CN111488866B - 基于深度学习的入侵物识别方法、装置及电子设备 - Google Patents
基于深度学习的入侵物识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111488866B CN111488866B CN202010600207.8A CN202010600207A CN111488866B CN 111488866 B CN111488866 B CN 111488866B CN 202010600207 A CN202010600207 A CN 202010600207A CN 111488866 B CN111488866 B CN 111488866B
- Authority
- CN
- China
- Prior art keywords
- image
- image acquisition
- network server
- track
- images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度学习的入侵物识别方法、装置及电子设备，属于数据处理技术领域，该方法包括：设置多个用于采集包含轨道图像的图像采集设备；设置与所述多个用于采集包含轨道图像的图像采集设备通信连接的网络服务器；将用于深度学习的神经网络切分为第一部分和第二部分，通过所述网络服务器在将神经网络的第一部分下发到图像采集设备上运行，将第二部分设置在所述网络服务器上运行；在图像采集设备采集到采集轨道视野内的图像序列之后，利用网络服务器中神经网络的第二部分依据所述特征矩阵集合，判断轨道视野内是否存在异物存在。通过本公开的处理方案，能够有效的对侵入的异物进行检测和监控。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种基于深度学习的入侵物识别方法、装置及电子设备。
背景技术
轨道交通作为重要的运输方式，通常具有需要经历较多的地理环境，所处地理环境差异很大，特别是一些环境恶劣的地区，侵入轨道交通线路限界内的异物主要有：倒塌的大树，大风在轨道上形成的沙上道，泥石流堆积在轨道上，山上滚下来的石块。
传统的方式是通过人工巡检铁路的方式来进行，但是人工巡检的方式一方面消耗较多的人力资源，同时也会导致效率较低，影响了铁路异物检测的及时性和成本。现有技术中还存在通过摄像头对铁路进行巡检的方案，但是通过摄像头摄像的方式，仍然需要人工对获取的摄像图像进行辨认，由于人工经验的差异，会导致图像辨认的效率较低。
发明内容
有鉴于此，本公开实施例提供一种基于深度学习的入侵物识别方法、装置及电子设备，以至少部分解决现有技术中存在的问题。
第一方面，本公开实施例提供了一种基于深度学习的入侵物识别方法，包括：
在轨道两侧按照预设的距离间隔，设置多个用于采集包含轨道图像的图像采集设备，用以在预设时间段内采集轨道视野内的图像序列；
设置与所述多个用于采集包含轨道图像的图像采集设备通信连接的网络服务器，使得所述网络服务器能够基于不同图像采集设备的ID从不同的图像采集设备上获取采集到的图像信息，并向不同的图像采集设备下发控制指令；
将用于深度学习的神经网络切分为第一部分和第二部分，通过所述网络服务器在将神经网络的第一部分下发到图像采集设备上运行，将第二部分设置在所述网络服务器上运行；
在图像采集设备采集到轨道视野内的图像序列之后，利用所述神经网络的第一部分对所述图像序列进行特征提取，得到与所述图像序列对应的特征矩阵集合，并将所述特征矩阵集合传送至所述网络服务器中，以便于所述网络服务器中神经网络的第二部分依据所述特征矩阵集合，判断轨道视野内是否存在异物存在。
根据本公开实施例的一种具体实现方式，所述设置多个用于采集包含轨道图像的图像采集设备，用以在预设时间段内采集轨道视野内的图像序列，包括：
获取预先设置的图像采样频率和预设时间段的起始时间和终止时间；
基于所述图像采样频率在起始时间和终止时间构成的时间段内进行图像采集；
基于起始时间和终止时间构成的时间段内采集到的图像，形成预设时间段内轨道视野内的图像序列。
根据本公开实施例的一种具体实现方式，所述基于起始时间和终止时间构成的时间段内采集到的图像，形成预设时间段内轨道视野内的图像序列，包括：
