【技术实现步骤摘要】
本专利技术涉及轨道检测领域，尤其涉及一种基于sam深度学习的铁路轨道异物入侵检测方法、系统、存储介质及终端。
技术介绍
1、传统的综合视频监控系统由于缺少智能化手段，事前需要人工24小时盯控，无法实时报警，对行车安全无法提前预警，起不到事前预警和事中报警作用；事后分析也需要人逐帧翻看录像，不能自动生成安全分析报表。随着人工智能技术的高速发展，图像智能分析对目标物体识别的准确性、可靠性越来越高，对于铁路图像技术的研究带来了新的思路。
2、智能视频分析技术自诞生以来，已经有数十年的发展历史，作为视频监控的关键因素，智能视频分析市场正随着技术的不断成熟而逐步扩大，并慢慢的形成为一个产业。特别是在国内，视频监控的智能化趋势已经日渐明显。视频分析技术已经落地在化工、加油站等以强制要求部署的领域中，但缺没有普及到各行业各地区应用中，原因在于智能视频分析应用存有很大的进步空间，主要体现在几个方面：①局限性：市面上大多数的智能视频分析应用场景有限，更多应用于厂区、园区、化工、加油站等领域，智能视频分析主要是对人员行为特征以及对事物的状态进行ai算法识别判断，最终给出相应的反馈结果，导致在比较复杂和多变性的环境下，视频分析的稳定性可能大打折扣。②算力性能低：从市面上大多智能视频分析产品的视频分析应用属于前端分析，算力的不够导致只能针对几路视频进行分析，在拥有几百路或者上千路的安监视频分析需求上显得不是很理想。
3、随着视觉识别技术的发展和创新，越来越多的应用场景如轨道交通、机场、电网等，对于防区内的入侵行为检测的需求越来越
4、目前国内外一些厂商已经推出了各种智能分析技术，比如百度edgebox、海康的智能nvr等，采用智能视频报警的形式，针对当地学校、医院、小区、工业园区、市民广场、政府、工厂、步行街等场所已经设计相应的视频监控系统。与传统监控相比，把被动监控模式转化为危情的主动报警，但是针对铁路综合视频监控系统进行区域节点大规模的智能分析预警系统暂无应用。
5、对于铁路现场实际情况而言，铁路行业具有其特殊的工况，铁路现场的环境复杂多变，现有的视觉识别技术能未切实应用到铁路轨道异物入侵检测中来。而铁路场景业务的多样化和特殊性决定了要想真正解决铁路业务的智能化需求，必须针对铁路场景业务来进行算法定制。直接使用其它公共交通或公共安全场景的通用算法是无法满足铁路行业需求的。
6、此外，由于铁路轨道场景的复杂性，现有铁路轨道异物入侵智能监测任务中存在正负样本不均衡、远距离异物成像微小以及夜间异物成像质量差等难题。
技术实现思路
1、本专利技术的目的在于克服现有铁路轨道异物入侵检测中存在的问题，提供了一种基于sam深度学习的铁路轨道异物入侵检测方法、系统、存储介质及终端。
2、本专利技术的目的是通过以下技术方案来实现的：
3、第一方面，提供一种基于sam深度学习的铁路轨道异物入侵检测方法，包括以下步骤：
4、s1、获取待检测的铁路轨道的监控数据；
5、s2、基于sam模型的数据增广方法，对铁路轨道背景视频2d图像连续帧和不同光线呈现下的前景障碍物进行剪辑拼接，合成包含异物的待检测铁轨视频数据；
6、s3、将待检测铁轨视频数据输入yolox模型中进行检测，输出目标异物信息；所述将所述铁轨视频数据输入yolox模型中进行检测，包括：
7、对待检测铁轨视频数据进行输入端拼接、聚焦模块拼接以及多帧注意力融合。
8、在一些可能实施例提供的一种基于sam深度学习的铁路轨道异物入侵检测方法中，所述对铁路轨道背景视频2d图像连续帧和不同光线呈现下的前景障碍物进行剪辑拼接，包括：
9、前景-背景分离：sam采用编码器-解码器结构，其中编码器由多个卷积层和池化层组成，用于提取图像特征；解码器由多个反卷积层和上采样层组成，用于将特征图恢复到原始图像大小，并生成分割结果；
10、已有类别的数据增广：使用cutmix数据增强方法通过对分割区域变换不同的颜色、纹理，获取各种样式的同类样本；
11、缺失类别的数据增广：采用前景物体构建的方式，对分离提取后的前景与背景进行重新排列组合。
12、在一些可能实施例提供的一种基于sam深度学习的铁路轨道异物入侵检测方法中，所述对铁路轨道背景视频2d图像连续帧和不同呈现下的前景障碍物进行剪辑拼接，还包括：
13、对待拼接的前景物体进行单独的数据增强。
14、在一些可能实施例提供的一种基于sam深度学习的铁路轨道异物入侵检测方法中，所述步骤s3中选用yolox-s模型。
15、在一些可能实施例提供的一种基于sam深度学习的铁路轨道异物入侵检测方法中，所述多帧注意力融合，包括：
16、借助相邻帧信息，利用时间域的聚合来提升单帧的学习，通过注意力图机制，从当前帧候选区域的相邻帧提取特征相似性较高的区域进行融合。
