一种铁路接触网支柱鸟窝检测方法技术

本发明专利技术公开了一种铁路接触网支柱鸟窝检测方法，涉及图像处理技术领域，包括以下步骤：利用拍摄设备获取铁路沿线待检测接触网图像；识别待检测接触网图像中的接触网支柱区域；将识别的接触网支柱区域图像输入细粒度分割模型中，分割接触网支柱区域图像中的鸟窝区域；将分割的鸟窝区域图像进行开运算去除其细微杂点，再通过面积统计排除鸟窝区域图像中像素面积不足的识别区域，并输出面积排除后的鸟窝区域图像

【技术实现步骤摘要】
一种铁路接触网支柱鸟窝检测方法


[0001]本专利技术涉及图像处理
、
图像识别
，更具体地说涉及一种铁路接触网支柱鸟窝检测方法
。

技术介绍

[0002]铁路是一个国家交通运输的重要部分，同时也是一个高风险的环境
。
铁路接触网是铁路的重要基础运行设施，接触网故障将直接导致列车停运故障
。
接触网故障有部分人工因素，如不当的使用
、
维护不良
、
材料缺陷等等因素
。
但部分自然因素也严重影响铁路接触网运行稳定性
。
支柱鸟窝即属于自然因素影响，严重情况下鸟窝接触至带电接触网可能导致列车停运
。
因此有必要对铁路接触网支柱上的鸟窝进行检测并清除，以防止接触网故障
。
[0003]支柱鸟窝检测的重要性还体现在以下几个方面：
1、
提高铁路运行效率
。
支柱鸟窝检测可以及时发现和修复支柱缺陷，减少铁路运行的时间，提高运行效率
。
[0004]2、
提高铁路运营的安全性
。
鸟窝检测可以第一时间发现并排除隐患，提高铁路运营的安全性
。
[0005]3、
减少人工分析工作量
。
以往检测支柱鸟窝需要大量人工分析视频数据，分析量大且检出率低，采用算法分析有助于降低人工分析工作量
。
[0006]当前鸟窝检测存在一些技术可以实现，如采用
YOLO
技术进行目标检测等方法，但实际准确率不高且误报严重，对于较小的鸟窝及鸟窝细支检出困难
。

技术实现思路

[0007]为了克服上述现有技术中存在的缺陷，本专利技术公开了一种铁路接触网支柱鸟窝检测方法，本专利技术的目的是解决现有技术中铁路接触网支柱上鸟窝检测实际准确率不高且误报严重，对于较小的鸟窝及鸟窝细支检出困难等问题
。
本专利技术提出了一种基于图像数据自动化分析铁路沿线支柱鸟窝的算法模型，取得了较高的识别精度效果
。
通过识别接触网支柱区域（定位并分类接触网支柱）
、
支柱内部采用细粒度分割算法实现鸟窝分割，最后将分割影像进行后处理去除干扰，并最终精确输出鸟窝位置
。
本专利技术高效且精确发现铁路接触网支柱的鸟窝缺陷，为人工排除留出足够的应急时间
。
[0008]为了实现以上目的，本专利技术采用的技术方案：一种铁路接触网支柱鸟窝检测方法，包括以下步骤：一
、
图像获取
S1、
利用拍摄设备获取铁路沿线待检测接触网图像；本专利技术中，利用拍摄设备（如相机）获取铁路沿线待检测的接触网图像，以进行后续的接触网支柱鸟窝检测
。
[0009]二
、
接触网支柱区域识别
S2、
识别待检测接触网图像中的接触网支柱区域；本专利技术主要是在铁路复杂自然环境下识别接触网支柱，并与铁路周围常见的其他类型的如通讯铁塔
、
电视塔
、
国家电网电线杆等常见物体进行区分
。
[0010]优选的，所述
S2
步骤中，利用
YOLOv5
目标检测算法识别待检测接触网图像中的接触网支柱区域
。
[0011]优选的，所述
S2
步骤中，所述识别的接触网支柱区域包括水泥空心柱样式
、
实心铁柱样式和铁塔样式
。
[0012]S2
步骤中，利用
YOLOv5
目标检测算法识别待检测接触网图像中的水泥空心柱样式
、
实心铁柱样式和铁塔样式三种样式的接触网支柱区域
。
[0013]本专利技术中，由于自然场景下拍摄的铁路沿线图像存在较大差异性
。
从总体分析，接触网支柱可分为水泥空心柱样式
、
实心铁柱样式和铁塔样式
。
在
YOLOv5
目标检测算法中，沿线其他塔类设施则识别为负样本，从而精确定位铁路接触网支柱，排除非塔类设施干扰
。
[0014]三
、
分割接触网支柱区域的鸟窝
S3、
将识别的接触网支柱区域图像输入细粒度分割模型中，分割接触网支柱区域图像中的鸟窝区域；本专利技术提出
BEiDT
（
BEiT Detector,BEiDT
）细粒度分割模型，将识别的接触网支柱区域图像输入其中分割接触网支柱区域图像中的鸟窝区域
。
[0015]优选的，所述
S3
步骤中，将识别的接触网支柱区域图像横纵向切分为若干图像块，并将若干图像块加入位置编码后输入细粒度分割模型中
。
[0016]上述方法中，将输入图像（识别的接触网支柱区域图像）横纵向切分为若干图像块（如
20patch
），并加入位置编码（
positional Embedding
）后输入细粒度分割模型中进行鸟窝区域分割
。
[0017]优选的，所述
S3
步骤中，所述细粒度分割模型包括
BEiT Encoder
编码器和
UperNet
网络结构，其中：所述
BEiT Encoder
编码器包括若干
Transformer
模块，所述
Transformer
模块包括归一化层
、
多层感知器网络和多头注意力层；选择若干
Transformer
模块中的多个特征层后，采用上采样方法形成特征金字塔，再将特征金字塔输入
UperNet
网络结构中；所述
UperNet
网络结构包括
fuse
层和 FPN with PPM
层，所述
FPN with PPM
层通过池化和卷积两种方法接收
BEiT Encoder
编码器输出的特征金字塔，
fuse
层合并张量后，通过卷积输出单通道的鸟窝分割图像
。
[0018]优选的，所述细粒度分割模型中，所述
BEiT Encoder
编码器包括
12
个
Transformer
模块，从
12
个
Transformer
模块中第
3、5、7、11
个中取出
20
×
20
×
768
维度的特征层后，采用上采样方法形成特征金字塔
。
[0019]本专利技术中，细粒度分割模型由编码器 BEiT Encoder
与
UperNet
网络结构组成
。
其中...