判断当前采集的图像与上一个图像之间的相似度是否大于预设值；
若是，则在所述图像序列中不保存当前采集的图像。
根据本公开实施例的一种具体实现方式，所述设置与所述多个用于采集包含轨道图像的图像采集设备通信连接的网络服务器，包括：
在所述网络服务器中设置用于控制图像采集设备的应用程序；
基于所述应用程序，控制所述图像采集设备在预设时间段内进行图像采集；
在所述图像采集设备完成图像采集之后，通过所述网络服务器对所述图像采集设备之间的带宽进行测试；
当所述带宽满足要求时，控制所述图像采集设备将图像序列中的图像与特征矩阵集合一起发送至网络服务器。
根据本公开实施例的一种具体实现方式，所述将用于深度学习的神经网络切分为第一部分和第二部分，包括：
将所述神经网络中包含的卷积层设置为第一部分，以便于基于第一部分进行图像的特征采集。
根据本公开实施例的一种具体实现方式，所述将用于深度学习的神经网络切分为第一部分和第二部分，包括：
将所述神经网络中包含的全连接层设置为第二部分，以便于基于第二部分对采集到的图像进行特征分类。
根据本公开实施例的一种具体实现方式，所述网络服务器中神经网络的第二部分依据所述特征矩阵集合，判断轨道视野内是否存在异物存在，包括：
对所述特征矩阵集合中的数值进行分类计算，得到分类预估值；
基于所述分类预估值，判断采集到的包含轨道图像的图像中物体的分类，得到分类结果；
判断所述分类结果是否为已知分类中包含的分类；
若否，则判定采集到的包含轨道图像的图像中的物体为侵入的异物。
根据本公开实施例的一种具体实现方式，所述在预设时间段内采集轨道视野内的图像序列，包括：
利用所述图像采集设备在预设位置拍摄备选图像；
对所述备选图像进行目标对象检测，得到目标检测对象集合；
将所述目标检测对象集合中的对象与预设目标对象集合进行比对，判断是否存在所述预设目标对象集合中不存在的目标对象；
若不存在，则将所述备选图像设置为所述背景图像；
分别对所述背景图像和所述图像序列中的图像进行边缘检测，得到多个具有封闭曲线的对象；
基于所述背景图像中轨道图像的封闭曲线为基准点，查找图像序列中与背景图像中的封闭曲线相似的对象，形成相似对象集合；
将所述相似对象集合中的对象所对应的图像在图像序列中执行删除操作，作为最终得到的图像序列。
第二方面，本公开实施例提供了一种基于深度学习的入侵物识别装置，包括：
采集模块，用于在轨道两侧按照预设的距离间隔，设置多个用于采集包含轨道图像的图像采集设备，用以在预设时间段内采集轨道视野内的图像序列；
设置模块，用于设置与所述多个用于采集包含轨道图像的图像采集设备通信连接的网络服务器，使得所述网络服务器能够基于不同图像采集设备的ID从不同的图像采集设备上获取采集到的图像信息，并向不同的图像采集设备下发控制指令；
切分模块，用于将用于深度学习的神经网络切分为第一部分和第二部分，通过所述网络服务器在将神经网络的第一部分下发到图像采集设备上运行，将第二部分设置在所述网络服务器上运行；
执行模块，用于在图像采集设备采集到轨道视野内的图像序列之后，利用所述神经网络的第一部分对所述图像序列进行特征提取，得到与所述图像序列对应的特征矩阵集合，并将所述特征矩阵集合传送至所述网络服务器中，以便于所述网络服务器中神经网络的第二部分依据所述特征矩阵集合，判断轨道视野内是否存在异物存在。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于深度学习的入侵物识别方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的基于深度学习的入侵物识别方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的基于深度学习的入侵物识别方法。
