CN112990132B - 一种轨道标号牌定位识别方法 - Google Patents

一种轨道标号牌定位识别方法 Download PDF

Info

Publication number
CN112990132B
CN112990132B CN202110461677.5A CN202110461677A CN112990132B CN 112990132 B CN112990132 B CN 112990132B CN 202110461677 A CN202110461677 A CN 202110461677A CN 112990132 B CN112990132 B CN 112990132B
Authority
CN
China
Prior art keywords
light intensity
information
label
number plate
real
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
CN202110461677.5A
Other languages
English (en)
Other versions
CN112990132A (zh
Inventor
廖峪
林仁辉
苏茂才
唐泰可
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.)
Chengdu Zhonggui Track Equipment Co ltd
Original Assignee
Chengdu Zhonggui Track Equipment 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 Chengdu Zhonggui Track Equipment Co ltd filed Critical Chengdu Zhonggui Track Equipment Co ltd
Priority to CN202110461677.5A priority Critical patent/CN112990132B/zh
Publication of CN112990132A publication Critical patent/CN112990132A/zh
Application granted granted Critical
Publication of CN112990132B publication Critical patent/CN112990132B/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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • 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
    • 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
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/141—Control of illumination
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/63—Scene text, e.g. street names
    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
    • 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
    • G06V2201/09—Recognition of logos

Abstract

本发明属于图像识别处理技术领域，公开了一种轨道标号牌定位识别方法；将标号牌数据一分为二，即标号图像数据和标号牌轮廓图像数据，接着分别提取与其对应的标号图像CNN特征和标号牌轮廓图像CNN特征，然后串联标号图像CNN特征和标号牌轮廓图像CNN特征后得到复合图像CNN特征，再根据相应的标签进行综合深度学习，得到目标轨道标号牌图像数据，最后检测目标轨道标号牌图像数据中的可识别轨道标号牌图像数据，从而实现轨道标号牌定位。

