[发明专利]一种YOLOv3铁路关键作业流程自动鉴别方法与系统

说明书

本发明涉及计算机视觉领域,尤其是一种YOLOv3铁路关键作业流程自动鉴别方法与系统，包括：通过人工作业时的视频以及得到的包含列车中关键特征的图像信息；对YOLOv3网络进行预训练，将图像输入darknet53，通过残差网络Residual，将主干的输入与输出结合，进行特征提取，通过下采样操作，获取特征图并利用多尺度模块将特征图划分为低频和高频特征图，通过池化层压缩低频特征图，减少分量冗余。本发明优化列车安全检查中关键点的识别，提升传统部分对列车安全检查中小目标的关键特征的精度，去除冗余分量，解决人工审查难度大的问题，形成人工作业视频分析全覆盖的目的。

技术领域

本发明涉及计算机视觉领域，特别在是一种结合目标检测和目标识别的改进YOLOv3网络结构的铁路关键作业流程自动鉴别的方法与系统。

背景技术

YOLOv3网络由三部分组成，分别是darknet53构成主干部分，FPN构成加强特征提取网络，YOLO_Head构成特征融合网络，利用卷积方式对目标特征进行多尺度融合，相比传统的机器学习领域，YOLOv3在目标检测领域对物体的检测精度和检测速度方面进行了提升，但对于较小的物体和关键特征的识别精度仍无法满足列车安全检查中的要求。

基于此类情况，提出一种YOLOv3铁路关键作业流程自动鉴别方法是有必要的。对于改进的YOLOv3网络，主要是在网络结构、检测分支等角度进行优化和扩展，提高列车安全检查中小目标的关键特征的精度。

发明专利CN113706815A中采用的YOLOv3网络模型对数据集进行训练，结合光流法实现了火灾识别，但对于微型火焰识别精度不够，没有对YOLO_Head模块中的检测分支进行扩展，只有等待有明显火焰迹象时才可检测到，从而导致检测不及时、火灾情况加剧的潜在风险。

发明专利CN109727428A通过改进YOLOv3算法，对缺陷图像识别分类，判断相同位置和报警类型的抑制状态来实现对重复报警的抑制。该发明将前三层残差网络与对应输出层进行级联，但实际上扩展后的YOLOv3网络无需全部用到23层残差网络，该发明专利未对残差网络进行简化，过多的残差单元增加了网络结构的复杂程度，训练时间较长，冗余分量较多，从而降低了模型质量。

发明专利CN112307984A通过改进YOLOv3骨干网络，增加可爱卷积和双注意力机制处理，实现了基于神经网络的安全帽检测方法和装置。但是，误检漏检的情况仍有存在，例如工人距离检测装置较远时或有部分物体遮挡住工人头部时，且该发明针对残差网络进行了改进，忽略了过度层的设计，简单的过渡层使得下采样时浅层信息有所丢失，不利于特征信息的平滑提取。

发明内容

针对上述问题，本发明提出一种YOLOv3铁路关键作业流程自动鉴别方法与系统，优化列车安全检查中关键点的识别，提升传统部分对列车安全检查中小目标的关键特征的精度，去除冗余分量，解决人工审查难度大的问题，形成人工作业视频分析全覆盖的目的。

本发明提供如下技术方案：一种YOLOv3铁路关键作业流程自动鉴别方法,包括如下步骤，

步骤1：通过人工作业视频，对包含关键点的部分进行逐帧提取，获得铁路作业流程中的关键特征的图像信息；

步骤2：基于步骤1所述的图像，采用labelimg软件对图像打标签，标注图像内关键特征的矩形包围框，获取矩形包围框在原图像的位置、宽高和类别信息，并生成对应的标签存储信息，搭建数据集；

步骤3：基于步骤2所述的数据集，将图像输入darknet53网络，利用残差网络Residual使主干的输入与输出结合，进行特征提取，通过下采样操作，获取特征图并利用YOLO_Head模块将特征图划分为低频和高频特征图，通过池化层使低频特征图压缩，减少分量冗余，传入特征提取网络；