【技术实现步骤摘要】
本专利技术涉及铁路检测，尤其涉及一种基于深度学习的铁路异物入侵检测方法及系统。
技术介绍
1、铁路在交通运输中发挥着重要作用，具有准时、舒适和节能等优点，鉴于铁路运输的性质，任何侵入铁路限界的人或物都可能导致列车脱轨和紧急停车等风险，这类风险被称为异物入侵，对其进行及时的检测和处置是保障列车安全和高效运行的基础。然而，随着铁路网不断扩张，运输规模急剧扩大，如何应对异物的随机性来提高检测的可靠性成为了一个更有挑战的问题。
2、目前铁路系统中的异物入侵检测技术大致可分为三种类型：第一类是被动防护，包括电子围栏和辐射探测等栅栏式系统，此类方法通过传感技术来判断异物是否与传感器有所接触，这种物理接触检测判断的方法受到外界影响因素较大，且成本高、需要大量的维护工作，不适合大规模使用；第二种是依靠巡检车，然而其受运营时间的限制无法保证全天时的检测；最后一类是人工检查摄像头收集的数据来提供可靠、持续的监控，但耗时耗力。
3、为了突破这些限制，人工智能驱动的主动检测方法得到了广泛研究。有关异物入侵的研究可分为传统的机器学习算法和基于深度学习的目标检测算法。传统方法通常包括提取轨道以识别感兴趣区域(roi)，随后进行目标检测和识别。轨道固有的几何属性(包括轨道间距和轨道平行)通常是轨道提取的关键特征。通过提取的roi，利用背景差分和光流来检测基于像素变化的异物。随后，机器学习算法(如支持向量机)使用人工设计的特征来识别检测到的物体。然而，这些算法在处理复杂动态场景时面临挑战，同时分布式处理不利于优化存储空间。深度学习方法主
4、面向列车运行场景复杂、异物多样和不可预测等特点，构建车载、地面全方位一体化的防控体系是实现可靠异物入侵检测的基础，因此适用于不同场景、未知异物的轻量化智能检测方法是不可缺少的。
技术实现思路
1、(一)要解决的技术问题
2、鉴于现有技术的上述缺点、不足，本专利技术提供一种基于深度学习的铁路异物入侵检测方法及系统，其解决了现有技术的以下技术问题：现有的异物入侵检测方法基本为目标检测架构，为了能检测到不同的异物，需要建立对应的数据集，然而异物出现频率相对较低，并且为了提高模型的泛化能力，需要涵盖不同的光照条件和场景，这使得构建针对未知异物图像的数据集这一过程变得更加复杂，很难适用于未知异物检测。
3、(二)技术方案
4、为了达到上述目的，本专利技术采用的主要技术方案包括：
5、第一方面，本专利技术实施例提供一种基于深度学习的铁路异物入侵检测方法，包括：
6、s10、获取待检测的图像数据；
7、s20、将所述待检测的图像数据输入训练好的第二注意力语义分割网络，得到异物检测结果；
8、所述训练好的第二注意力语义分割网络是使用视觉传感设备捕获的指定的图像数据，并采用自适应校正算法，对第一注意力语义分割网络进行重新训练得到的；
9、所述第一注意力语义分割网络是使用预制数据集，对预设的注意力语义分割网络架构进行训练得到的；
10、所述预制数据集是从coco-stuff数据集中提取出与铁路场景相关联的数据得到的；
11、所述注意力语义分割网络架构包括主干网络架构和双分支解码器；
12、其中，所述主干网络架构是通过在预选的残差神经网络中指定位置处插入指定的注意力机制，并将三个平行扩展卷积作为所述残差神经网络中的初始卷积层得到的；所述双分支解码器为结合边缘识别分支和语义分割分支的双分支解码器。
13、可选地，在所述s10之前还包括：
14、s01、从coco-stuff数据集中提取出与铁路场景相关联的数据，得到预制数据集；
15、s02、使用所述预制数据集，训练所述注意力语义分割网络架构，得到第一注意力语义分割网络；
16、s03、使用视觉传感设备捕获的指定的图像数据，并采用自适应校正算法，对第一注意力语义分割网络进行重新训练，得到第二注意力语义分割网络。
17、可选地，所述指定位置处为所述残差神经网络中的5个阶段中的每个阶段之后；
18、所述注意力机制为空间和通道双重注意力机制。
19、可选地，所述三个平行扩展卷积的核大小分别为3、5和7。
20、可选地，所述主干网络的架构中有5个阶段，每个阶段输出的数据分辨率相对于输入的数据分别为1/2、1/4、1/8、1/8、1/8。