Description

一种轨道标号牌定位识别方法
技术领域
本发明属于图像识别处理技术领域，具体涉及一种轨道标号牌定位识别方法。
背景技术
现有的技术通过对轨道旁的标识图像进行识别分析，识别出杆号牌的数据信息，以及列车经过杆号牌的时机，并以此进行列车位置定位及校正，但是因为列车的车速快，并且需要对杆号牌内容进行连续识别，可能会出现采集到的图像非目标图像，照常对非目标图像进行识别分析，最终导致定位出现错误的问题。
发明内容
本发明目的在于提供一种轨道标号牌定位识别方法，用于解决上述现有技术中存在的技术问题，如：现有的技术通过对轨道旁的标识图像进行识别分析，识别出杆号牌的数据信息，以及列车经过杆号牌的时机，并以此进行列车位置定位及校正，但是因为列车的车速快，并且需要对杆号牌内容进行连续识别，可能会出现采集到的图像非目标图像，照常对非目标图像进行识别分析，最终导致定位出现错误的问题。
为实现上述目的，本发明的技术方案是：
一种轨道标号牌定位识别方法，包括以下步骤：
步骤S1：通过安装于列车上的高速工业相机采集轨道标号牌图像数据，所述轨道标号牌图像数据包括标号图像数据和标号牌轮廓图像数据；
其中，当采集轨道标号牌图像数据时，获取轨道标号牌处的实时光线强度信息和列车的实时速度信息，并且，预设有采集采集轨道标号牌图像数据时的轨道标号牌处的预设光线强度信息和列车的预设速度信息；
将所述实时光线强度信息与所述预设光线强度信息在第一光线强度判断单元进行比较判断，若所述实时光线强度信息与所述预设光线强度信息不匹配，则将所述实时光线强度信息与所述预设光线强度信息在第二光线强度判断单元进行比较判断，若所述实时光线强度信息与所述预设光线强度信息仍不匹配，则进行轨道标号牌处的光线强度信息异常报警和轨道标号牌图像数据异常报警，其中，所述第一光线强度判断单元与所述第二光线强度判断单元作用相同且相互独立；
将所述实时速度信息与所述预设速度信息在第一速度判断单元进行比较判断，若所述实时速度信息与所述预设速度信息不匹配，则将所述实时速度信息与所述预设速度信息在第二速度判断单元进行比较判断，若所述实时速度信息与所述预设速度信息仍不匹配，则进行列车的速度信息异常报警和轨道标号牌图像数据异常报警，其中，所述第一速度判断单元与所述第二速度判断单元作用相同且相互独立；
步骤S2：对所述标号图像数据提取标号图像CNN特征，对所述标号牌轮廓图像数据提取标号牌轮廓图像CNN特征，将所述标号图像CNN特征与所述标号牌轮廓图像CNN特征串联得到复合图像CNN特征；
步骤S3：提供与所述标号图像CNN特征对应的标号图像标签，提供与所述标号牌轮廓图像CNN特征对应的标号牌轮廓图像标签，提供与所述复合图像CNN特征对应的复合图像标签；
通过标号图像CNN特征、标号牌轮廓图像CNN特征、复合图像CNN特征分别与对应标号图像标签、标号牌轮廓图像标签、复合图像标签进行综合深度学习后，利用串联识别模型得到目标轨道标号牌图像数据；
所述综合深度学习的CNN模型架构如下：将若干个标号图像CNN特征输入ResNet-22模型，每一个标号图像CNN特征产生固定大小为256维度隐式表达；从隐式表达到结果预测使用两个全连接层进行映射；将一部分的标号图像CNN特征表示连接成512维向量，并应用两个完全连接的层来生成输出的第一学习结果；对于另一部分的标号图像CNN特征，执行相同的操作得到第二学习结果；对第一学习结果和第二学习结果求平均，以获得标号图像学习结果；
通过相同的方式得到标号牌轮廓图像学习结果和复合图像学习结果；
将标号图像学习结果、标号牌轮廓图像学习结果、复合图像学习结果输入至串联识别模型得到最终的目标轨道标号牌图像数据；
步骤S4：将所述目标轨道标号牌图像数据输入到标号牌定位识别模型，所述标号牌定位识别模型16层深的CNN网络，其最后一层可检测目标轨道标号牌图像数据中的可识别轨道标号牌图像数据，从而实现轨道标号牌定位。
进一步的，其中，步骤S1还包括以下子步骤：
S11：提取所述标号图像数据的实时清晰度信息一；
S12：提供一预设的对所述标号图像数据对应的标准清晰度信息一，所述标准清晰度信息一根据实际可识别清晰度而设定；并且，所述标准清晰度信息一与所述预设光线强度信息、所述预设速度信息为对应关系，使得所述标号图像数据本身与所述标准清晰度信息一、所述预设光线强度信息、所述预设速度信息三个要素进行特征融合绑定关系；