本公开实施例中的基于深度学习的入侵物识别方案，包括在轨道两侧按照预设的距离间隔，设置多个用于采集包含轨道图像的图像采集设备，用以在预设时间段内采集轨道视野内的图像序列；设置与所述多个用于采集包含轨道图像的图像采集设备通信连接的网络服务器，使得所述网络服务器能够基于不同图像采集设备的ID从不同的图像采集设备上获取采集到的图像信息，并向不同的图像采集设备下发控制指令；将用于深度学习的神经网络切分为第一部分和第二部分，通过所述网络服务器在将神经网络的第一部分下发到图像采集设备上运行，将第二部分设置在所述网络服务器上运行；在图像采集设备采集到轨道视野内的图像序列之后，利用所述神经网络的第一部分对所述图像序列进行特征提取，得到与所述图像序列对应的特征矩阵集合，并将所述特征矩阵集合传送至所述网络服务器中，以便于所述网络服务器中神经网络的第二部分依据所述特征矩阵集合，判断轨道视野内是否存在异物存在。通过本公开的处理方案，提高了基于深度学习的入侵物识别的效率。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种基于深度学习的入侵物识别方法的流程图；
图2为本公开实施例提供的另一种基于深度学习的入侵物识别方法的流程图；
图3为本公开实施例提供的另一种基于深度学习的入侵物识别方法的流程图；
图4为本公开实施例提供的另一种基于深度学习的入侵物识别方法的流程图；
图5为本公开实施例提供的一种基于深度学习的入侵物识别装置的结构示意图；
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种基于深度学习的入侵物识别方法。本实施例提供的基于深度学习的入侵物识别方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、客户端等中。
参见图1，本公开实施例中的基于深度学习的入侵物识别方法，可以包括如下步骤：
S101，在轨道两侧按照预设的距离间隔，设置多个用于采集包含轨道图像的图像采集设备，用以在预设时间段内采集轨道视野内的图像序列,。
为了能够对轨道交通进行有效的检测，可以按照预设的距离设置图像采集设备（例如，摄像头），从而保证能够在较长的轨道视野范围内都进行有效的监控。
在进行图像采集的过程中，可以设置多个时间段，通过多个预设时间段的方式来采集轨道视野内的图像序列。作为一种方式，可以获取预先设置的图像采样频率和预设时间段的起始时间和终止时间；基于所述图像采样频率在起始时间和终止时间构成的时间段内进行图像采集；基于起始时间和终止时间构成的时间段内采集到的图像，形成预设时间段内轨道视野内的图像序列。
作为另外一种方式，在进行图像采集的过程中，还可以判断当前采集的图像与上一个图像之间的相似度是否大于预设值，若是，则在所述图像序列中不保存当前采集的图像，从而节省图像采集过程中消耗的资源。
S102，设置与所述多个用于采集包含轨道图像的图像采集设备通信连接的网络服务器，使得所述网络服务器能够基于不同图像采集设备的ID从不同的图像采集设备上获取采集到的图像信息，并向不同的图像采集设备下发控制指令。
每个图像采集设备作为一个独立的单元，可以对采集到的图像进行初步的处理，为了提高采集图像整体的处理效率，可以设置与图像采集设备通信连接的网络服务器，通过网络服务器来根据相应的策略来控制各个图像采集设备，从而保证图像采集设备拍摄的图像满足实际的需要。
作为一种方式，尅在所述网络服务器中设置用于控制图像采集设备的应用程序，基于所述应用程序，控制所述图像采集设备在预设时间段内进行图像采集，在所述图像采集设备完成图像采集之后，通过所述网络服务器对所述图像采集设备之间的带宽进行测试，当所述带宽满足要求时，控制所述图像采集设备将图像序列中的图像发送至网络服务器，从而能够在服务器中对采集到的图像进行处理。当然在带宽不足的情况下，也可以在图像采集设备中预先对图像进行处理，形成图像对应的特征矩阵，将特征矩阵通过网络发送给网络服务器。
S103，将用于深度学习的神经网络切分为第一部分和第二部分，通过所述网络服务器在将神经网络的第一部分下发到图像采集设备上运行，将第二部分设置在所述网络服务器上运行。
为了提高异物检测的准确性，可以设置基于深度学习的神经网络，例如CNN卷积神经网络，通过设置神经网络，能够基于神经网络自学习的特性，进一步的提高异物检测的准确性。
为了提高神经网络的处理能力，可以将该神经网络进行分布式设置，具体的，将神经网络切分为两个组成部分，即第一部分和第二部分，第一部分设置在各个图像采集设备上，用于对采集到的各个图像进行特征计算，第二部分设置在网络服务器上，用于统一的对各个图像采集设备采集到的图像特征信息进行处理。
作为一种方式，可以将所述神经网络中包含的卷积层设置为第一部分，以便于基于第一部分进行图像的特征采集.
