CN112989931B - 一种地铁轨道异物智能识别方法 - Google Patents

一种地铁轨道异物智能识别方法 Download PDF

Info

Publication number
CN112989931B
CN112989931B CN202110160090.0A CN202110160090A CN112989931B CN 112989931 B CN112989931 B CN 112989931B CN 202110160090 A CN202110160090 A CN 202110160090A CN 112989931 B CN112989931 B CN 112989931B
Authority
CN
China
Prior art keywords
foreign matter
frame information
foreign
area
box
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
CN202110160090.0A
Other languages
English (en)
Other versions
CN112989931A (zh
Inventor
李静
李朝辉
王荣秋
尚伟艺
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.)
Guangzhou Huawei Mingtian Software Technology Co ltd
Original Assignee
Guangzhou Huawei Mingtian Software Technology Co ltd
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 Guangzhou Huawei Mingtian Software Technology Co ltd filed Critical Guangzhou Huawei Mingtian Software Technology Co ltd
Priority to CN202110160090.0A priority Critical patent/CN112989931B/zh
Publication of CN112989931A publication Critical patent/CN112989931A/zh
Application granted granted Critical
Publication of CN112989931B publication Critical patent/CN112989931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence

Abstract

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。

Description

一种地铁轨道异物智能识别方法
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；
步骤D3、分别设yolov4-tiny深度学习神经网络两个yolo层的anchor和classes，其中anchor为步骤C的重聚类分组数据。优选的，上述步骤二包括有：
步骤2.1、分别依次将步骤一得到的多帧识别图像输入至最优算法模型，对应得到识别图像内的地铁轨道异物的score和box，其中score为识别目标的置信度，box为识别目标的边框信息(x，y，w，h)其中x为边框中心点的x轴坐标，y为边框中心点的y轴坐标，w为边框的宽，h为边框的高；
步骤2.2、当score＜θ时则判定为误检目标，并删除对应的box；当score≥θ时则判定为检测目标，并进入步骤2.3，其中θ为0.4；
步骤2.3、保存box得到深度学习异物检测框信息。
优选的，上述步骤三包括有：
步骤3.1、对步骤一得到的识别图像进行地铁轨道定位，得到轨间区域；
步骤3.2、进行HSV提取轨间异物特征，其中HSV为图像颜色模型，其中H为色调参数，S为饱和度参数，V为亮度参数；
步骤3.3、进行异物特征筛选，得到传统异物检测结果框信息。
优选的，上述步骤3.1具体为通过canny边缘检测算法对步骤一得到的识别图像提取边缘特征，再进行Hough变换检测轨道直线，得到轨间区域。
优选的，上述步骤3.2具体为对步骤3.1得到的轨间区域提取均在h阈值、s阈值和v阈值范围内的异物特征，其中h阈值、s阈值和v阈值均大于0。
优选的，上述步骤3.3具体为计算步骤3.2得到的异物特征的外接矩形框box_t的面积area，滤去不在面积阈值α范围内的异物特征的外接矩形框box_t，得到传统异物检测结果框信息，其中面积阈值α为异物面积area与图像面积img_area的比值，且面积阈值α大于0。
优选的，上述步骤四包括有：
步骤4.1、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计算IOU值，
步骤4.2、将步骤4.1得到IOU值与IOU阈值γ进行对比，当IOU值小于等于IOU阈值时为不同异物进入步骤4.3，当IOU值大于IOU阈值时为同一异物进入步骤4.4，且IOU阈值大于0；
步骤4.3、保留传统异物检测结果框信息和深度学习异物检测框信息，并作为两个检测结果，进入步骤五；
步骤4.4、删除传统异物检测结果框信息，保留深度学习异物检测框信息并作为一个检测结果，进入步骤五。
优选的，上述IOU值由式(Ⅰ)得到
Figure GDA0003821437260000051
其中，S(box_t∩box_d)为深度学习异物检测框信息与传统异物检测结果框信息的交集面积，S(box_t∪box_d)为深度学习异物检测框信息与传统异物检测结果框信息的并集面积，box_t为传统异物检测结果框信息，box_d为深度学习异物检测框信息，thr为IOU阈值。
优选的，上述IOU阈值为0.7。