S13：将所述实时清晰度信息一与所述标准清晰度信息一进行比较判断，得到清晰度比较判断结果；
S14：若清晰度比较判断结果为所述实时清晰度信息一满足所述标准清晰度信息一，则进入步骤S15；若清晰度比较判断结果为所述实时清晰度信息一不满足所述标准清晰度信息一，则重复进行N次步骤S13和步骤S14，其中N为可设定的正整数；
S15：进入步骤S2。
进一步的，步骤S14中，当重复进行步骤S13和步骤S14达到N次时，舍弃当前所述标号图像数据。
进一步的，步骤S1还包括以下子步骤：
S101：提取所述标号牌轮廓图像数据的实时清晰度信息二；
S102：提供一预设的对所述标号牌轮廓图像数据对应的标准清晰度信息二，所述标准清晰度信息二根据实际可识别清晰度而设定；并且，所述标准清晰度信息二与所述预设光线强度信息、所述预设速度信息为对应关系，使得所述标号牌轮廓图像数据本身与所述标准清晰度信息二、所述预设光线强度信息、所述预设速度信息三个要素进行特征融合绑定关系；
S103：将所述实时清晰度信息二与所述标准清晰度信息二进行比较判断，得到清晰度比较判断结果；
S104：若清晰度比较判断结果为所述实时清晰度信息二满足所述标准清晰度信息二，则进入步骤S105；若清晰度比较判断结果为所述实时清晰度信息二不满足所述标准清晰度信息二，则重复进行M次步骤S103和步骤S104，其中M为可设定的正整数；
S105：进入步骤S2。
进一步的，步骤S14中，当重复进行步骤S103和步骤S104达到M次时，舍弃当前所述标号牌轮廓图像数据。
进一步的，步骤S1中，所述高速工业相机采集的标号图像数据和标号牌轮廓图像数据通过5G通信方式发送至数据处理模块进行后续的特征提取。
进一步的，在步骤S1中，提供一补光装置和一遮光装置；
当轨道标号牌处的光线强度信息异常报警时，判断当前的实时光线强度信息相较于预设光线强度信息的光线强度情况；
若所述光线强度情况为当前的实时光线强度信息相较于预设光线强度信息大，则启动所述遮光装置，对轨道标号牌处进行遮光处理；
若所述光线强度情况为当前的实时光线强度信息相较于预设光线强度信息小，则启动所述补光装置，对轨道标号牌处进行补光处理。
进一步的，在步骤S1中，当所述遮光装置启动后，记录其实际动作时长，记为实时遮光时长；当所述补光装置启动后，记录其实际动作时长，记为实时补光时长；
根据当前的实时光线强度信息相较于预设光线强度信息的光线强度情况、补光装置的实际补光效率、遮光装置的实际遮光效率；得到理论上当前的实时光线强度信息达到预设光线强度信息的理论补光时长或理论遮光时长；
当所述实时补光时长达到所述理论补光时长，判断此时的所述实时光线强度信息与所述预设光线强度信息仍不匹配，则进行补光异常报警；
当所述实时遮光时长达到所述理论遮光时长，判断此时的所述实时光线强度信息与所述预设光线强度信息仍不匹配，则进行遮光异常报警。
与现有技术相比，本发明所具有的有益效果为：
本方案的一个创新点在于，将标号牌数据一分为二，即标号图像数据和标号牌轮廓图像数据，接着分别提取与其对应的标号图像CNN特征和标号牌轮廓图像CNN特征，然后串联标号图像CNN特征和标号牌轮廓图像CNN特征后得到复合图像CNN特征，再根据相应的标签进行综合深度学习，得到目标轨道标号牌图像数据，最后检测目标轨道标号牌图像数据中的可识别轨道标号牌图像数据，从而实现轨道标号牌定位。即便列车的车速快并且需对杆号牌内容进行连续识别，也不会出现采集到的图像非目标图像，本方案通过综合深度学习和标号牌定位识别模型大幅度提高了轨道标号牌定位识别准确度，可在轨道交通信号系统中发挥着重要作用，实时准确地获取列车位置信息，是轨道交通高效、安全运行的保障，是提高效率、发挥运能的前提，有利于轨道交通往高密度、大运量的方向发展。
附图说明
图1是本发明具体实施方式的步骤总体示意图。
图2是本发明具体实施方式的综合深度学习的CNN模型示意图。
图3是本发明具体实施方式的综合深度学习的CNN模型原理图。
图4是本发明具体实施方式的步骤S1的一个子步骤示意图。
图5是本发明具体实施方式的步骤S1的另一个子步骤示意图。
具体实施方式