作为一种方式，可以将所述神经网络中包含的全连接层设置为第二部分，以便于基于第二部分对采集到的图像进行特征分类。
S104，在图像采集设备采集到轨道视野内的图像序列之后，利用所述神经网络的第一部分对所述图像序列进行特征提取，得到与所述图像序列对应的特征矩阵集合，并将所述特征矩阵集合传送至所述网络服务器中，以便于所述网络服务器中神经网络的第二部分依据所述特征矩阵集合，判断轨道视野内是否存在异物存在。
在进行异物检测的过程中，可以利用设置在网络服务器中的第二部分对所述特征矩阵集合中的数值进行分类计算，得到分类预估值，基于所述分类预估值，判断采集到的包含轨道图像的图像中物体的分类，得到分类结果，判断所述分类结果是否为已知分类中包含的分类，若否，则判定采集到的包含轨道图像的图像中的物体为侵入的异物。已知分类可以是预先设置的物体分类，例如，已知分类中的物体可以是列车等不属于异物的对象。
通过上述实施例中的内容，能够基于分布式的网络结构对异物进行检测，提高了异物检测的准确度。
参见图2，根据本公开实施例的一种具体实现方式，所述设置多个用于采集包含轨道图像的图像采集设备，用以在预设时间段内采集轨道视野内的图像序列，包括：
S201，获取预先设置的图像采样频率和预设时间段的起始时间和终止时间；
S202，基于所述图像采样频率在起始时间和终止时间构成的时间段内进行图像采集；
S203，基于起始时间和终止时间构成的时间段内采集到的图像，形成预设时间段内轨道视野内的图像序列。
根据本公开实施例的一种具体实现方式，所述基于起始时间和终止时间构成的时间段内采集到的图像，形成预设时间段内轨道视野内的图像序列，包括：判断当前采集的图像与上一个图像之间的相似度是否大于预设值；若是，则在所述图像序列中不保存当前采集的图像。
参见图3，根据本公开实施例的一种具体实现方式，所述设置与所述多个用于采集包含轨道图像的图像采集设备通信连接的网络服务器，包括：
S301，在所述网络服务器中设置用于控制图像采集设备的应用程序；
S302，基于所述应用程序，控制所述图像采集设备在预设时间段内进行图像采集；
S303，在所述图像采集设备完成图像采集之后，通过所述网络服务器对所述图像采集设备之间的带宽进行测试；
S304，当所述带宽满足要求时，控制所述图像采集设备将图像序列中的图像与特征矩阵集合一起发送至网络服务器。
通过上述实施方式，能够基于实际的带宽来控制图像信息的传递。
根据本公开实施例的一种具体实现方式，所述将用于深度学习的神经网络切分为第一部分和第二部分，包括：将所述神经网络中包含的卷积层设置为第一部分，以便于基于第一部分进行图像的特征采集。
根据本公开实施例的一种具体实现方式，所述将用于深度学习的神经网络切分为第一部分和第二部分，包括：将所述神经网络中包含的全连接层设置为第二部分，以便于基于第二部分对采集到的图像进行特征分类。
参见图4，根据本公开实施例的一种具体实现方式，所述网络服务器中神经网络的第二部分依据所述特征矩阵集合，判断轨道视野内是否存在异物存在，包括：
S401，对所述特征矩阵集合中的数值进行分类计算，得到分类预估值；
S402，基于所述分类预估值，判断采集到的包含轨道图像的图像中物体的分类，得到分类结果；
S403，判断所述分类结果是否为已知分类中包含的分类；
S404，若否，则判定采集到的包含轨道图像的图像中的物体为侵入的异物。
根据本公开实施例的一种具体实现方式，所述在预设时间段内采集轨道视野内的图像序列，包括：利用所述图像采集设备在预设位置拍摄备选图像；对所述备选图像进行目标对象检测，得到目标检测对象集合；将所述目标检测对象集合中的对象与预设目标对象集合进行比对，判断是否存在所述预设目标对象集合中不存在的目标对象；若不存在，则将所述备选图像设置为所述背景图像分别对所述背景图像和所述图像序列中的图像进行边缘检测，得到多个具有封闭曲线的对象；基于所述背景图像中轨道图像的封闭曲线为基准点，查找图像序列中与背景图像中的封闭曲线相似的对象，形成相似对象集合；将所述相似对象集合中的对象所对应的图像在图像序列中执行删除操作，作为最终得到的图像序列。
与上面的实施例相对应，参见图5，本公开实施例还提供了一种基于深度学习的入侵物识别装置50，包括：
采集模块501，用于在轨道两侧按照预设的距离间隔，设置多个用于采集包含轨道图像的图像采集设备，用以在预设时间段内采集轨道视野内的图像序列；
设置模块502，用于设置与所述多个用于采集包含轨道图像的图像采集设备通信连接的网络服务器，使得所述网络服务器能够基于不同图像采集设备的ID从不同的图像采集设备上获取采集到的图像信息，并向不同的图像采集设备下发控制指令；
切分模块503，用于将用于深度学习的神经网络切分为第一部分和第二部分，通过所述网络服务器在将神经网络的第一部分下发到图像采集设备上运行，将第二部分设置在所述网络服务器上运行；