0＜h阈值＜8，0＜s阈值＜255，88＜v阈值＜255。
优选的，上述面积阈值α为0.05～0.5。
优选的，上述识别图像的格式为RGB。
本发明的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的漏检概率，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。
附图说明
利用附图对本发明作进一步的说明，但附图中的内容不构成对本发明的任何限制。
图1为一种地铁轨道异物智能识别方法的流程图。
具体实施方式
结合以下实施例对本发明的技术方案作进一步说明。
实施例1。
一种地铁轨道异物智能识别方法,如图1所示，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。
本发明的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。
其中,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。
其中步骤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；
步骤D3、分别设yolov4-tiny深度学习神经网络两个yolo层的anchor和classes，其中anchor为步骤C的重聚类分组数据。
其中,步骤二包括有：
步骤2.1、分别依次将步骤一得到的多帧识别图像输入至最优算法模型，对应得到识别图像内的地铁轨道异物的score和box，其中score为识别目标的置信度，box为识别目标的边框信息(x，y，w，h)其中x为边框中心点的x轴坐标，y为边框中心点的y轴坐标，w为边框的宽，h为边框的高；
步骤2.2、当score＜θ时则判定为误检目标，并删除对应的box；当score≥θ时则判定为检测目标，并进入步骤2.3，其中θ为0.4；
步骤2.3、保存box得到深度学习异物检测框信息。
其中,步骤三包括有：
步骤3.1、对步骤一得到的识别图像进行地铁轨道定位，得到轨间区域；
步骤3.2、进行HSV提取轨间异物特征，其中HSV为图像颜色模型，其中H为色调参数，S为饱和度参数，V为亮度参数；
步骤3.3、进行异物特征筛选，得到传统异物检测结果框信息。
其中，步骤3.1具体为通过canny边缘检测算法对步骤一得到的识别图像提取边缘特征，再进行Hough变换检测轨道直线，得到轨间区域。
其中，步骤3.2具体为对步骤3.1得到的轨间区域提取均在h阈值、s阈值和v阈值范围内的异物特征，其中h阈值、s阈值和v阈值均大于0。
需要说明的是，由于地铁轨道间环境比较稳定，因此可以通过设定一定h阈值、s阈值和v阈值即可提取不同于地铁轨道环境的异物特征。
其中，步骤3.3具体为计算步骤3.2得到的异物特征的外接矩形框box_t的面积area，滤去不在面积阈值α范围内的异物特征的外接矩形框box_t，得到传统异物检测结果框信息，其中面积阈值α为异物面积area与图像面积img_area的比值，且面积阈值α大于0。
需要说明的是，本发明的面积area＝(box_t x2-box_t x1)*(box_t y2-box_ty1)，其中box_t x2和box_t x1为异物中图像中的两个x坐标，box_t y2和box_t y1为异物中图像中的两个y坐标。img_area＝img w*img h，其中w和h分别为图像的宽和高。
本发明的步骤四包括有：
步骤4.1、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计算IOU值，
步骤4.2、将步骤4.1得到IOU值与IOU阈值γ进行对比，当IOU值小于等于IOU阈值时为不同异物进入步骤4.3，当IOU值大于IOU阈值时为同一异物进入步骤4.4，且IOU阈值大于0；
步骤4.3、保留传统异物检测结果框信息和深度学习异物检测框信息，并作为两个检测结果，进入步骤五；
步骤4.4、删除传统异物检测结果框信息，保留深度学习异物检测框信息并作为一个检测结果，进入步骤五。
需要说明的，通过IOU值可以筛选取经传统异物检测和深度学习异物检测出的同一异物，当为同一异物时只保留深度学习异物检测框信息作为一个检测结果，这样的作用是能够防止重复告警。
IOU值由式(Ⅰ)得到
Figure GDA0003821437260000101
其中，S(box_t∩box_d)为深度学习异物检测框信息与传统异物检测结果框信息的交集面积，S(box_t∪box_d)为深度学习异物检测框信息与传统异物检测结果框信息的并集面积，box_t为传统异物检测结果框信息，box_d为深度学习异物检测框信息，thr为IOU阈值。
需要说明的是，本发明采用的darknet框架训练深度学习神经网络yolov4-tiny算法为本领域技术公知常识，当输入素材图像、异物区域框信息和训练参数输入进行darknet框架训练深度学习神经网络yolov4-tiny算法训练后，可以得到本发明的最优算法模型。因此在此不再一一累述darknet框架训练深度学习神经网络yolov4-tiny算法的具体设置与操作过程。对于本发明所采用kmean重聚类为公知的算法，本领域技术人员也应当知晓其参数及参数设置，当参数设置后再将本发明的异物区域框信息采用kmeans重聚类后，可以得到本发明的重聚类分组数据。因此在此不再一一累述kmeans重聚类的具体设置与操作过程。
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。
实施例2。
一种地铁轨道异物智能识别方法,其他特征与实施例1相同，不同之处在于：本实施例IOU阈值具体为0.7，0＜h阈值＜8，0＜s阈值＜255，88＜v阈值＜255，面积阈值α为0.05～0.5，识别图像的格式为RGB。
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。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (8)

