CN114898320A - 一种基于YOLO v5的列车定位方法及系统 - Google Patents
一种基于YOLO v5的列车定位方法及系统 Download PDFInfo
- Publication number
- CN114898320A CN114898320A CN202210603716.5A CN202210603716A CN114898320A CN 114898320 A CN114898320 A CN 114898320A CN 202210603716 A CN202210603716 A CN 202210603716A CN 114898320 A CN114898320 A CN 114898320A
- Authority
- CN
- China
- Prior art keywords
- identification
- image
- identification code
- picture
- similarity
- 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.)
- Granted
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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/77—Determining position or orientation of objects or cameras using statistical 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种基于YOLO v5的列车定位方法及系统,通过采集铁轨沿线枕轨样本图像及实时轨道沿线图像,并利用YOLO v5对铁轨沿线枕轨样本图像与实时轨道沿线图像分别构建识别模板、获取识别对象;根据识别模板构建选点系统,并利用选点系统根据铁轨沿线枕轨样本图像得到先天定位点图像及其对应的标识码矩阵;对识别对象间位置信息进行编码,得到实时轨道沿线图像的标识码矩阵;计算实时轨道沿线图像的标识码矩阵与各先天定位点图像的标识码矩阵间的相似度,并匹配相似度与各先天定位点图像的预设阈值,并根据匹配结果确定当前列车的位置信息;本发明提高对定位点图像识别的无误率及准确度,并为用户提供可以满足个性化的识别模式最优性能设定。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种基于YOLO v5的列车定位方法及系统。
背景技术
列车的实时、准确定位是运输系统高效运行、列车和旅客安全的重要保障。目前,列车的绝对定位方法主要包括轨道电路法、信标定位法和全球定位系统(GPS)。本发明主要基于对信标定位法的优化。
一般情况下,列车本身配备了简单的定位装置,或累积距离计数装置;其定位装置是通过计算列车运行时列车车轮的旋转来实现的,然后结合记录相应的车轮转数,然后根据车轮的周长,设备可以获得列车行驶的距离;但是这种里程计数方法会产生很大的误差,因为车轮的周长随列车的有效运行时长而变化,即列车的车轮在运行的过程中会产生磨损。虽然从车轮周长的角度来看,车轮磨损所产生的影响很小,但对于通过累积车轮周长获得的里程记录来说,车轮磨损所产生的影响会放大很多倍,这将导致列车定位的不准确。
现有技术中,轨道工程师提出了信标定位法,即每隔一定距离在轨道上放置信标。每个信标都有自己的位置信息,火车可以在经过时从中读取其位置。随后,列车可以纠正由自己的简易里程记录装置产生的误差。在两个信标之间,列车可以使用自己的定位装置进行定位,因为列车车轮磨损引起的误差对短距离的累积影响很小。也就是说,信标放置的间距越小,信标分配的越多,信标定位法的精度就越高。
发明内容
针对现有技术中的上述不足,本发明提供了一种基于YOLO v5的列车定位方法,以图像识别算法YOLO v5来识别轨道上的特征物体并建立先天定位点的定位技术,提供一种低漏检、低误检概率、高准确性的列车图像定位方法,既为轨道建立定位点,又节省了信标的投资成本。
为了达到上述发明目的,本发明采用的技术方案为:
一方面,一种基于YOLO v5的列车定位方法,包括以下步骤:
S1、采集铁轨沿线枕轨样本图像及实时轨道沿线图像;
S2、利用YOLO v5根据铁轨沿线枕轨样本图像构建识别模板;