17、在一些可能实施例提供的一种基于sam深度学习的铁路轨道异物入侵检测方法中，方法还包括：
18、在进行聚焦模块拼接以及多帧注意力融合时进行通道减半，同时多帧共享聚焦模块的权重参数。
19、在一些可能实施例提供的一种基于sam深度学习的铁路轨道异物入侵检测方法中，所述不同光线呈现包括清晰夜晚平行多轨场景、光线昏暗多轨场景、光照充足的白天以及白天多弯轨场景。
20、第二方面，提供一种基于sam深度学习的铁路轨道异物入侵检测系统，所述系统包括：
21、监控数据获取模块，配置为获取待检测的铁路轨道的监控数据；
22、待检测铁轨视频数据合成模块，配置为基于sam模型的数据增广方法，对铁路轨道背景视频2d图像连续帧和不同光线呈现下的前景障碍物进行剪辑拼接，合成包含异物的待检测铁轨视频数据；
23、异物检测模块，配置为将待检测铁轨视频数据输入yolox模型中进行检测，输出目标异物信息；所述将所述铁轨视频数据输入yolox模型中进行检测，包括：
24、对待检测铁轨视频数据进行输入端拼接、聚焦模块拼接以及多帧注意力融合。
25、第三方面，提供一种计算机存储介质，其上存储有计算机指令，所述计算机指令运行时执行任意一项所述一种基于sam深度学习的铁路轨道异物入侵检测方法中相关步骤。
26、第四方面，提供一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，处理器运行计算机指令时执行任意一项所述一种基于sam深度学习的铁路轨道异物入侵检测方法中相关步骤。
27、需要进一步说明的是，上述本文档来自技高网...
【技术保护点】
1.一种基于SAM深度学习的铁路轨道异物入侵检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于SAM深度学习的铁路轨道异物入侵检测方法，其特征在于，所述对铁路轨道背景视频2D图像连续帧和不同光线呈现下的前景障碍物进行剪辑拼接，包括：
3.根据权利要求1所述的一种基于SAM深度学习的铁路轨道异物入侵检测方法，其特征在于，所述对铁路轨道背景视频2D图像连续帧和不同呈现下的前景障碍物进行剪辑拼接，还包括：
4.根据权利要求1所述的一种基于SAM深度学习的铁路轨道异物入侵检测方法，其特征在于，所述步骤S3中选用YOLOX-s模型。
5.根据权利要求1所述的一种基于SAM深度学习的铁路轨道异物入侵检测方法，其特征在于，所述多帧注意力融合，包括：
6.根据权利要求1所述的一种基于SAM深度学习的铁路轨道异物入侵检测方法，其特征在于，方法还包括：
7.根据权利要求1所述的一种基于SAM深度学习的铁路轨道异物入侵检测方法，其特征在于，所述不同光线呈现包括清晰夜晚平行多轨场景、光线昏暗多轨场景、光照充足的白
8.一种基于SAM深度学习的铁路轨道异物入侵检测系统，其特征在于，所述系统包括：
9.一种计算机存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1-7中任意一项所述一种基于SAM深度学习的铁路轨道异物入侵检测方法中相关步骤。
10.一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，其特征在于，处理器运行计算机指令时执行权利要求1-7中任意一项所述一种基于SAM深度学习的铁路轨道异物入侵检测方法中相关步骤。
...【技术特征摘要】
1.一种基于sam深度学习的铁路轨道异物入侵检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于sam深度学习的铁路轨道异物入侵检测方法，其特征在于，所述对铁路轨道背景视频2d图像连续帧和不同光线呈现下的前景障碍物进行剪辑拼接，包括：
3.根据权利要求1所述的一种基于sam深度学习的铁路轨道异物入侵检测方法，其特征在于，所述对铁路轨道背景视频2d图像连续帧和不同呈现下的前景障碍物进行剪辑拼接，还包括：
4.根据权利要求1所述的一种基于sam深度学习的铁路轨道异物入侵检测方法，其特征在于，所述步骤s3中选用yolox-s模型。
5.根据权利要求1所述的一种基于sam深度学习的铁路轨道异物入侵检测方法，其特征在于，所述多帧注意力融合，包括：
6.根据权利要求1所述的一种基于s...
【专利技术属性】
技术研发人员：张文超，姚勇，黄洪，谭阳，张国军，邵兵，潘基先，陈夕童，曾俊捷，侯强，郭旭，陈晓东，肖帅，张国效，霍思，
申请(专利权)人：中国铁路成都局集团有限公司，
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。