1.一种地铁轨道异物智能识别方法,其特征在于，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；
所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得到的训练参数输入至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；
所述步骤四包括有：
步骤4.1、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计算IOU值，
步骤4.2、将步骤4.1得到IOU值与IOU阈值γ进行对比，当IOU值小于等于IOU阈值时为不同异物进入步骤4.3，当IOU值大于IOU阈值时为同一异物进入步骤4.4，且IOU阈值大于0；
步骤4.3、保留传统异物检测结果框信息和深度学习异物检测框信息，并作为两个检测结果，进入步骤五；
步骤4.4、删除传统异物检测结果框信息，保留深度学习异物检测框信息并作为一个检测结果，进入步骤五。
2.根据权利要求1所述的地铁轨道异物智能识别方法,其特征在于：所述步骤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。
3.根据权利要求2所述的地铁轨道异物智能识别方法,其特征在于，所述步骤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；
步骤D3、分别设yolov4-tiny深度学习神经网络两个yolo层的anchor和classes，其中anchor为步骤C的重聚类分组数据。
4.根据权利要求3所述的地铁轨道异物智能识别方法,其特征在于：所述步骤二包括有：
步骤2.1、分别依次将步骤一得到的多帧识别图像输入至最优算法模型，对应得到识别图像内的地铁轨道异物的score和box，其中score为识别目标的置信度，box为识别目标的边框信息(x，y，w，h)其中x为边框中心点的x轴坐标，y为边框中心点的y轴坐标，w为边框的宽，h为边框的高；
步骤2.2、当score＜θ时则判定为误检目标，并删除对应的box；当score≥θ时则判定为检测目标，并进入步骤2.3，其中θ为0.4；
步骤2.3、保存box得到深度学习异物检测框信息。
5.根据权利要求4所述的地铁轨道异物智能识别方法,其特征在于：所述步骤三包括有：
步骤3.1、对步骤一得到的识别图像进行地铁轨道定位，得到轨间区域；
步骤3.2、进行HSV提取轨间异物特征，其中HSV为图像颜色模型，其中H为色调参数，S为饱和度参数，V为亮度参数；
步骤3.3、进行异物特征筛选，得到传统异物检测结果框信息。
6.根据权利要求5所述的地铁轨道异物智能识别方法,其特征在于：所述步骤3.1具体为通过canny边缘检测算法对步骤一得到的识别图像提取边缘特征，再进行Hough变换检测轨道直线，得到轨间区域；
所述步骤3.2具体为对步骤3.1得到的轨间区域提取均在h阈值、s阈值和v阈值范围内的异物特征，其中h阈值、s阈值和v阈值均大于0；
所述步骤3.3具体为计算步骤3.2得到的异物特征的外接矩形框box_t的面积area，滤去不在面积阈值α范围内的异物特征的外接矩形框box_t，得到传统异物检测结果框信息，其中面积阈值α为异物面积area与图像面积img_area的比值，且面积阈值α大于0。
7.根据权利要求6所述的地铁轨道异物智能识别方法,其特征在于：所述IOU值由式(Ⅰ)得到
Figure FDA0003821437250000041
其中，S(box_t∩box_d)为深度学习异物检测框信息与传统异物检测结果框信息的交集面积，S(box_t∪box_d)为深度学习异物检测框信息与传统异物检测结果框信息的并集面积，box_t为传统异物检测结果框信息，box_d为深度学习异物检测框信息，thr为IOU阈值。
8.根据权利要求7所述的地铁轨道异物智能识别方法,其特征在于：所述IOU阈值为0.7；
0＜h阈值＜8，0＜s阈值＜255，88＜v阈值＜255；
所述面积阈值α为0.05～0.5；
所述识别图像的格式为RGB。
CN202110160090.0A 2021-02-05 2021-02-05 一种地铁轨道异物智能识别方法 Active CN112989931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110160090.0A CN112989931B (zh) 2021-02-05 2021-02-05 一种地铁轨道异物智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110160090.0A CN112989931B (zh) 2021-02-05 2021-02-05 一种地铁轨道异物智能识别方法

Publications (2)

Publication Number Publication Date
CN112989931A CN112989931A (zh) 2021-06-18
CN112989931B true CN112989931B (zh) 2022-10-18

Family

ID=76347938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110160090.0A Active CN112989931B (zh) 2021-02-05 2021-02-05 一种地铁轨道异物智能识别方法

Country Status (1)

Country Link
CN (1) CN112989931B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197610A (zh) * 2018-02-02 2018-06-22 北京华纵科技有限公司 一种基于深度学习的轨道异物检测系统
CN109934135A (zh) * 2019-02-28 2019-06-25 北京航空航天大学 一种基于低秩矩阵分解的铁轨异物检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106251347B (zh) * 2016-07-27 2019-07-16 广东工业大学 地铁异物检测方法、装置、设备及地铁屏蔽门系统
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
CN109658397A (zh) * 2018-12-12 2019-04-19 广州地铁集团有限公司 一种轨道巡检方法及系统
CN110532889B (zh) * 2019-08-02 2022-08-16 南京理工大学 基于旋翼无人飞行器和YOLOv3的轨道异物检测方法
CN111402211B (zh) * 2020-03-04 2022-11-11 广西大学 一种基于深度学习的高速列车车底异物识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197610A (zh) * 2018-02-02 2018-06-22 北京华纵科技有限公司 一种基于深度学习的轨道异物检测系统
CN109934135A (zh) * 2019-02-28 2019-06-25 北京航空航天大学 一种基于低秩矩阵分解的铁轨异物检测方法

Also Published As

Publication number Publication date
CN112989931A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN105744232B (zh) 一种基于行为分析技术的输电线路视频防外破的方法
CN110261436B (zh) 基于红外热成像和计算机视觉的轨道故障检测方法及系统
CN110197589B (zh) 一种基于深度学习的闯红灯违法检测方法
CN103235938B (zh) 车牌检测与识别的方法及系统
CN101916383B (zh) 基于多摄像机的车辆检测跟踪识别系统
CN102043950B (zh) 基于canny算子和边缘点统计的车辆轮廓识别方法
CN106446926A (zh) 一种基于视频分析的变电站工人安全帽佩戴检测方法
CN107478590A (zh) 一种结合机动车智能视觉识别与尾气遥感检测的方法
CN106295551A (zh) 一种基于视频分析的人员安全帽佩戴情况实时检测方法
CN103761529A (zh) 一种基于多色彩模型和矩形特征的明火检测方法和系统
CN108388871B (zh) 一种基于车身回归的车辆检测方法
CN107085714A (zh) 一种基于视频的森林火灾检测方法
CN109911550A (zh) 基于红外热成像与可见光视频分析的刮板运输机保护装置
CN105046218A (zh) 一种基于串并行处理的多特征交通视频烟雾检测方法
CN102496275B (zh) 客车超载检测方法
CN104851288B (zh) 一种交通灯定位方法
CN109087363B (zh) 一种基于hsv颜色空间的污水排放检测方法
CN104408424A (zh) 一种基于图像处理的多信号灯识别方法
CN106339664A (zh) 一种基于颜色混合模型和多特征组合的视频烟雾检测方法
CN104077568A (zh) 一种高精度的驾驶员行为识别与监控方法及系统
CN112733668B (zh) 基于视频深度学习的电梯内宠物单独乘梯的检测方法
CN105069778A (zh) 基于目标特征显著图构建的工业产品表面缺陷检测方法
CN111626170A (zh) 一种铁路边坡落石侵限检测的图像识别方法
CN107766886A (zh) 高速铁路钢轨扣件弹条疲劳断口自动识别方法
CN113111771A (zh) 一种发电厂工作人员不安全行为的识别方法

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