一种基于深度学习的进站铁路货运列车车厢计数方法技术

本发明专利技术涉及铁路运输安全控制领域，更具体地，本发明专利技术涉及一种基于深度学习的进站铁路货运列车车厢计数方法

【技术实现步骤摘要】
一种基于深度学习的进站铁路货运列车车厢计数方法


[0001]本专利技术一般地涉及铁路运输安全控制领域
。
更具体地，本专利技术涉及一种基于深度学习的进站铁路货运列车车厢计数方法
。

技术介绍

[0002]列车车厢计数是铁路公司日常工作之一，它对列车的运输管理
、
安全管理
、
进出站管理
、
统计分析
、
以及铁路公司的财务分析有重要意义
。
准确计数车厢可以帮助铁路管理部门对车辆进行有效的安全管理
。
在列车发车前
、
途中和到达目的地时，通过车厢计数可以确保列车的完整性，防止车辆脱落等安全问题，并且车厢计数对于运输调度和列车编组具有重要意义
。
知道列车的车厢数量，铁路公司可以根据货物或乘客的需求合理安排列车的编组，优化运输资源，提高运输效率
。
[0003]目前国内常采用铁路车号自动识别系统
(ATIS)
来进行车厢计数，在实际使用过程中，由于工作环境恶劣，该系统会因为电子标签损坏
、
丢失的原因造成车厢计数不准确的现象
。
部分站点选择使用人工计数的方法对列车车厢数进行统计，此方法存在人员工作强度大，计数不准的问题
。