21、可选地，s02包括：
22、s021、将所述预制数据集中的数据输入到所述注意力语义分割网络架构，分别得到语义分割分支和边缘识别分支的输出结果；
23、s022、根据输入数据的真实标签和输出结果，采用双分支总损失表达式计算出注意力语义分割网络架构的双分支的总损失；
24、所述双分支总损失表达式为：
25、lz＝lv(x)+lζ(x)+lb(x)，
26、其中，lz表示双分支的总损失，lb(x)表示类别平衡权重和正负样例平衡权重的交叉熵损失，lζ(x)为边缘辅助损失，lb(x)为边缘识别分支损失；
27、所述边缘辅助损失是采用边缘辅助损失表达式计算得来的；
28、所述边缘辅助损失表达式为：
29、
30、其中，lζ(x)为边缘识别分支损失，分别表示语义分割分支输出结果及边缘分支输出结果，分别表示语义标签及边缘标签；同lv(x)中类别平衡权重相同，n表示样本数量，n表示样本索引；
31、s023、重复s021和s022，直至双分支的总损失数值收敛，得到训练好的第一注意力语义分割网络。
32、可选地，所述自适应校正算法为基于多核最大均方偏差的域自适应校正算法，并且连接在每个注意力机制之后；
33、所述自适应校正算法包括无监督域自适应算法和后校正算法。
34、可选地，s03包括：
35、s031、将源域和目标域输入到所述第一注意力语义分割网络，得到生成结果；
36、其中，源域为所述预制数据集，目标域为视觉传感设备捕获的指定的图像数据；
37、s032、采用分布差异计算表达式计算得到源域和目标域之间的分布差异，即指导网络适应目标域的损失；
38、所述分布差异计算表达式为：
39、
40、其中，lφ(s,t)表示源域和目标域之间的分布差异，s、t分别表示源域和目本文档来自技高网...
【技术保护点】
1.一种基于深度学习的铁路异物入侵检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的铁路异物入侵检测方法，其特征在于，在所述S10之前还包括：
3.根据权利要求1所述的基于深度学习的铁路异物入侵检测方法，其特征在于，所述指定位置处为所述残差神经网络中的5个阶段中的每个阶段之后；
4.根据权利要求1所述的基于深度学习的铁路异物入侵检测方法，其特征在于，所述三个平行扩展卷积的核大小分别为3、5和7。
5.根据权利要求4所述的基于深度学习的铁路异物入侵检测方法，其特征在于，所述主干网络的架构中有5个阶段，每个阶段输出的数据分辨率相对于输入的数据分别为1/2、1/4、1/8、1/8、1/8。
6.根据权利要求2所述的基于深度学习的铁路异物入侵检测方法，其特征在于，S02包括：
7.根据权利要求2所述的基于深度学习的铁路异物入侵检测方法，其特征在于，所述自适应校正算法为基于多核最大均方偏差的域自适应校正算法，并且连接在每个注意力机制之后；
8.根据权利要求7所述的基于深度学习的铁路
9.根据权利要求1所述的基于深度学习的铁路异物入侵检测方法，其特征在于，所述方法还包括：
10.一种基于深度学习的铁路异物入侵检测系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种基于深度学习的铁路异物入侵检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的铁路异物入侵检测方法，其特征在于，在所述s10之前还包括：
3.根据权利要求1所述的基于深度学习的铁路异物入侵检测方法，其特征在于，所述指定位置处为所述残差神经网络中的5个阶段中的每个阶段之后；
4.根据权利要求1所述的基于深度学习的铁路异物入侵检测方法，其特征在于，所述三个平行扩展卷积的核大小分别为3、5和7。
5.根据权利要求4所述的基于深度学习的铁路异物入侵检测方法，其特征在于，所述主干网络的架构中有5个阶段，每个阶段输出的数据分辨率相对于输入...
【专利技术属性】
技术研发人员：董海荣，宋海锋，宋希颖，周敏，王洪伟，杨延杰，刘贞，
申请(专利权)人：北京交通大学，
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。