S3、根据识别模板构建选点系统,并利用选点系统对铁轨沿线枕轨样本图像进行优化,得到先天定位点图像及其对应的标识码矩阵;
S4、利用YOLO v5根据实时轨道沿线图像获取识别对象;
S5、对识别对象间位置信息进行编码,得到实时轨道沿线图像的标识码矩阵;
S6、计算实时轨道沿线图像的标识码矩阵与各先天定位点图像的标识码矩阵间的相似度;
S7、匹配相似度与各先天定位点图像的预设阈值,并根据匹配结果确定当前列车的位置信息。
第二方面,一种基于YOLO v5的列车定位系统,包括:
图像采集系统,用于采集铁轨沿线枕轨样本图像及实时轨道沿线图像;
识别模板构建模块,用于利用YOLO v5根据铁轨沿线枕轨样本图像构建识别模板;
选点系统构建模块,用于根据识别模板构建选点系统,并利用选点系统对铁轨沿线枕轨样本图像进行优化,得到先天定位点图像及其对应的标识码矩阵;
识别对象获取模块,用于利用YOLO v5根据实时轨道沿线图像获取识别对象
标识码矩阵构建模块,用于对识别对象间位置信息进行编码,得到实时轨道沿线图像的标识码矩阵;
相似度计算模块,用于计算实时轨道沿线图像的标识码矩阵与各先天定位点图像的标识码矩阵间的相似度;
列车位置信息确定模块,用于匹配相似度与各先天定位点图像的预设阈值,并根据匹配结果确定当前列车的位置信息。
本发明具有以下有益效果:
采集铁轨沿线枕轨样本图像及实时轨道沿线图像,利用YOLO v5根据铁轨沿线枕轨样本图像与实时轨道沿线图像分别构建识别模板、并获取识别对象;根据识别模板构建选点系统,并利用选点系统对铁轨沿线枕轨样本图像进行优化,得到先天定位点图像及其对应的标识码矩阵;对识别对象间位置信息进行编码,得到实时轨道沿线图像的标识码矩阵;计算实时轨道沿线图像的标识码矩阵与各先天定位点图像的标识码矩阵间的相似度,并匹配相似度与各先天定位点图像的预设阈值,并根据匹配结果确定当前列车的位置信息;本发明以图像识别算法YOLO v5来识别轨道上的特征物体并建立先天定位点的定位技术,提高对定位点图像识别的无误率及准确度,并可以为用户提供可以满足个性化的识别模式最优性能设定。
该优选方案具有以下有益效果:
1、可以通过选取先天定位点从而节省性信标定位法对信标投放的成本;
2、可以提高对定位点图像识别的无误率及准确度;
3、可以为用户提供可以满足个性化的识别模式最优性能设定。
附图说明
图1为本发明提供的一种基于YOLO v5的列车定位方法的步骤流程图;
图2为本发明实施例中基于本发明提供的列车定位方法得到的轨道沿线特征图像;
图3为本发明实施例中识别模板的编码结果示意图;
图4为本发明实施例中本发明所提供的列车定位方法和传统算法的漏检率对比图;
图5为本发明实施例中本发明所提供的列车定位方法和传统算法的误检率对比图;
图6为本发明实施例中本发明所提供的列车定位方法和传统算法的无误率对比图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,本发明实施例提供一种基于YOLO v5的列车定位方法,包括以下步骤:
S1、采集铁轨沿线枕轨样本图像及实时轨道沿线图像;
S2、利用YOLO v5根据铁轨沿线枕轨样本图像构建识别模板;
优选地,步骤S2具体为:
利用YOLO v5对铁轨沿线枕轨样本图像中具有可识别度的物体进行框选,得到框选后不少于一种的识别对象,并生成识别对象的标识码,其中识别对象的标识码包括识别对象名称,及其框选信息;并根据识别对象的标识码对铁轨沿线枕轨样本图像进行训练,得到识别模板;其中识别对象包括常规对象与特征对象。
本发明实施例中,可采用YOLO V5算法提取轨道沿线图像中的样本特征,并根据正常枕轨图像中出现频次,划分为常规对象与特殊对象,对实时轨道特征图与训练轨道特征图进行标识,分别得到图像数据集及识别模板,其中,识别模板包含11个对象,分为两类,一类是常规对象,另一类是特征对象;
如图2所示,识别模板中有3种常规对象,分别为:“buckle”、“screw”和“whole”,“buckle”是连接轨道和轨枕的扣件,“screw”是固定轨道的螺钉,“whole”是扣件、螺钉和轨枕所构成的整体;
识别模板中包含有8种特征对象,分别为:“line”、“knot”、“Tline”、“crack”、“Lline”、“ditch”、“box”和“tube”,“line”是沿着轨道的横向线缆,“knot”是用于将横向线缆固定在钢轨上的小卡扣,“Tline”是另一种T形的电缆,其由两根来自不同方向的横向线缆相交引出;“Lline”是另一种L形的线缆,它从轨道延伸并有一个转弯;“crack”是混凝土表面上的小裂缝;“ditch”是混凝土表面上的纵向小沟;“box”是出现在轨道旁边的小铁盒;“tube”是分布在混凝土表面上的纵向管线。