执行模块504，用于在图像采集设备采集到采集轨道视野内的图像序列之后，利用所述神经网络的第一部分对所述图像序列进行特征提取，得到与所述图像序列对应的特征矩阵集合，并将所述特征矩阵集合传送至所述网络服务器中，以便于所述网络服务器中神经网络的第二部分依据所述特征矩阵集合，判断轨道视野内是否存在异物存在。
本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的基于深度学习的入侵物识别方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的基于深度学习的入侵物识别方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的的基于深度学习的入侵物识别方法。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60可以包括处理装置（例如中央处理器、图形处理器等）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储装置608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种基于深度学习的入侵物识别方法，其特征在于，包括：
在轨道两侧按照预设的距离间隔，设置多个用于采集包含轨道图像的图像采集设备，用以在预设时间段内采集轨道视野内的图像序列；
设置与所述多个用于采集包含轨道图像的图像采集设备通信连接的网络服务器，使得所述网络服务器能够基于不同图像采集设备的ID从不同的图像采集设备上获取采集到的图像信息，并向不同的图像采集设备下发控制指令；
将用于深度学习的神经网络切分为第一部分和第二部分，通过所述网络服务器在将神经网络的第一部分下发到图像采集设备上运行，将第二部分设置在所述网络服务器上运行；
在图像采集设备采集到轨道视野内的图像序列之后，利用所述神经网络的第一部分对所述图像序列进行特征提取，得到与所述图像序列对应的特征矩阵集合，并将所述特征矩阵集合传送至所述网络服务器中，以便于所述网络服务器中神经网络的第二部分依据所述特征矩阵集合，判断轨道视野内是否存在异物存在；其中，
在进行图像采集的过程中，设置多个时间段，通过多个预设时间段的方式来采集轨道视野内的图像序列；
在进行图像采集的过程中，进一步判断当前采集的图像与上一个图像之间的相似度是否大于预设值，若是，则在所述图像序列中不保存当前采集的图像；
在所述网络服务器中设置用于控制图像采集设备的应用程序，基于所述应用程序，控制所述图像采集设备在预设时间段内进行图像采集；
在所述图像采集设备完成图像采集之后，对所述网络服务器与所述图像采集设备之间的带宽进行测试，当所述带宽满足要求时，控制所述图像采集设备将图像序列中的图像发送至网络服务器，在带宽不足的情况下，在图像采集设备中预先对图像进行处理，形成图像对应的特征矩阵，将特征矩阵通过网络发送给网络服务器；
将所述神经网络中包含的卷积层设置为第一部分，以便于基于第一部分进行图像的特征采集，将所述神经网络中包含的全连接层设置为第二部分，以便于基于第二部分对采集到的图像进行特征分类；
在进行异物检测的过程中，利用设置在网络服务器中的第二部分对所述特征矩阵集合中的数值进行分类计算，得到分类预估值，基于所述分类预估值，判断采集到的包含轨道图像的图像中物体的分类，得到分类结果，判断所述分类结果是否为已知分类中包含的分类，若否，则判定采集到的包含轨道图像的图像中的物体为侵入的异物；
所述在预设时间段内采集轨道视野内的图像序列，包括：
利用所述图像采集设备在预设位置拍摄备选图像；
对所述备选图像进行目标对象检测，得到目标检测对象集合；
将所述目标检测对象集合中的对象与预设目标对象集合进行比对，判断是否存在所述预设目标对象集合中不存在的目标对象；
若不存在，则将所述备选图像设置为背景图像；
分别对所述背景图像和所述图像序列中的图像进行边缘检测，得到多个具有封闭曲线的对象；
基于所述背景图像中轨道图像的封闭曲线为基准点，查找图像序列中与背景图像中的封闭曲线相似的对象，形成相似对象集合；
将所述相似对象集合中的对象所对应的图像在图像序列中执行删除操作，作为最终得到的图像序列。
2.根据权利要求1所述的方法，其特征在于，所述设置多个用于采集包含轨道图像的图像采集设备，用以在预设时间段内采集轨道视野内的图像序列，包括：
获取预先设置的图像采样频率和预设时间段的起始时间和终止时间；
基于所述图像采样频率在起始时间和终止时间构成的时间段内进行图像采集；
基于起始时间和终止时间构成的时间段内采集到的图像，形成预设时间段内轨道视野内的图像序列。
3.一种基于深度学习的入侵物识别装置，其特征在于，包括：