下面结合本发明的附图1-5，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
如图1所示，一种轨道标号牌定位识别方法，包括以下步骤：
步骤S1：通过安装于列车上的高速工业相机采集轨道标号牌图像数据，所述轨道标号牌图像数据包括标号图像数据和标号牌轮廓图像数据；
其中，当采集轨道标号牌图像数据时，获取轨道标号牌处的实时光线强度信息和列车的实时速度信息，并且，预设有采集采集轨道标号牌图像数据时的轨道标号牌处的预设光线强度信息和列车的预设速度信息；
将所述实时光线强度信息与所述预设光线强度信息在第一光线强度判断单元进行比较判断，若所述实时光线强度信息与所述预设光线强度信息不匹配，则将所述实时光线强度信息与所述预设光线强度信息在第二光线强度判断单元进行比较判断，若所述实时光线强度信息与所述预设光线强度信息仍不匹配，则进行轨道标号牌处的光线强度信息异常报警和轨道标号牌图像数据异常报警，其中，所述第一光线强度判断单元与所述第二光线强度判断单元作用相同且相互独立；
将所述实时速度信息与所述预设速度信息在第一速度判断单元进行比较判断，若所述实时速度信息与所述预设速度信息不匹配，则将所述实时速度信息与所述预设速度信息在第二速度判断单元进行比较判断，若所述实时速度信息与所述预设速度信息仍不匹配，则进行列车的速度信息异常报警和轨道标号牌图像数据异常报警，其中，所述第一速度判断单元与所述第二速度判断单元作用相同且相互独立；
步骤S2：对所述标号图像数据提取标号图像CNN特征，对所述标号牌轮廓图像数据提取标号牌轮廓图像CNN特征，将所述标号图像CNN特征与所述标号牌轮廓图像CNN特征串联得到复合图像CNN特征；
步骤S3：提供与所述标号图像CNN特征对应的标号图像标签，提供与所述标号牌轮廓图像CNN特征对应的标号牌轮廓图像标签，提供与所述复合图像CNN特征对应的复合图像标签；
通过标号图像CNN特征、标号牌轮廓图像CNN特征、复合图像CNN特征分别与对应标号图像标签、标号牌轮廓图像标签、复合图像标签进行综合深度学习后，利用串联识别模型得到目标轨道标号牌图像数据；
所述综合深度学习的CNN模型架构如下：将若干个标号图像CNN特征输入ResNet-22模型，每一个标号图像CNN特征产生固定大小为256维度隐式表达；从隐式表达到结果预测使用两个全连接层进行映射；将一部分的标号图像CNN特征表示连接成512维向量，并应用两个完全连接的层来生成输出的第一学习结果；对于另一部分的标号图像CNN特征，执行相同的操作得到第二学习结果；对第一学习结果和第二学习结果求平均，以获得标号图像学习结果；
通过相同的方式得到标号牌轮廓图像学习结果和复合图像学习结果；
将标号图像学习结果、标号牌轮廓图像学习结果、复合图像学习结果输入至串联识别模型得到最终的目标轨道标号牌图像数据；
步骤S4：将所述目标轨道标号牌图像数据输入到标号牌定位识别模型，所述标号牌定位识别模型16层深的CNN网络，其最后一层可检测目标轨道标号牌图像数据中的可识别轨道标号牌图像数据，从而实现轨道标号牌定位。
上述方案中，将标号牌数据一分为二，即标号图像数据和标号牌轮廓图像数据，接着分别提取与其对应的标号图像CNN特征和标号牌轮廓图像CNN特征，然后串联标号图像CNN特征和标号牌轮廓图像CNN特征后得到复合图像CNN特征，再根据相应的标签进行综合深度学习，得到目标轨道标号牌图像数据，最后检测目标轨道标号牌图像数据中的可识别轨道标号牌图像数据，从而实现轨道标号牌定位。即便列车的车速快并且需对杆号牌内容进行连续识别，也不会出现采集到的图像非目标图像，本方案通过综合深度学习和标号牌定位识别模型大幅度提高了轨道标号牌定位识别准确度，可在轨道交通信号系统中发挥着重要作用，实时准确地获取列车位置信息，是轨道交通高效、安全运行的保障，是提高效率、发挥运能的前提，有利于轨道交通往高密度、大运量的方向发展。并且，在采集轨道标号牌图像数据时，只有在轨道标号牌的光线强度信息和列车的速度信息达到最佳时，才对轨道标号牌图像数据进行采集，进一步保障了轨道标号牌图像数据的可靠性。
实施例2：
如图4所示，在实施例1的基础上进一步的，其中，步骤S1还包括以下子步骤：
S11：提取所述标号图像数据的实时清晰度信息一；