【技术保护点】

【技术特征摘要】
1.
一种铁路接触网支柱鸟窝检测方法，其特征在于，包括以下步骤：利用拍摄设备获取铁路沿线待检测接触网图像；识别待检测接触网图像中的接触网支柱区域；将识别的接触网支柱区域图像输入细粒度分割模型中，分割接触网支柱区域图像中的鸟窝区域；将分割的鸟窝区域图像进行开运算去除其细微杂点，再通过面积统计排除鸟窝区域图像中像素面积不足的识别区域，并输出面积排除后的鸟窝区域图像
。2.
如权利要求1所述的鸟窝检测方法，其特征在于，所述识别待检测接触网图像中的接触网支柱区域中，利用
YOLOv5
目标检测算法识别待检测接触网图像中的接触网支柱区域
。3.
如权利要求1所述的鸟窝检测方法，其特征在于，所述识别待检测接触网图像中的接触网支柱区域中，所述识别的接触网支柱区域包括水泥空心柱样式
、
实心铁柱样式和铁塔样式
。4.
如权利要求1所述的鸟窝检测方法，其特征在于，所述将识别的接触网支柱区域图像输入细粒度分割模型中，将识别的接触网支柱区域图像横纵向切分为若干图像块，并将若干图像块加入位置编码后输入细粒度分割模型中
。5.
如权利要求1所述的鸟窝检测方法，其特征在于，所述细粒度分割模型包括
BEiT Encoder
编码器和
UperNet
网络结构，其中：所述
BEiT Encoder
编码器包括若干
Transformer
模块，所述
Transformer
模块包括归一化层
、
多层感知器网络和多头注意力层；选择若干
Transformer
模块中的多个特征层后，采用上采样方法形成特征金字塔，再将特征金字塔输入
UperNet
网络结构中；所述
UperNet
网络结构包括
fuse
层和 FPN with PPM
层，所述
FPN with PPM
层通过池化和卷积两种方法接收
BEiT Encoder
编码器输出的特征金字塔，
fuse
层合并张量后，通过卷积输出单通道的鸟窝分割图像
。6.<...

【专利技术属性】
技术研发人员：闫龙，陆刘君，
申请(专利权)人：陕西靖神铁路有限责任公司，
类型：发明
国别省市：