采集模块，用于在轨道两侧按照预设的距离间隔，设置多个用于采集包含轨道图像的图像采集设备，用以在预设时间段内采集轨道视野内的图像序列；
设置模块，用于设置与所述多个用于采集包含轨道图像的图像采集设备通信连接的网络服务器，使得所述网络服务器能够基于不同图像采集设备的ID从不同的图像采集设备上获取采集到的图像信息，并向不同的图像采集设备下发控制指令；
切分模块，用于将用于深度学习的神经网络切分为第一部分和第二部分，通过所述网络服务器在将神经网络的第一部分下发到图像采集设备上运行，将第二部分设置在所述网络服务器上运行；
执行模块，用于在图像采集设备采集到轨道视野内的图像序列之后，利用所述神经网络的第一部分对所述图像序列进行特征提取，得到与所述图像序列对应的特征矩阵集合，并将所述特征矩阵集合传送至所述网络服务器中，以便于所述网络服务器中神经网络的第二部分依据所述特征矩阵集合，判断轨道视野内是否存在异物存在；其中，
在进行图像采集的过程中，设置多个时间段，通过多个预设时间段的方式来采集轨道视野内的图像序列；
在进行图像采集的过程中，进一步判断当前采集的图像与上一个图像之间的相似度是否大于预设值，若是，则在所述图像序列中不保存当前采集的图像；
在所述网络服务器中设置用于控制图像采集设备的应用程序，基于所述应用程序，控制所述图像采集设备在预设时间段内进行图像采集；
在所述图像采集设备完成图像采集之后，对所述网络服务器与所述图像采集设备之间的带宽进行测试，当所述带宽满足要求时，控制所述图像采集设备将图像序列中的图像发送至网络服务器，在带宽不足的情况下，在图像采集设备中预先对图像进行处理，形成图像对应的特征矩阵，将特征矩阵通过网络发送给网络服务器；
将所述神经网络中包含的卷积层设置为第一部分，以便于基于第一部分进行图像的特征采集，将所述神经网络中包含的全连接层设置为第二部分，以便于基于第二部分对采集到的图像进行特征分类；
在进行异物检测的过程中，利用设置在网络服务器中的第二部分对所述特征矩阵集合中的数值进行分类计算，得到分类预估值，基于所述分类预估值，判断采集到的包含轨道图像的图像中物体的分类，得到分类结果，判断所述分类结果是否为已知分类中包含的分类，若否，则判定采集到的包含轨道图像的图像中的物体为侵入的异物；
所述在预设时间段内采集轨道视野内的图像序列，包括：
利用所述图像采集设备在预设位置拍摄备选图像；
对所述备选图像进行目标对象检测，得到目标检测对象集合；
将所述目标检测对象集合中的对象与预设目标对象集合进行比对，判断是否存在所述预设目标对象集合中不存在的目标对象；
若不存在，则将所述备选图像设置为背景图像；
分别对所述背景图像和所述图像序列中的图像进行边缘检测，得到多个具有封闭曲线的对象；
基于所述背景图像中轨道图像的封闭曲线为基准点，查找图像序列中与背景图像中的封闭曲线相似的对象，形成相似对象集合；
将所述相似对象集合中的对象所对应的图像在图像序列中执行删除操作，作为最终得到的图像序列。
4.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-2中任一项所述的方法。
5.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-2中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010600207.8A CN111488866B (zh) | 2020-06-29 | 2020-06-29 | 基于深度学习的入侵物识别方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010600207.8A CN111488866B (zh) | 2020-06-29 | 2020-06-29 | 基于深度学习的入侵物识别方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111488866A CN111488866A (zh) | 2020-08-04 |
| CN111488866B true CN111488866B (zh) | 2020-10-23 |
Family
ID=71793766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010600207.8A Active CN111488866B (zh) | 2020-06-29 | 2020-06-29 | 基于深度学习的入侵物识别方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111488866B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114494983A (zh) * | 2022-04-15 | 2022-05-13 | 北京大成国测科技有限公司 | 一种铁路异物入侵监测方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018170074A1 (en) * | 2017-03-14 | 2018-09-20 | Starsky Robotics, Inc. | Vehicle sensor system and method of use |