S12：提供一预设的对所述标号图像数据对应的标准清晰度信息一，所述标准清晰度信息一根据实际可识别清晰度而设定；并且，所述标准清晰度信息一与所述预设光线强度信息、所述预设速度信息为对应关系，使得所述标号图像数据本身与所述标准清晰度信息一、所述预设光线强度信息、所述预设速度信息三个要素进行特征融合绑定关系；
S13：将所述实时清晰度信息一与所述标准清晰度信息一进行比较判断，得到清晰度比较判断结果；
S14：若清晰度比较判断结果为所述实时清晰度信息一满足所述标准清晰度信息一，则进入步骤S15；若清晰度比较判断结果为所述实时清晰度信息一不满足所述标准清晰度信息一，则重复进行N次步骤S13和步骤S14，其中N为可设定的正整数；
S15：进入步骤S2。
上述方案中，标号图像数据的实时清晰度信息一与标准清晰度信息一的比较判断，只有满足条件的情况下才进行下一步，避免无效的数据处理步骤。
进一步的，步骤S14中，当重复进行步骤S13和步骤S14达到N次时，舍弃当前所述标号图像数据。
上述方案中，标号图像数据的实时清晰度信息一与标准清晰度信息一的比较判断属于数据处理过程，计算机程序在运行过程中不可避免的会出现偶然误差（或漏洞），若因为偶然误差（或漏洞）则将有效的标号图像数据舍弃掉会得不偿失；所以需要设计N次重复的比较判断，避免因为偶然误差（或漏洞）遗失掉有效的标号图像数据。
值得注意的是：上述步骤S11-S15在一个独立的数据处理单元（第一数据处理单元）中进行，当复进行步骤S13和步骤S14达到N次时，将当前所述标号图像数据带入到另一个独立的数据处理单元（第二数据处理单元）中进行，其中，第一数据处理单元与第二数据处理单元的工作原理和功能均相同，不同的点仅仅在于第一数据处理单元与第二数据处理单元是两个相互独立；当第二数据处理单元中重复进行步骤S13和步骤S14达到N次时，才确定舍弃当前所述标号图像数据；可避免第一数据处理单元自身系统程序出错而丢失有效的标号图像数据。
如图5所示，进一步的，步骤S1还包括以下子步骤：
S101：提取所述标号牌轮廓图像数据的实时清晰度信息二；
S102：提供一预设的对所述标号牌轮廓图像数据对应的标准清晰度信息二，所述标准清晰度信息二根据实际可识别清晰度而设定；并且，所述标准清晰度信息二与所述预设光线强度信息、所述预设速度信息为对应关系，使得所述标号牌轮廓图像数据本身与所述标准清晰度信息二、所述预设光线强度信息、所述预设速度信息三个要素进行特征融合绑定关系；
S103：将所述实时清晰度信息二与所述标准清晰度信息二进行比较判断，得到清晰度比较判断结果；
S104：若清晰度比较判断结果为所述实时清晰度信息二满足所述标准清晰度信息二，则进入步骤S105；若清晰度比较判断结果为所述实时清晰度信息二不满足所述标准清晰度信息二，则重复进行M次步骤S103和步骤S104，其中M为可设定的正整数；
S105：进入步骤S2。
上述方案中，标号牌轮廓图像数据的实时清晰度信息二与标准清晰度信息二的比较判断，只有满足条件的情况下才进行下一步，避免无效的数据处理步骤。
进一步的，步骤S14中，当重复进行步骤S103和步骤S104达到M次时，舍弃当前所述标号牌轮廓图像数据。
上述方案中，标号牌轮廓图像数据的实时清晰度信息二与标准清晰度信息二的比较判断属于数据处理过程，计算机程序在运行过程中不可避免的会出现偶然误差（或漏洞），若因为偶然误差（或漏洞）则将有效的标号图像数据舍弃掉会得不偿失；所以需要设计N次重复的比较判断，避免因为偶然误差（或漏洞）遗失掉有效的标号牌轮廓图像数据。
值得注意的是：上述步骤S101-S105在一个独立的数据处理单元（第三数据处理单元）中进行，当复进行步骤S103和步骤S104达到M次时，将当前所述标号牌轮廓图像数据带入到另一个独立的数据处理单元（第四数据处理单元）中进行，其中，第三数据处理单元与第四数据处理单元的工作原理和功能均相同，不同的点仅仅在于第三数据处理单元与第四数据处理单元是两个相互独立；当第四数据处理单元中重复进行步骤S103和步骤S104达到M次时，才确定舍弃当前所述标号牌轮廓图像数据；可避免第三数据处理单元自身系统程序出错而丢失有效的标号牌轮廓图像数据。
实施例3：
