[发明专利]一种基于FPGA平台和深度学习的轨道异物检测方法及系统

说明书

本发明公开了一种基于FPGA平台和深度学习的轨道异物检测方法，包括：(1)、获取轨道异物图像数据；(2)、利用所获取的轨道异物图像数据进行神经网络模型训练，获得异物检测模型；(3)、将所述异物检测模型加载到异物检测系统；(4)、利用车载影像采集装置获取轨道的视频数据；(5)、加载异物检测模型参数；(6)、利用异物检测模型对所采集的轨道视频基于神经网络进行异物检测；(7)一旦所述异物检测模型检测到轨道视频中出现异物，则发出报警信号。本发明的方法是基于FPGA实现的，相对于传统的CPU有更好的并发性更快的速度，相对于传统的GPU有更好的调控能力，相对于专用集成电路芯片有更好的迁移能力。

技术领域

本发明涉及轨道异物检测领域，具体涉及一种基于FPGA平台和深度学习的轨道异物检测方法及相应系统。

背景技术

轨道异物侵限是指铁道上影响到列车行驶安全的障碍物，如桥梁隧道山林树木掉落的悬挂物、工作失误造成滞留在轨道上作业的工务人员、非法上道的人畜车辆以及他们留下的垃圾障碍物等。由于列车行车速度快，单靠传统的司机视觉和常规检测方法来进行异物识别，难以保证行车安全。尽管传统的铁路防灾报警、故障诊断与检测理论和技术相对成熟，但异物报警检测却一直是一个难点。随着交通新技术的发展，探测异物侵限和预测危险是智能车辆不可缺少的重要功能之一。目前，铁路异物侵限检测主要分为主动检测和被动检测两种方法。主动检测是向需检测的方位发出某种探测信号，通过传感器反射回来的信号检测障碍物。这种方法是侵犯式检测，增加了环境噪声，检测的空间覆盖率有限。被动检测是基于机器视觉技术的智能图像检测，与主动检测比较有诸多优点：以非侵犯方式检测，不增加环境噪声，空间覆盖广，但其算法复杂、计算量大。在现有技术的道路异物侵限检测中，检测原理是基于图像特征和级联分类器训练分类两种算法。级联分类器训练时，需要大量的样本，通过大量样本训练得到由若干个弱分类器组成的级联分类器，面临处理的图像信息大、运算效率低等问题，而且能检测到的异物侵限单一以及容易误判。

发明内容

本发明提供了一种基于FPGA平台和深度学习技术的轨道异物检测技术。

本专利的工作原理主要依赖于离线部分中基于yolo物体检测框架训练深度网络模型，以及在线部分中基于FPGA平台运用训练好的模型对轨道进行异物检测和分类。对现有的异物视频数据进行标注，然后用yolo物体检测框架训练出高效的深度网络模型，将模型参数加载到FPGA中，完成神经网络的前向传递。列车运行时，摄像头捕捉图像数据，将数据作为输入传递给FPGA，对其进行检测，如果存在异物则标识出具体的位置和类别，并且报警，如果不存在异物则继续处理下一帧图像。

具体而言，本发明提供一种基于FPGA平台和深度学习的轨道异物检测方法，其特征在于，所述方法包括构建离线训练神经网络模型，利用轨道异物图像数据对轨道模型进行训练，并利用所构建的离线训练神经网络模型进行轨道异物检测。

优选地，所述方法包括下述步骤：

步骤(1)、获取轨道异物图像数据，所述图像数据中具有对异物的标注；

步骤(2)、构建异物检测模型，利用所获取的轨道异物图像数据进行神经网络模型训练，获得训练好的异物检测模型；

步骤(3)、将训练好的异物检测模型加载到异物检测系统；

步骤(4)、加载异物检测模型参数；

步骤(5)、利用车载影像采集装置获取轨道的视频数据；

步骤(6)、利用训练好的异物检测模型对所采集的轨道视频基于神经网络进行异物检测；

步骤(7)一旦所述异物检测模型检测到轨道视频中出现异物，则发出报警信号。

优选地，所述步骤(2)包括对现有异物视频数据进行标注，基于yolo 物体检测框架训练深度网络模型。