| CN107728136A (zh) * | 2017-11-29 | 2018-02-23 | 航科院（北京）科技发展有限公司 | 一种机场跑道异物监测和清除引导系统及方法 |
| CN108304807A (zh) * | 2018-02-02 | 2018-07-20 | 北京华纵科技有限公司 | 一种基于fpga平台和深度学习的轨道异物检测方法及系统 |
| CN109360362A (zh) * | 2018-10-25 | 2019-02-19 | 中国铁路兰州局集团有限公司 | 一种铁路视频监控识别方法、系统和计算机可读介质 |
| CN109598250B (zh) * | 2018-12-10 | 2021-06-25 | 北京旷视科技有限公司 | 特征提取方法、装置、电子设备和计算机可读介质 |
| CN110084987A (zh) * | 2019-04-29 | 2019-08-02 | 复钧智能科技(苏州)有限公司 | 一种面向轨道交通的异物检查系统及方法 |
-
2020
- 2020-06-29 CN CN202010600207.8A patent/CN111488866B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111488866A (zh) | 2020-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110132290B (zh) | 智能驾驶路侧设备感知信息融合处理方法、装置、设备 | |
| CN109996176B (zh) | 路侧感知与车辆终端车路协同融合处理方法和装置 | |
| CN110689804B (zh) | 用于输出信息的方法和装置 | |
| CN110399847B (zh) | 关键帧提取方法、装置及电子设备 | |
| CN111121797B (zh) | 道路筛选方法、装置、服务器及存储介质 | |
| CN110287816B (zh) | 车门动作检测方法、装置和计算机可读存储介质 | |
| CN111222509B (zh) | 目标检测方法、装置及电子设备 | |
| CN111738316B (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
| CN110674349A (zh) | 视频poi识别方法、装置及电子设备 | |
| CN111914784B (zh) | 轨旁障碍物入侵实时检测方法、装置及电子设备 | |
| CN111488866B (zh) | 基于深度学习的入侵物识别方法、装置及电子设备 | |
| CN111191556A (zh) | 人脸识别方法、装置及电子设备 | |
| CN111899242B (zh) | 基于多源信号的侵限检测方法和装置 | |
| CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
| CN111681267B (zh) | 基于图像识别的轨道防侵入方法 | |
| CN111626990A (zh) | 目标检测框处理方法、装置及电子设备 | |
| CN110852253A (zh) | 梯控场景检测方法、装置及电子设备 | |
| CN111832354A (zh) | 目标对象年龄识别方法、装置及电子设备 | |
| CN110751120A (zh) | 一种检测方法、装置及电子设备 | |
| CN113033682B (zh) | 视频分类方法、装置、可读介质、电子设备 | |
| CN111524085B (zh) | 自适应图像处理方法、装置、电子设备和存储介质 | |
| CN111738311A (zh) | 面向多任务的特征提取方法、装置及电子设备 | |
| CN111523529A (zh) | 基于乘客出行轨迹的轨道交通疫情防控系统及方法 | |
| CN112560700A (zh) | 一种基于动作分析的信息关联方法、装置及电子设备 | |
| CN111401229A (zh) | 视觉小目标自动标注方法、装置及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information |