高速工业相机采集的标号图像数据和标号牌轮廓图像数据是整个轨道标号牌定位识别的重要环节之一，但是高速工业相机作为硬件设施，处于长期高负荷的运行状态，即使使用周期没有到标定的使用寿命也有很大的可能出现故障，所以对其进行故障检测是必要的；同时由于轨道部分是设于隧道中的，5G通信链路有可能会被信号阻扰，所以对5G通信链路的通断检测也是必要的。
在实施例1或实施例2的基础上进一步的，步骤S1中，所述高速工业相机采集的标号图像数据和标号牌轮廓图像数据通过5G通信方式发送至数据处理模块进行后续的特征提取。
提供一相机输出检测模块、一数据处理输入检测模块、一数据处理输出检测模块；
所述相机输出检测模块用于检测所述高速工业相机的输出端是否存在输出信号；
所述数据处理输入检测模块用于检测所述数据处理模块的输入端是否存在输入信号；
所述数据处理输出检测模块用于检测所述数据处理模块的输出端是否存在输出信号；
若所述相机输出检测模块检测到所述高速工业相机的输出端不存在输出信号，则可判定所述相机输出检测模块出现故障；
若所述相机输出检测模块检测到所述高速工业相机的输出端存在输出信号，所述数据处理输入检测模块检测到所述数据处理模块的输入端不存在输入信号，则可判定所述高速工业相机与所述数据处理模块的无线通信链路出现断路故障；
若所述相机输出检测模块检测到所述高速工业相机的输出端存在输出信号，所述数据处理输入检测模块检测到所述数据处理模块的输入端存在输入信号，所述数据处理输出检测模块检测到所述数据处理模块的输出端不存在输出信号，则可判定所述数据处理模块本身出现故障。
通过上述方案，高速工业相机作为硬件设施，处于长期高负荷的运行状态，即使使用周期没有到标定的使用寿命也有很大的可能出现故障，所以对其进行故障检测是必要的；本方案通过检测其输出端不存在输出信号可快速检测到高速工业相机的故障。同时由于轨道部分是设于隧道中的，5G通信链路有可能会被信号阻扰，所以对5G通信链路的通断检测也是必要的，当高速工业相机的输出端存在输出信号的前提下，本方案通过检测数据处理模块的输入端不存在输入信号，可快速检测到所述高速工业相机与所述数据处理模块的无线通信链路出现断路故障；当高速工业相机的输出端存在输出信号且数据处理模块的输入端存在输入信号的前提下，本方案通过检测数据处理模块的输出端不存在输出信号可快速检测到数据处理模块本身出现故障；
其中，当检测到高速工业相机的故障时，进行相机故障异常报警；当检测到所述高速工业相机与所述数据处理模块的无线通信链路出现断路故障时，进行通信链路故障异常报警；当检测到数据处理模块本身出现故障时，进行数据处理模块故障异常报警；进一步提高检修效率。
实施例4：
在实施例3的基础上进一步的，在步骤S1中，提供一补光装置和一遮光装置；
当轨道标号牌处的光线强度信息异常报警时，判断当前的实时光线强度信息相较于预设光线强度信息的光线强度情况；
若所述光线强度情况为当前的实时光线强度信息相较于预设光线强度信息大，则启动所述遮光装置，对轨道标号牌处进行遮光处理；
若所述光线强度情况为当前的实时光线强度信息相较于预设光线强度信息小，则启动所述补光装置，对轨道标号牌处进行补光处理。
进一步的，在步骤S1中，当所述遮光装置启动后，记录其实际动作时长，记为实时遮光时长；当所述补光装置启动后，记录其实际动作时长，记为实时补光时长；
根据当前的实时光线强度信息相较于预设光线强度信息的光线强度情况、补光装置的实际补光效率、遮光装置的实际遮光效率；得到理论上当前的实时光线强度信息达到预设光线强度信息的理论补光时长或理论遮光时长；
当所述实时补光时长达到所述理论补光时长，判断此时的所述实时光线强度信息与所述预设光线强度信息仍不匹配，则进行补光异常报警；
当所述实时遮光时长达到所述理论遮光时长，判断此时的所述实时光线强度信息与所述预设光线强度信息仍不匹配，则进行遮光异常报警。
上述方案中，根据当前的实时光线强度信息相较于预设光线强度信息的光线强度情况，决定是否启动补光装置或遮光装置，将光线强度情况调整至最佳；当确认光线强度情况需要进行调整时，根据实际的调整时长和理论的调整时长进行对比分析，从而可判断光线强度的调整是否正常进行。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (7)