S3、根据识别模板构建选点系统,并利用选点系统对铁轨沿线枕轨样本图像进行优化,得到先天定位点图像及其对应的标识码矩阵;
优选地,步骤S3具体为:
根据识别模板构建选点系统,并根据选点系统对铁轨沿线枕轨样本图像进行优化,得到先天定位点图像及其对应的标识码矩阵;
其中选点系统为基于多层筛选的选点系统,包括依次连接:第一定位点筛选模块、第二定位点筛选模块、第三定位点筛选模块、第四定位点筛选模块。
优选地,第一定位点筛选模块,用于从铁轨沿线枕轨样本图像中筛选具有特征对象的图像,并对筛选后的图像进行预处理,得到第一优化图片数据集;
本发明实施例中,对筛选后的图片进行标志码编译,并将,筛选后的图像所对应的名称与标识码进行保存,得到预处理后的图片;
第一个筛选模块的功能是在训练图像数据集中筛选出具有特征对象的图片,并对这些图片进行标识码的编译。最后将筛选出的图片(备选定位点图片)的名字、识别码等信息存储Excel文档中。
第二定位点筛选模块,用于计算第一优化图片数据集中图片与识别模板中各识别对象的相似度,并根据预设梯度阈值划分各相似度所对应的预处理后的图片;同时判断划分后图片所对应的误检率是否满足预设误检率,若满足则保留该划分后图片,否则删除该划分后图片;遍历预处理后的图片,得到第二优化图片数据集;
本发明实施例中,第二个筛选模块的功能是检查备选定位点图片的误检率,并将误检率高的备选图片筛除。筛选模块会依次识别轨枕样本图像并生成它们的识别码,然后从Excel文件中调取备选定位点图片的识别码与轨枕样本图片的识别码进行对比并计算相似度。然后判断相似度是否超过不同梯度的阈值,从而判定该备选定位点图片在不同梯度的阈值下是否发生误检(若轨枕样本图片与该备选定位点图片不符,但其相似度又达到了某一阈值,则判定该备选定位点图片在此阈值下发生误检)。经过一次完整的回合之后(历遍训练图像数据集),模块会得到每个备选定位点图片在所有梯度阈值下的误检率。以阈值为0.5时误检率不大于0.1为筛选条件,模块会将不满足条件的图片筛除(同时将它们的相关信息从Excel文件中抹去),并将剩下的新备选定位点图片在所有梯度阈值下的误检率输出在Excel文件中。
第三定位点筛选模块,用于对第二优化图片数据集进行数据扩充,得到扩充后的数据集,并计算扩充后的数据集中各图片与识别模板中各识别对象的相似度,并判断扩充后的数据集中各图片所对应的相似度是否小于预设阈值,若小于则认定该图片发生漏检,否则认定该图片未发生漏检;遍历扩充后的数据集,并计算扩充后的数据集中各图片的漏检率,同时判断各图片的漏检率是否小于预设漏检率,若小于则剔除该图片,否则保留该图片;遍历第二优化图片数据集,得到第三优化图片数据集;
本发明实施例中,三个筛选模块的功能是检查备选定位点图片的漏检率,并将漏检率高的备选图片筛除。在该模块运行之前,要先使用样本图片扩充模块将第二步筛选出的备选定位点图片进行扩充。扩充模块会用不同的调节模式将每张备选定位点图片扩充为多张具有不同亮度、对比度、清晰度等性质的检测图片集。检测图片集意在给备选定位点图片添加检测障碍,以检测备选定位点图片在相同的扩充条件下漏检率的优异。第三筛选模块对于漏检率的检测逻辑与第二筛选模块相似,只不过识别的是检测图片集而非训练图像数据集,而相似度小于阈值的将会判断为发生漏检(若检测图片与该备选定位点图片相符,但其相似度又未达到某一阈值,则判定该备选定位点图片在此阈值下发生漏检)。经过一轮完整的检测之后,模块会得到每个备选图片在所有梯度阈值下的漏检率。同样以阈值为0.5时,漏检率不大于0.1为筛选条件,模块会将不满足条件的图片筛除(同时将它们的相关信息从Excel文件中抹去),并将剩下的新备选定位点图片在所有梯度阈值下的漏检率输出在Excel文件中。
第四定位点筛选模块,用于根据第三优化图片数据集中各图片所包含的漏检率与误检率计算各图片的无误率,并对各图片的无误率进行排序,选择最高无误率所对应的图片作为先天定位点图像,并得到先天定位点图像所对应的标识码矩阵。