技术实现思路

[0004]为解决上述一个或多个技术问题，本专利技术提出提取铁路货运列车进站视频流中的图像帧以构建铁路货运列车数据集；构建高斯模型，并对所述铁路货运列车数据集预测，获得第一预测结果和第二预测结果；将所铁路货运列车进站视频流中的图像帧输入到预设的目标检测模型中，获得第一检测结果和第二检测结果；响应于列车车厢数与车厢间隙数不相等，计算目标框的检测结果准确度
、
列车车厢计数准确度和车厢间隙计数准确度，获得列车车厢数
。
为此，本专利技术在如下的多个方面中提供方案
。
[0005]在一个实施例中，包括：提取铁路货运列车进站视频流中的图像帧以构建铁路货运列车数据集，所述铁路货运列车数据集包括列车车厢候选框和车厢间隙候选框；基于候选框面积构建高斯模型，并对所述铁路货运列车数据集预测，获得第一预测结果和第二预测结果，所述第一预测结果为候选框属于列车车厢候选框的概率，所述第二预测结果为候选框属于车厢间隙候选框的概率；将铁路货运列车进站视频流中的图像帧输入到预设的目标检测模型中，获得第一检测结果和第二检测结果，所述第一检测结果为列车车厢目标框对应的置信度和分类概率，所述第二检测结果为车厢间隙目标框对应的置信度和分类概率；响应于列车车厢数与车厢间隙数相等，检测结果正确；响应于列车车厢数与车厢间隙数不相等，计算目标框的检测结果准确度，所述目标框包括列车车厢目标框与车厢间隙目标框，基于所述目标框的检测结果准确度计算列车车厢计数准确度和车厢间隙计数准确度，以获取列车车厢数
。
[0006]在一个实施例中，所述列车车厢目标框与车厢间隙目标框的检测结果准确度均满足关系式：
其中，表示第
i
个目标框的检测结果准确度，表示第
i
个目标框的置信度，表示第
i
个目标框的分类概率，表示第
i
个目标框属于对应的高斯模型的概率
。
[0007]在一个实施例中，所述列车车厢计数的准确度和车厢间隙计数的准确度均满足关系式：其中，表示第
j
个类别计数的准确度，表示第
j
个类别中第
i
个目标框的检测结果准确度，
k
表示第
j
个类别目标框的个数，表示第
j
个类别目标框检测结果准确度的方差
。
[0008]在一个实施例中，所述预设的目标检测模型的构建包括：基于所述铁路货运列车数据集训练目标检测模型，获得候选框的位置坐标和分类概率，所述候选框包括列车车厢候选框和车厢间隙候选框；使用优化算法优化目标检测模型参数，损失函数使用回归损失
、
置信度损失和分类损失；响应于目标检测模型出现随着训练次数的增加，在测试集上的测试效果变差的情况，停止训练；基于模型评价指标的精确率和召回率选择最优的目标检测模型
。
[0009]在一个实施例中，所述获得列车车厢数包括：计算得到列车车厢计数准确度和车厢间隙计数准确度；响应于列车车厢计数准确度大于车厢间隙计数准确度，列车车厢计数为实际列车车厢数；响应于列车车厢计数准确度小于车厢间隙计数准确度，车厢间隙计数为实际列车车厢数
。
[0010]在一个实施例中，还包括：基于聚类算法将所述列车车厢候选框聚类为设定数量的聚类簇，并将所述车厢间隙候选框聚类为所述设定数量的聚类簇，分别用
yolov5
的三个输出层进行预测大
、
中
、
小物体，基于所述设定数量的聚类簇完成初始锚框长宽的设定
。
[0011]在一个实施例中，还包括多列货运列车车厢计数：同一辆列车的目标框会越过定义在图像中间竖直基准线的同一位置，统计目标框时统计越过相同位置的竖直基准线，从而对每辆列车车厢数进行精确计数
。
[0012]本专利技术的具有以下有益效果：
1.
通过采集列车车厢数与车厢间隙数，并计算列车车厢计数准确度与车厢间隙计数准确度，使铁路货运列车车厢计数更加准确高效
。
[0013]2.
能够在保证铁路货运列车车厢计数精确度的同时满足多辆铁路货运列车进行车厢计数工作，使计数工作更加高效
。
附图说明
[0014]通过参考附图阅读下文的详细描述，本专利技术示例性实施方式的上述以及其他目的
、
特征和优点将变得易于理解
。
在附图中，以示例性而非限制性的方式示出了本专利技术的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：图1是本专利技术实施例一种基于深度学习的进站铁路货运列车车厢计数方法的流程
图
。
具体实施方式
[0015]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
。
基于本专利技术中的实施例，本领域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，都属于本专利技术保护的范围
。
[0016]应当理解，当本专利技术的权利要求
、
说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序
。
本专利技术的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征
、
整体
、
步骤
、
操作
、
元素和
/
或组件的存在，但并不排除一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的进站铁路货运列车车厢计数方法，其特征在于，包括以下步骤：提取铁路货运列车进站视频流中的图像帧以构建铁路货运列车数据集，所述铁路货运列车数据集包括列车车厢候选框和车厢间隙候选框；基于候选框面积构建高斯模型，并对所述铁路货运列车数据集预测，获得第一预测结果和第二预测结果，所述第一预测结果为候选框属于列车车厢候选框的概率，所述第二预测结果为候选框属于车厢间隙候选框的概率；将铁路货运列车进站视频流中的图像帧输入到预设的目标检测模型中，获得第一检测结果和第二检测结果，所述第一检测结果为列车车厢目标框对应的置信度和分类概率，所述第二检测结果为车厢间隙目标框对应的置信度和分类概率；响应于列车车厢数与车厢间隙数相等，检测结果正确；响应于列车车厢数与车厢间隙数不相等，计算目标框的检测结果准确度，所述目标框包括列车车厢目标框与车厢间隙目标框，基于所述目标框的检测结果准确度计算列车车厢计数准确度和车厢间隙计数准确度，以获取列车车厢数
。2.
根据权利要求1所述的一种基于深度学习的进站铁路货运列车车厢计数方法，其特征在于，所述目标框的检测结果准确度满足关系式：其中，表示第
i
个目标框的检测结果准确度，表示第
i
个目标框的置信度，表示第
i
个目标框的分类概率，表示第
i
个目标框属于对应的高斯模型的概率
。3.
根据权利要求1所述的一种基于深度学习的进站铁路货运列车车厢计数方法，其特征在于，所述列车车厢计数的准确度和车厢间隙计数的准确度均满足关系式：其中，表示第
j
个类别计数的准确度，表示第
j
个类别中第
i
个目标框的检测结果准确度，
k
表示第
j
个类别目标框...

【专利技术属性】
技术研发人员：陈少祥，行鹏，曹艳君，赵永鑫，王翠红，
申请(专利权)人：山西阳光三极科技股份有限公司，
类型：发明
国别省市：