1.一种轨道标号牌定位识别方法，其特征在于，包括以下步骤：
步骤S1：通过安装于列车上的高速工业相机采集轨道标号牌图像数据，所述轨道标号牌图像数据包括标号图像数据和标号牌轮廓图像数据；
其中，当采集轨道标号牌图像数据时，获取轨道标号牌处的实时光线强度信息和列车的实时速度信息，并且，预设有采集采集轨道标号牌图像数据时的轨道标号牌处的预设光线强度信息和列车的预设速度信息；
将所述实时光线强度信息与所述预设光线强度信息在第一光线强度判断单元进行比较判断，若所述实时光线强度信息与所述预设光线强度信息不匹配，则将所述实时光线强度信息与所述预设光线强度信息在第二光线强度判断单元进行比较判断，若所述实时光线强度信息与所述预设光线强度信息仍不匹配，则进行轨道标号牌处的光线强度信息异常报警和轨道标号牌图像数据异常报警，其中，所述第一光线强度判断单元与所述第二光线强度判断单元作用相同且相互独立；
将所述实时速度信息与所述预设速度信息在第一速度判断单元进行比较判断，若所述实时速度信息与所述预设速度信息不匹配，则将所述实时速度信息与所述预设速度信息在第二速度判断单元进行比较判断，若所述实时速度信息与所述预设速度信息仍不匹配，则进行列车的速度信息异常报警和轨道标号牌图像数据异常报警，其中，所述第一速度判断单元与所述第二速度判断单元作用相同且相互独立；
步骤S2：对所述标号图像数据提取标号图像CNN特征，对所述标号牌轮廓图像数据提取标号牌轮廓图像CNN特征，将所述标号图像CNN特征与所述标号牌轮廓图像CNN特征串联得到复合图像CNN特征；
步骤S3：提供与所述标号图像CNN特征对应的标号图像标签，提供与所述标号牌轮廓图像CNN特征对应的标号牌轮廓图像标签，提供与所述复合图像CNN特征对应的复合图像标签；
通过标号图像CNN特征、标号牌轮廓图像CNN特征、复合图像CNN特征分别与对应标号图像标签、标号牌轮廓图像标签、复合图像标签进行综合深度学习后，利用串联识别模型得到目标轨道标号牌图像数据；
所述综合深度学习的CNN模型架构如下：将若干个标号图像CNN特征输入ResNet-22模型，每一个标号图像CNN特征产生固定大小为256维度隐式表达；从隐式表达到结果预测使用两个全连接层进行映射；将一部分的标号图像CNN特征表示连接成512维向量，并应用两个完全连接的层来生成输出的第一学习结果；对于另一部分的标号图像CNN特征，执行相同的操作得到第二学习结果；对第一学习结果和第二学习结果求平均，以获得标号图像学习结果；
通过相同的方式得到标号牌轮廓图像学习结果和复合图像学习结果；
将标号图像学习结果、标号牌轮廓图像学习结果、复合图像学习结果输入至串联识别模型得到最终的目标轨道标号牌图像数据；
步骤S4：将所述目标轨道标号牌图像数据输入到标号牌定位识别模型，所述标号牌定位识别模型16层深的CNN网络，其最后一层可检测目标轨道标号牌图像数据中的可识别轨道标号牌图像数据，从而实现轨道标号牌定位；
其中，步骤S1还包括以下子步骤：
S11：提取所述标号图像数据的实时清晰度信息一；
S12：提供一预设的对所述标号图像数据对应的标准清晰度信息一，所述标准清晰度信息一根据实际可识别清晰度而设定；并且，所述标准清晰度信息一与所述预设光线强度信息、所述预设速度信息为对应关系，使得所述标号图像数据本身与所述标准清晰度信息一、所述预设光线强度信息、所述预设速度信息三个要素进行特征融合绑定关系；
S13：将所述实时清晰度信息一与所述标准清晰度信息一进行比较判断，得到清晰度比较判断结果；
S14：若清晰度比较判断结果为所述实时清晰度信息一满足所述标准清晰度信息一，则进入步骤S15；若清晰度比较判断结果为所述实时清晰度信息一不满足所述标准清晰度信息一，则重复进行N次步骤S13和步骤S14，其中N为可设定的正整数；
S15：进入步骤S2。
2.如权利要求1所述的一种轨道标号牌定位识别方法，其特征在于，步骤S14中，当重复进行步骤S13和步骤S14达到N次时，舍弃当前所述标号图像数据。
3.如权利要求1所述的一种轨道标号牌定位识别方法，其特征在于，步骤S1还包括以下子步骤：
S101：提取所述标号牌轮廓图像数据的实时清晰度信息二；
S102：提供一预设的对所述标号牌轮廓图像数据对应的标准清晰度信息二，所述标准清晰度信息二根据实际可识别清晰度而设定；并且，所述标准清晰度信息二与所述预设光线强度信息、所述预设速度信息为对应关系，使得所述标号牌轮廓图像数据本身与所述标准清晰度信息二、所述预设光线强度信息、所述预设速度信息三个要素进行特征融合绑定关系；
S103：将所述实时清晰度信息二与所述标准清晰度信息二进行比较判断，得到清晰度比较判断结果；
S104：若清晰度比较判断结果为所述实时清晰度信息二满足所述标准清晰度信息二，则进入步骤S105；若清晰度比较判断结果为所述实时清晰度信息二不满足所述标准清晰度信息二，则重复进行M次步骤S103和步骤S104，其中M为可设定的正整数；
S105：进入步骤S2。
4.如权利要求3所述的一种轨道标号牌定位识别方法，其特征在于，步骤S14中，当重复进行步骤S103和步骤S104达到M次时，舍弃当前所述标号牌轮廓图像数据。
5.如权利要求1所述的一种轨道标号牌定位识别方法，其特征在于，步骤S1中，所述高速工业相机采集的标号图像数据和标号牌轮廓图像数据通过5G通信方式发送至数据处理模块进行后续的特征提取。
6.如权利要求1所述的一种轨道标号牌定位识别方法，其特征在于，在步骤S1中，提供一补光装置和一遮光装置；
当轨道标号牌处的光线强度信息异常报警时，判断当前的实时光线强度信息相较于预设光线强度信息的光线强度情况；
若所述光线强度情况为当前的实时光线强度信息相较于预设光线强度信息大，则启动所述遮光装置，对轨道标号牌处进行遮光处理；
若所述光线强度情况为当前的实时光线强度信息相较于预设光线强度信息小，则启动所述补光装置，对轨道标号牌处进行补光处理。
7.如权利要求6所述的一种轨道标号牌定位识别方法，其特征在于，在步骤S1中，当所述遮光装置启动后，记录其实际动作时长，记为实时遮光时长；当所述补光装置启动后，记录其实际动作时长，记为实时补光时长；
根据当前的实时光线强度信息相较于预设光线强度信息的光线强度情况、补光装置的实际补光效率、遮光装置的实际遮光效率；得到理论上当前的实时光线强度信息达到预设光线强度信息的理论补光时长或理论遮光时长；
当所述实时补光时长达到所述理论补光时长，判断此时的所述实时光线强度信息与所述预设光线强度信息仍不匹配，则进行补光异常报警；
当所述实时遮光时长达到所述理论遮光时长，判断此时的所述实时光线强度信息与所述预设光线强度信息仍不匹配，则进行遮光异常报警。
CN202110461677.5A 2021-04-27 2021-04-27 一种轨道标号牌定位识别方法 Active CN112990132B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110461677.5A CN112990132B (zh) 2021-04-27 2021-04-27 一种轨道标号牌定位识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110461677.5A CN112990132B (zh) 2021-04-27 2021-04-27 一种轨道标号牌定位识别方法