本发明实施例中,第四个筛选模块的功能是从备选定位点图片中选出指定个数的定位点图片,并得到它们对应的专属最优阈值。与前几个筛选模块不同的是,第四个筛选模块并不以图像识别程序作为运行基础,其运行基础是Excel文件的数据信息处理。通过第二个和第三个筛选模块,Excel文件中已经得到了备选定位点图在所有梯度阈值下的误检率和漏检率。第四筛选模块读取Excel文件中的误检率和漏检率数据并计算得到每个备选定位点图片在所有梯度阈值下的无误率(Perrorless=(1-Pfake)×(1-Pomit),其中Perrorless为无误率,Pfake为误检率,Pomit为漏检率),然后得到每个备选定位点图片的最大无误率及其对应的最优阈值,最后根据最大无误率的优先级选出指定个数的定位点图片,并记录它们的预期无误率(最大无误率)与专属最佳阈值,并将其余图片的信息从Excel文件中抹去。
S4、利用YOLO v5根据实时轨道沿线图像获取识别对象;
优选地,步骤S4具体为:
利用YOLO v5对实时轨道沿线图像中具有可识别度的物体进行框选,得到框选后不少于一种的识别对象,并生成识别对象的标识码,并生成识别对象的标识码,得到识别对象;其中,识别对象包括:特殊对象、常规对象。
S5、对识别对象间位置信息进行编码,得到实时轨道沿线图像的标识码矩阵;
优选地,步骤S5具体为:
A1、以识别模板中特殊对象、常规对象为主体目标,以特殊对象为客体目标;
本发明实施例中,在判断一对目标的相对位置时,被视为原点的目标称为主体,而另一个目标称为客体。标识码应反映了主体目标和客体目标的对象属性,以及客体位于主体的相对角度位置。
A2、确认客体目标与主体目标的对象属性,并按照识别对象的标识码进行二进制编码,分别得到主体目标与客体目标所对应的二进制编码;
本发明实施例中,将识别模板中各常规对象与特征对象按照顺序进行二进制编码;其中“buckle”、“screw”、“whole”、“line”、“knot”、“Tline”、“crack”、“Lline”、“ditch”、“box”和“tube”,依次编码为:0000、0001、0010、…、1010;分别得到识别模板中各对象的二进制编码。
A3、根据客体目标与主体目标的位置关系结合预设规则进行二进制编码,得到角度位置编码;
优选地,步骤A3中预设规则具体为:
B1、判断客体目标相对于主体目标的竖向相对位置,若客体目标位于主体目标的上方,则角度位置编码的第一有效位为0,若客体目标位于主体目标的下方,则角度位置编码的第一有效位为1,并进入步骤B2;
B2、判断客体目标相对于主体目标的横向相对位置,若客体目标位于主体目标的右方,则角度位置编码的第二有效位为0;若客体目标位于主体目标的左方,则角度位置编码的第二有效位为1;并进入步骤B3;
B3、判断客体目标与主体目标的位置连线切角是否小于第一预设阈值,若是则将角度位置编码的其余有效位设置为第一顺序值;否则进入步骤B4;
本发明实施例中,第一预设阈值为22.5°,第一顺序值为00。
B4、判断客体目标与主体目标的位置连线切角是否小于第二预设阈值,若是则将角度位置编码的其余有效位为第二顺序值;否则进入步骤B5;
本发明实施例中,第二预设阈值为45°,第二顺序值为01。
B5、判断客体目标与主体目标的位置连线切角是否小于第三预设阈值,若是则设置角度位置编码的其余有效位为第三顺序值;否则设置角度位置编码的其余有效位为第四顺序值;得到角度位置编码。
本发明实施例中,第三预设阈值为67.5°,第三顺序值为11。
如图3所示,本发明实施例中,标志码为一个12位宽的二进制矩阵,前4位是主体的对象的二进制编号,中间4位是客体的对象的二进制编号,最后4位代表客体目标相对于主体目标的角度位置信息。此外,主体可以是常规对象或特征对象,但客体必须是特征对象。这就意味着,不存在两个常规对象之间的比较,因为常规对象的相对位置一般是固定的,不具有特征定位的意义。此外,代表的相对角度位置信息的标识码最后四位实质上是将以主体为原点的坐标系划分为16个象限,位于每个象限的客体将具有对应且唯一的4位代码;
本发明实施例中,对最后4位的相对角度位置信息的编码,规定如果客体位于主体上方,则4位中最高有效位设置为0,相反则设置为1。如果客体位于主体的右侧,则4位中的第二个有效位设置为0,并在相反则设置为1。如果客体和主体之间的连线切角小于22.5度,则4位的最后两个位设置为00,如果连线切角大于22.5度且小于45度,则最后两个位设置为01,如果连线切角大于45度且小于67.5度,则最后两位设置为10,如果连线切角大于67.5度,则最后两位设置为11。