Inventor after: Jiang Meng Inventor after: Huang Yujun Inventor after: Zhang Huai Inventor after: Zhong Wenqing Inventor after: Wang He Inventor after: Gao Yuliang Inventor after: Gao Fei Inventor after: Dong Jianhua Inventor after: Ding Haiyou Inventor after: Kang Qiujing Inventor before: Jiang Meng Inventor before: Huang Yujun Inventor before: Zhang Huai Inventor before: Zhong Wenqing Inventor before: Wang He Inventor before: Gao Yuliang Inventor before: Gao Fei Inventor before: Dong Jianhua Inventor before: Ding Haiyou Inventor before: Kang Qiujing Inventor after: Jiang Meng Inventor after: Zhang Huai Inventor after: Wang He Inventor after: Gao Yuliang Inventor after: Gao Fei Inventor after: Dong Jianhua Inventor after: Ding Haiyou Inventor after: Kang Qiujing Inventor after: Huang Yujun Inventor before: Jiang Meng Inventor before: Huang Yujun Inventor before: Zhang Huai Inventor before: Zhong Wenqing Inventor before: Wang He Inventor before: Gao Yuliang Inventor before: Gao Fei Inventor before: Dong Jianhua Inventor before: Ding Haiyou Inventor before: Kang Qiujing |
|
| CB03 | Change of inventor or designer information | ||
| CI03 | Correction of invention patent |
Correction item: Inventor Correct: Jiang Meng|Zhang Huai|Wang He|Gao Yuliang|Gao Fei|Dong Jianhua|Ding Haiyou|Kang Qiujing|Huang Yujun False: Jiang Meng|Zhang Huai|Wang He|Gao Yuliang|Gao Fei|Dong Jianhua|Ding Haiyou|Kang Qiujing|Huang Yujun Number: 29-02 Volume: 37 |
|
| CI03 | Correction of invention patent | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 102206 room 503, building 6, No.97, Changping Road, Changping District, Beijing Patentee after: Beijing Dacheng Guoce Technology Co.,Ltd. Patentee after: Beijing Dacheng guoce Vision Technology Co.,Ltd. Address before: 102206 room 503, building 6, No.97, Changping Road, Changping District, Beijing Patentee before: BEIJING DACHENG GUOCE SCIENCE AND TECHNOLOGY CO.,LTD. Patentee before: Beijing Dacheng guoce Vision Technology Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |