CN112149676B - 一种铁路货物装载状态图像的小目标检测处理方法 - Google Patents

一种铁路货物装载状态图像的小目标检测处理方法 Download PDF

Info

Publication number
CN112149676B
CN112149676B CN202010951900.XA CN202010951900A CN112149676B CN 112149676 B CN112149676 B CN 112149676B CN 202010951900 A CN202010951900 A CN 202010951900A CN 112149676 B CN112149676 B CN 112149676B
Authority
CN
China
Prior art keywords
small target
small
training
network
graph
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
Application number
CN202010951900.XA
Other languages
English (en)
Other versions
CN112149676A (zh
Inventor
刘启钢
耿汝峰
孙文桥
席江月
于雪峤
王志敬
汪结
张晓杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing China Railway Technology Co ltd
Beijing Hengyuan Intelligent Technology Co ltd
China Academy of Railway Sciences Corp Ltd CARS
Transportation and Economics Research Institute of CARS
Original Assignee
Beijing China Railway Technology Co ltd
Beijing Hengyuan Intelligent Technology Co ltd
China Academy of Railway Sciences Corp Ltd CARS
Transportation and Economics Research Institute of CARS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing China Railway Technology Co ltd, Beijing Hengyuan Intelligent Technology Co ltd, China Academy of Railway Sciences Corp Ltd CARS, Transportation and Economics Research Institute of CARS filed Critical Beijing China Railway Technology Co ltd
Priority to CN202010951900.XA priority Critical patent/CN112149676B/zh
Publication of CN112149676A publication Critical patent/CN112149676A/zh
Application granted granted Critical
Publication of CN112149676B publication Critical patent/CN112149676B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

一种铁路货物装载状态图像的小目标检测处理方法，使用相互重叠的覆盖式切割大图；在切割大图过程中引入小目标标注尺寸变量；通过切割大图得到保留全部原始特征值的小图；使用与小图像素的最大等比神经元数量进行图像识别；记录神经元网络训练过程中权重参数的变化比例与变化数量；使用神经元网络结构，对训练数据集进行训练，得到网络权重，完成网络训练；对大图进行切分，得到小目标识别输入数据；使用S6得到的网络权重，对输入数据进行小目标识别本发明通过对全部原始特征值的小图进行图像识别，避免造成丢失小目标特征；以及使用神经元网络结构，对训练数据集进行训练，得到网络权重，对输入数据进行小目标识别。

Description

一种铁路货物装载状态图像的小目标检测处理方法
技术领域
本发明涉及铁路货物图像检测技术领域，具体是一种铁路货物装载状态图像的小目标检测处理方法。
背景技术
货检站是铁路运输网的重要节点，在货检站进行货物装载状态检测，如重心偏离、车帮异物、车顶异物、车盖开启、篷布破损、棚车车门开启、敞车中门开启、空车不空等影响运输安全的问题，是保障货物安全运输的重要环节，目前货检站的货物状态检测主要依靠人工判图、人工巡视等手段，而人工检测易受生理及心理等因素的影响，强度大、效率低，尤其在大背景图像下的小物体问题项点存在明显的判别难度。
铁路货物装载状态图像的小目标对象是指，大背景铁路货物装载状态图像中，尺寸占比为0.01%至0.2%的物体对象，即物体对象的像素区间为30×60像素至160×200像素；小目标检测主要存在于车帮异物、车顶异物、车盖开启、篷布破损等问题项点，由于背景图大，问题点小，肉眼辨识困难，存在漏检、误检的情况，极大地增加了铁路货运安全管理风险隐患。
以Yolo、SVM等为代表的图像识别算法，在中等尺寸，如1024×768像素的图像缩小后处理时，容易丢失小目标特征；最大池化算法通过建立规模化负样本图像集合，训练样本图像尺寸偏小，算法流程难以在短时间内完成大图像识别；在大图，如2048×8000像素缩小后小目标基本变为个位数像素宽度，信号丢失，无法识别，因而以上算法无法满足大背景图像的小目标辨识要求；公开的检测数据表明，谷歌、微软、IBM测试数据集，小目标检测必须使用小目标专用算法，按照通用模型进行计算不能实现小目标检测。
发明内容
本发明所要解决的技术问题是提供一种铁路货物装载状态图像的小目标检测处理方法，可以有效解决上述背景技术中提出的问题。
为解决上述问题，本发明所采取的技术方案是：一种铁路货物装载状态图像的小目标检测处理方法，其方法包括以下步骤：
S1：使用相互重叠的覆盖式切割大图；
S2：在切割大图过程中引入小目标标注尺寸变量；
S3：通过切割大图得到保留全部原始特征值的小图；
S4：使用与小图像素的最大等比神经元数量进行图像识别；
S5：记录神经元网络训练过程中权重参数的变化比例与变化数量；
S6：使用神经元网络结构，对训练数据集进行训练，得到网络权重，完成网络训练；
S7：对大图进行切分，得到小目标识别输入数据；使用S6得到的网络权重，对输入数据进行小目标识别。
作为本发明的进一步优选方案，所述S3中全部原始特征值的小图通过小目标特征尺寸的重叠区域进行切割进行保留。
作为本发明的进一步优选方案，所述S4的图像识别采用常规直方图算法、特征值算法、支撑向量机、DPM算法、深度学习算法等作为前置处理支撑。
作为本发明的进一步优选方案，所述S5中增加每一层神经元网络数量，当权重参数的变化比例和变化数量明显降低，统计图表曲线斜率达到-45°时，停止增加神经元网络，使用权重参数参与计算。
作为本发明的进一步优选方案，所述S7中的小目标原始数据不缩小、不切分，直接用于图像处理。
与现有技术相比，本发明提供了一种铁路货物装载状态图像的小目标检测处理方法，具备以下有益效果：
本发明通过对全部原始特征值的小图进行图像识别，避免造成丢失小目标特征；以及使用神经元网络结构，对训练数据集进行训练，得到网络权重，对输入数据进行小目标识别；解决了铁路货物状态图像大背景、小目标的问题项点检测难题，满足货物装载状态精准化检测需要。
附图说明
图1为本发明一种铁路货物装载状态图像的小目标检测处理方法的结构示意图；
图2为本发明铁路货物状态小目标识别原始图像；
图3为本发明铁路货物状态小目标图像切割示意图；
图4为本发明针对铁路货物状态大图切割后小目标区域的定位示意图；
图5为本发明图像识别激活神经元比例关系图；
图6为本发明铁路货物状态大图切割后实际用于小目标判别的图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
参照说明书附图1-6本发明提供一种铁路货物装载状态图像的小目标检测处理方法，其方法包括以下步骤：
S1：使用相互重叠的覆盖式切割大图，避免通过缩放方法直接分析大图；
S2：在切割大图过程中引入小目标标注尺寸变量，避免小目标被切分，完整保留小目标原始数据；
S3：通过切割大图得到保留全部原始特征值的小图；
S4：使用与小图像素的最大等比神经元数量进行图像识别；
S5：记录神经元网络训练过程中权重参数的变化比例与变化数量；
S6：使用神经元网络结构，对训练数据集进行训练，得到网络权重，完成网络训练；
S7：对大图进行切分，得到小目标识别输入数据；使用S6得到的网络权重，对输入数据进行小目标识别。
作为本发明的进一步优选方案，所述S3中全部原始特征值的小图通过小目标特征尺寸的重叠区域进行切割进行保留，避免小目标在各个边角上被一分为二或者被切割到不同的图像区域。
作为本发明的进一步优选方案，所述S4的图像识别采用常规直方图算法、特征值算法、支撑向量机、DPM算法、深度学习算法等作为前置处理支撑。
作为本发明的进一步优选方案，所述S5中增加每一层神经元网络数量，当权重参数的变化比例和变化数量明显降低，统计图表曲线斜率达到-45°时，停止增加神经元网络，使用权重参数参与计算。
作为本发明的进一步优选方案，所述S7中的小目标原始数据不缩小、不切分，直接用于图像处理。
作为本发明的一个具体实施例:
对原始图像在横纵方向上进行重叠切割，切割方式为重叠区域的高与宽大于标注小目标的高与宽，同时切割完图像的整图尺寸不超过神经元网络的输入尺寸，切割后效果如图3所示。
如图4所示，从大图中截取出被切割的小图，用于小目标分析，以图3中含有小目标的小图为例。
激活神经元比例关系如图5所示，使用概率空间不变作为参考依据，在保持精度不变的前提下，逐步增加神经元数量，当激活神经元数量的比例急剧下降时，拟合曲线曲率达-45°，停止增加神经元数量，得到一个完整神经元网络的结构，此时的神经元网络为针对小目标识别的最大规模可用网络，使用该网络进行训练，得到所有权重结果。
如图6所示，使用训练完成的神经元网络推理重叠切割的小图，得到最终的小目标识别结果。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (1)

1.一种铁路货物装载状态图像的小目标检测处理方法，其方法包括以下步骤：
S1：使用相互重叠的覆盖式切割大图；
S2：在切割大图过程中引入小目标标注尺寸变量；
S3：通过切割大图得到保留全部原始特征值的小图；
S4：使用与小图像素的最大等比神经元数量进行图像识别；
S5：记录神经元网络训练过程中权重参数的变化比例与变化数量，统计成图表；
S6：使用神经元网络结构，对训练数据集进行训练，得到网络权重，完成网络训练；
S7：对大图进行切分，得到小目标识别输入数据；使用S6得到的网络权重，对输入数据进行小目标识别；
所述S3中小图的全部原始特征值通过小目标特征尺寸的重叠区域进行切割进行保留；
所述S4的图像识别采用包括常规直方图算法、特征值算法、支撑向量机、DPM算法、深度学习算法作为前置处理支撑；
所述S5增加每一层神经元网络数量，当权重参数的变化比例和变化数量降低到统计图表曲线斜率为-45°时，停止增加神经元网络，使用权重参数参与计算；
所述S7中的小目标原始数据不缩小、不切分，直接用于图像处理。
CN202010951900.XA 2020-09-11 2020-09-11 一种铁路货物装载状态图像的小目标检测处理方法 Active CN112149676B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010951900.XA CN112149676B (zh) 2020-09-11 2020-09-11 一种铁路货物装载状态图像的小目标检测处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010951900.XA CN112149676B (zh) 2020-09-11 2020-09-11 一种铁路货物装载状态图像的小目标检测处理方法

Publications (2)

Publication Number Publication Date
CN112149676A CN112149676A (zh) 2020-12-29
CN112149676B true CN112149676B (zh) 2024-04-30

Family

ID=73890177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010951900.XA Active CN112149676B (zh) 2020-09-11 2020-09-11 一种铁路货物装载状态图像的小目标检测处理方法

Country Status (1)

Country Link
CN (1) CN112149676B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837185B (zh) * 2021-11-23 2022-08-23 深圳比特微电子科技有限公司 目标检测方法、系统、装置及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279958A (zh) * 2013-05-31 2013-09-04 电子科技大学 一种基于Spiking神经网络的图像分割方法
CN104008554A (zh) * 2014-06-17 2014-08-27 深圳市赛为智能股份有限公司 基于视频的铁路线小目标检测方法及系统
CN106529609A (zh) * 2016-12-08 2017-03-22 郑州云海信息技术有限公司 一种基于神经网络结构的图像识别方法及装置
CN109389607A (zh) * 2018-10-12 2019-02-26 上海鹰觉科技有限公司 基于全卷积神经网络的舰船目标分割方法、系统及介质
CN110188765A (zh) * 2019-06-05 2019-08-30 京东方科技集团股份有限公司 图像语义分割模型生成方法、装置、设备及存储介质
CN111080600A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车弹簧托板上开口销的故障识别方法
CN111160125A (zh) * 2019-12-11 2020-05-15 北京交通大学 基于铁路监控的铁路异物入侵检测方法
WO2020107687A1 (zh) * 2018-11-27 2020-06-04 邦鼓思电子科技（上海）有限公司 一种基于视觉的工作区域边界的检测系统、方法及机器设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2004262060B2 (en) * 2003-08-01 2009-10-01 Senstar Corporation Cable guided intrusion detection sensor, system and method

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279958A (zh) * 2013-05-31 2013-09-04 电子科技大学 一种基于Spiking神经网络的图像分割方法
CN104008554A (zh) * 2014-06-17 2014-08-27 深圳市赛为智能股份有限公司 基于视频的铁路线小目标检测方法及系统
CN106529609A (zh) * 2016-12-08 2017-03-22 郑州云海信息技术有限公司 一种基于神经网络结构的图像识别方法及装置
CN109389607A (zh) * 2018-10-12 2019-02-26 上海鹰觉科技有限公司 基于全卷积神经网络的舰船目标分割方法、系统及介质
WO2020107687A1 (zh) * 2018-11-27 2020-06-04 邦鼓思电子科技（上海）有限公司 一种基于视觉的工作区域边界的检测系统、方法及机器设备
CN110188765A (zh) * 2019-06-05 2019-08-30 京东方科技集团股份有限公司 图像语义分割模型生成方法、装置、设备及存储介质
CN111160125A (zh) * 2019-12-11 2020-05-15 北京交通大学 基于铁路监控的铁路异物入侵检测方法
CN111080600A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车弹簧托板上开口销的故障识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Real-time Obstacle Detection Over Rails Using Deep Convolutional Neural Network;Yuchuan Xu et al.;《2019 IEEE Intelligent Transportation Systems Conference (ITSC)》;第1007-1012页 *
Research on Lean Operations Management Method of Railway Marshalling Yard;Wenqiao Sun et al.;《2020 IEEE 5th International Conference on Intelligent Transportation Engineering》;第205-208页 *
基于卷积网络特征迁移的小样本物体图像识别;白洁等;《计算机仿真》;第37卷(第05期);第311-316页 *
铁路智能货检作业模式优化设计研究;孙文桥等;《铁道货运》;第37卷(第12期);第24-28页 *

Also Published As

Publication number Publication date
CN112149676A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
CN111932489A (zh) 焊缝缺陷检测方法、系统、存储介质、计算机设备、终端
CN105460009B (zh) 汽车控制方法及装置
CN111368696A (zh) 基于视觉协同的危化品运输车违规驾驶行为检测方法及系统
CN111950488B (zh) 一种改进的Faster-RCNN遥感图像目标检测方法
CN113192037B (zh) 一种皮带机监测方法、系统、介质及电子终端
CN113240641B (zh) 一种基于深度学习的集装箱破损实时检测方法
CN113256624A (zh) 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质
CN114219936A (zh) 目标检测方法、电子设备、存储介质和计算机程序产品
CN112149676B (zh) 一种铁路货物装载状态图像的小目标检测处理方法
CN117094916B (zh) 一种市政桥梁支座视觉检测方法
CN112950576A (zh) 基于深度学习的输电线路缺陷智能识别方法及系统
CN118096739B (zh) 一种基于图像处理的金属锻件表面缺陷检测方法
CN115631146A (zh) 一种基于图像的受电弓碳滑条缺损缺陷检测方法
CN115496892A (zh) 工业缺陷检测方法、装置及电子设备、存储介质
CN110910363A (zh) 基于机器视觉和深度学习的虚焊检测方法、系统及介质
CN111738114A (zh) 基于无锚点精确采样遥感图像车辆目标检测方法
CN113901941A (zh) 载货车辆的查验方法及装置、电子设备和存储介质
CN117788472B (zh) 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法
CN111382638B (zh) 一种图像检测方法、装置、设备和存储介质
CN114170168A (zh) 显示模组缺陷检测方法、系统及计算机可读存储介质
CN102313740B (zh) 太阳能电池板裂痕检测方法
CN113888496A (zh) 基于深度卷积神经网络的精子形态识别方法及存储介质
Myojin et al. Improving reliability of object detection for lunar craters using Monte Carlo dropout
CN116310358B (zh) 铁路货车螺栓丢失检测方法、存储介质及设备
Evstafev et al. Surface Defect Detection and Recognition Based on CNN

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