Publications (2)

Publication Number Publication Date
CN112990132A CN112990132A (zh) 2021-06-18
CN112990132B true CN112990132B (zh) 2023-01-03

Family

ID=76340438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110461677.5A Active CN112990132B (zh) 2021-04-27 2021-04-27 一种轨道标号牌定位识别方法

Country Status (1)

Country Link
CN (1) CN112990132B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106395532A (zh) * 2016-11-14 2017-02-15 广州日滨科技发展有限公司 一种电梯数据采集方法及装置
CN107465868A (zh) * 2017-06-21 2017-12-12 珠海格力电器股份有限公司 基于终端的物体识别方法、装置及电子设备
CN207558294U (zh) * 2017-12-19 2018-06-29 中铁第四勘察设计院集团有限公司 高速铁路钢轨伸缩调节器位移识别标识牌
CN110171354A (zh) * 2019-05-15 2019-08-27 北京汽车股份有限公司 一种路边停车主动警示方法及系统
CN110758477A (zh) * 2019-11-07 2020-02-07 交控科技股份有限公司 基于二维码识别的列车定位方法及系统
CN111126392A (zh) * 2019-12-25 2020-05-08 江苏恒创软件有限公司 一种钢包标号的数字图像快速识别方法及装置
CN111591321A (zh) * 2020-07-27 2020-08-28 成都中轨轨道设备有限公司 一种用于轨道杆号牌内容的连续识别纠正装置和方法
CN111598061A (zh) * 2020-07-21 2020-08-28 成都中轨轨道设备有限公司 一种自主识别定位轨道标识牌内容的系统和方法
CN111709950A (zh) * 2020-08-20 2020-09-25 成都金盘电子科大多媒体技术有限公司 一种乳腺钼靶ai辅助筛查方法
CN111738367A (zh) * 2020-08-17 2020-10-02 成都中轨轨道设备有限公司 一种基于图像识别的零件分类方法
CN111915561A (zh) * 2020-06-30 2020-11-10 西安理工大学 一种基于图像识别和机器学习的螺栓状态监测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI556194B (zh) * 2012-06-29 2016-11-01 希科母股份有限公司 對象檢出裝置、對象檢出方法及對象檢出用電腦程式
CN106303223A (zh) * 2016-07-29 2017-01-04 努比亚技术有限公司 一种图片处理方法及设备
CN109580653A (zh) * 2018-11-06 2019-04-05 深圳技术大学（筹） 一种铁路扣件图像采集方法
CN110136091B (zh) * 2019-04-12 2021-11-30 深圳云天励飞技术有限公司 图像处理方法及相关产品
CN113596590B (zh) * 2020-04-30 2022-08-26 聚好看科技股份有限公司 显示设备及播放控制方法
CN110728269B (zh) * 2019-12-17 2020-08-21 西南交通大学 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法
CN111443092A (zh) * 2020-04-30 2020-07-24 中国铁建高新装备股份有限公司 一种用于轨道扣件松动的检测方法及装置
CN111553870B (zh) * 2020-07-13 2020-10-16 成都中轨轨道设备有限公司 一种基于分布式系统的图像处理方法
CN112233049B (zh) * 2020-12-14 2021-03-02 成都中轨轨道设备有限公司 一种用于提升图像清晰度的图像融合方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106395532A (zh) * 2016-11-14 2017-02-15 广州日滨科技发展有限公司 一种电梯数据采集方法及装置
CN107465868A (zh) * 2017-06-21 2017-12-12 珠海格力电器股份有限公司 基于终端的物体识别方法、装置及电子设备
CN207558294U (zh) * 2017-12-19 2018-06-29 中铁第四勘察设计院集团有限公司 高速铁路钢轨伸缩调节器位移识别标识牌
CN110171354A (zh) * 2019-05-15 2019-08-27 北京汽车股份有限公司 一种路边停车主动警示方法及系统
CN110758477A (zh) * 2019-11-07 2020-02-07 交控科技股份有限公司 基于二维码识别的列车定位方法及系统
CN111126392A (zh) * 2019-12-25 2020-05-08 江苏恒创软件有限公司 一种钢包标号的数字图像快速识别方法及装置
CN111915561A (zh) * 2020-06-30 2020-11-10 西安理工大学 一种基于图像识别和机器学习的螺栓状态监测方法
CN111598061A (zh) * 2020-07-21 2020-08-28 成都中轨轨道设备有限公司 一种自主识别定位轨道标识牌内容的系统和方法
CN111591321A (zh) * 2020-07-27 2020-08-28 成都中轨轨道设备有限公司 一种用于轨道杆号牌内容的连续识别纠正装置和方法
CN111738367A (zh) * 2020-08-17 2020-10-02 成都中轨轨道设备有限公司 一种基于图像识别的零件分类方法
CN111709950A (zh) * 2020-08-20 2020-09-25 成都金盘电子科大多媒体技术有限公司 一种乳腺钼靶ai辅助筛查方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Georgios Karagiannis;Søren Olsen;Kim Pedersen.Deep Learning for Detection of Railway Signs and Signals.《Advances in Computer Vision》.2019,1-15. *
基于图像处理和双BP神经网络的电气化铁路接触网立柱标识牌识别算法研究;徐蔚等;《https://kns.cnki.net/kcms/detail/11.2987.U.20190822.1418.002.html》;20190822;1-7 *

Also Published As

Publication number Publication date
CN112990132A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN110826538B (zh) 一种用于电力营业厅的异常离岗识别系统
CN111432179A (zh) 基于计算机视觉的输煤皮带智能巡检系统及方法
CN107257161A (zh) 一种基于状态识别算法的变电站刀闸遥控辅助校核方法及系统
CN104200464A (zh) 一种识别列车异常的检测方法及系统
CN105049915B (zh) 一种机车视频数据完整性自动检测方法
CN102262726B (zh) 基于fpga多核的车牌识别系统
CN113269042B (zh) 基于行驶车辆违章识别的智能交通管理方法及系统
CN111680613A (zh) 一种实时检测手扶电梯乘客摔倒行为的方法
CN108357517A (zh) 动车组列车运行故障信息检测方法和系统
CN112633343A (zh) 一种电力设备端子排接线校核方法及装置
CN113343998A (zh) 电力机械表计读数监测系统、方法、计算机设备及应用
CN113788051A (zh) 列车在站运行状态监测分析系统
CN112990132B (zh) 一种轨道标号牌定位识别方法
CN112614130A (zh) 基于5G传输和YOLOv3的无人机输电线路绝缘子故障检测方法
CN106355187A (zh) 视觉信息在电力设备监测中的应用
CN109934172B (zh) 高速列车受电弓免gps全运行线故障视觉检测定位方法
CN114842315B (zh) 轻量化高铁轮毂垫片防松识别方法及装置
CN114724091A (zh) 一种输电线路导线异物识别方法及装置
CN102866165A (zh) 五金件表面缺陷检测装置
CN111209789B (zh) 对关键项点发生瞬间进行图像采集以及分析的方法
CN208848375U (zh) 一种路试信息采集系统
CN113659709B (zh) 一种基于声音识别的开关站运行监测系统及方法
CN116843686B (zh) 接触网定位器线夹螺母缺陷的检测方法及装置
CN111762228B (zh) 一种驼峰辅助信号机控制方法及系统
CN113920767B (zh) 运维报警的方法、系统、装置以及计算机可读存储介质

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