[发明专利]一种地铁轨道异物智能识别方法

说明书

一种地铁轨道异物智能识别方法,通过5个步骤对地铁轨道异物进行智能识别。该地铁轨道异物智能识别方法能降低人工巡检时漏检概率，节省人力成本，提高工作效率。现有技术的深度学习算法需要提前训练已知的异物种类，并不能穷举地铁轨道异物进行识别，而本发明使用深度学习和传统图像处理技术方法进行识别，可以提高异物识别覆盖性。

技术领域

本发明涉及轨道检测技术领域，特别涉及一种地铁轨道异物智能识别方法。

背景技术

地铁是解决中大城市交通运输的重要途径之一，随着我国地下铁道的快速建设发展，各个城市地铁线路越来越多，列车的时速不断提高,铁路运营安全越发重要。异物入侵会造成乘客人身安全事故，也会影响列车运行甚至造成地下交通瘫痪，产生重大经济损失，这给人们的生命和财产安全带来严重威胁。

目前，地铁轨道异物入侵检测方法主要为传感器检测与人工检测。传感器检测是通过信号发射器发射探测信号，然后根据传感器接收返回的信号判断是否有异物入侵，传感器检测一般较为固定，覆盖率不广。人工检测则由巡检工人带着照明工具，凭肉眼判断轨道内是否存在异物，人工检测效率低下，还可能存在漏检情况，存在安全隐患。

因此，针对现有技术不足，提供一种地铁轨道异物智能识别方法以解决现有技术不足甚为必要。

发明内容

本发明其中一个的目的在于避免现有技术的不足之处而提供一种地铁轨道异物智能识别方法。该地铁轨道异物智能识别方法能降低人工巡检的漏检概率，节省人力成本，提高工作效率，同时对异物识别的覆盖性更广。

本发明的上述目的通过以下技术措施实现：

提供一种地铁轨道异物智能识别方法,包括：

步骤一、将实时采集的地铁轨道区域内的视频流数据进行解析，得到多帧识别图像；

步骤二、将步骤一得到的识别图像输入至最优算法模型，得到深度学习异物检测框信息；

步骤三、对步骤一得到的识别图像进行传统图像检测得到传统异物检测结果框信息；

步骤四、根据步骤三得到的传统异物检测结果框信息和步骤二得到的深度学习异物检测框信息进行重复异物过滤，得到检测结果；

步骤五、根据步骤四得到的检测结果对应输出异物告警。

优选的，上述最优算法模型通过如下步骤得到：

步骤A、收集多张地铁轨道异物的素材图像；

步骤B、分别对步骤A得到的素材图像进行标注，得到多个异物区域框信息；

步骤C、对步骤B得到的多个异物区域框信息进行重聚类，得到重聚类分组数据；

步骤D、对yolov4-tiny深度学习神经网络算法的训练参数进行设置，得到训练参数；

步骤E、将步骤A得到的素材图像、步骤B得到的异物区域框信息和步骤D得到训练参数输入至darknet框架训练深度学习神经网络yolov4-tiny算法，得到最优算法模型。

优选的，上述步骤C具体是对步骤B得到的多个异物区域框信息进行kmeans重聚类，且K设置为6，得到重聚类分组数据。

优选的，上述步骤D包括有：

步骤D1、设置yolov4-tiny深度学习神经网络算法输入batch，其中batch为训练输入的素材图像数目；

步骤D2、设置yolov4-tiny深度学习神经网络中的前神经网络卷积层的filters，其中filters＝3*(5+classes)，其中classes为检测地铁轨道异物的种类数量；