方法结构示意图；
[0020]图3是本专利技术实施例的YOLO v3方法结构示意图。
具体实施方式
[0021]为使本专利技术实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。
[0022]如图1所示，本实施例所述的基于深度学习的列车信号机的状态检测方法，包括两部分组成，第一部分检测信号机，第二部分检测信号机状态。
[0023]第一部分信号机检测，使用深度学习的SSD算法对信号机目标进行检测。首先SSD算法引入了数据增强技术，对信号机图像数据集进行训练。
[0024]之后SSD基于前馈卷积网络，首先针对选中方框中的信号机实例，产生一个固定大小的边界框的集合和分数，紧接着通过一个非最大抑制(non
‑
maximum suppression)步骤产生最后的检测结果。其中信号机检测方法引入了多尺度映射和候选框生成机制，能够有效地针对交通信号机这种小目标的识别。
[0025]第二部分信号机状态检测，通过两步检测方式。首先使用相关信号机图像数据集，放入RetinaNet深度学习模型中进行训练，完成整体的低柱信号机以及高柱信号机的检测，
后通过将检测结果作为数据源，放入YOLO v3深度学习网络中，对信号机灯泡状态进行检测，完成对信号机状态的一个检测。
[0026]以下具体说明：
[0027]如图1所示，信号机检测的SSD方法，其主网络结构是VGG16，将最后两个全连接层改成卷积层，并随后增加了4个卷积层来构造网络结构。对其中5种不同的卷积层的输出(feature map)分别用两个不同的3
×
3的卷积核进行卷积，一个输出分类用的confidence，每个default box生成21个类别confidence；一个输出回归用的localization，每个de本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的列车信号机的状态检测方法，其特征在于，包括以下步骤，使用深度学习的SSD算法对信号机目标进行检测；然后通过两步检测方式对信号机状态进行检测，具体使用相关信号机图像数据集，放入RetinaNet深度学习模型中进行训练，完成整体的低柱信号机以及高柱信号机的检测，后通过将检测结果作为数据源，放入YOLO v3深度学习网络中，对信号机灯泡状态进行检测，完成对信号机状态的一个检测。2.根据权利要求1所述的基于深度学习的列车信号机的状态检测方法，其特征在于：所述使用深度学习的SSD算法对信号机目标进行检测，具体包括，采用主网络结构是VGG16，将最后两个全连接层改成卷积层，并随后增加了4个卷积层来构造网络结构；对其中5种不同的卷积层的输出分别用两个不同的3
×
3的卷积核进行卷积，一个输出分类用的confidence，每个default box生成21个类别confidence；一个输出回归用的localization，每个default bo...

【专利技术属性】
技术研发人员：魏臻，元晨晨，卫星，陆阳，赵冲，谢宝，杨帆，
申请(专利权)人：合肥工大高科信息科技股份有限公司，
类型：发明
国别省市：