其中,二进制标识码矩阵的长度没有恒定的设置,其根据实际长度而定,其取决于图片中有多少对主体和客体的组合,假设图片中有3个常规对象和4个特征对象,则常规对象与特征对象之间共有12对主客体组合(3×4=12),特征对象之间共有6对主客体组合(3+2+1=4×(4-1)/2=6),因此总共有18对主客体组合,所以该图片的标识码的长度为18。如果图片中没有特征对象,那么图片就不存在标识码,也没有进一步检测的必要。
S6、计算实时轨道沿线图像的标识码矩阵与各先天定位点图像的标识码矩阵间的相似度;
优选地,步骤S6具体为:
以先天定位点矩阵为主体,筛选与图像数据集标识码矩阵中相同标志码,得到相同标识码行数,并根据相同标识码行数得到图像数据集标识码矩阵与先天定位点矩阵的相似度,遍历各先天定位点矩阵,得到图像数据集标识码矩阵与各先天定位点矩阵的相似度,其计算式标识为:
其中,S为相似度,m为相同标识码行数,M为先天定位点矩阵的标识码总行数。
实际中,将实时图像的标识码与定位点图片的标识码进行匹配比较,得出实时图像与定位点图像的相似度。相似性是相对的,这意味着互相进行检测的两张图片同样会被划分为主体和客体的角色。
假设图片A的标识码长度为25行,图片B的标识码长度为18行。在它们的标识码中,有10行是相同的,但这10行的顺序不需要是同步的。这意味着,如果以图片A为主体,图片B为客体,图片B的标识码中有10行可以吻合图片A的标识码,即图片A的10/25的标识码可以由图片B的标识码满足,那么图片B对于图片A的相似度为0.4;换言之,如果以图片B为主体,以图片A为客体,则图片B的10/18的标识码可以由图片A的标识码满足,则图片A对于图片B的相似度为0.56;
本发明实施例中,以先天定位点矩阵为主体,筛选与图像数据集标识码矩阵中相同标志码,得到相同标识码行数,从而得到图像数据集标识码矩阵与先天定位点矩阵的相似度。
S7、匹配相似度与各先天定位点图像的预设阈值,并根据匹配结果确定当前列车的位置信息。
本发明实施例中,通过比较得出的相似度是否达到设定的阈值,确定实时图片是否或与哪个与定位点图片相吻合。如果规定只有与定位点图相的相似度为100%的检测图片才能被识别为相应的定位点,则会因为列车每次拍摄的实时定位点图相存在因光线、杂物、震动、偏移等因素所产生的差异而发生漏检。这就要求定位模型在使用相似度来识别图片时允许一定的容错性。也就是说,需要为相似性设置一个阈值,用于确定是否可以自信地将检测到的图片识别为定位点。当列车运行时,车底配备的高速摄像头不断实时拍摄轨道的照片并生成照片的标识码。将拍摄到的实时轨枕图片的标识码与定位点图片的标识码进行比较,得到实时轨枕图片与定位点图片的相似度。通过查验哪个相似性达到或超过了阈值,程序便可以确定列车已经达到了哪个定位点。
本发明实施例中,以图2所示进行本发明的编码的例证,如图所示有常规物件3个:“buckle”、“screw”、“whole”,特征物件2个:“box”、“tube”;
“buckle”的二进制编号为:0000,中心坐标为:(958.5,531);“screw”的二进制编号为:0001,中心坐标为:(758,582.5);“whole”的二进制编号为:0010,中心坐标为:(841,701.5);“box”的二进制编号为:1001,中心坐标为:(1533.5,507.5);“tube”的二进制编号为:1010,中心坐标为:(1558.5,833)。
首先以常规物件为主体进行编码:当“buckle”为主体“box”为客体时,因为“box”位于“buckle”的右偏上2°20’(小于22.5°),所以这对主客体对应的二进制代码编码为:0000 1001 0000;
当“buckle”为主体“tube”为客体时,因为“tube”位于“buckle”的右偏下26°43’(大于22.5°且小于45°),所以这对主客体对应的二进制代码编码为:0000 1010 1001。
当“screw”为主体“box”为客体时,因为“box”位于“screw”的右偏上5°31’(小于22.5°),所以这对主客体对应的二进制代码编码为:0001 1001 0000。
当“screw”为主体“tube”为客体时,因为“tube”位于“screw”的右偏下17°22’(小于22.5°),所以这对主客体对应的二进制代码编码为:0001 1010 1000。
当“whole”为主体“box”为客体时,因为“box”位于“whole”的右偏上15°38’(小于22.5°),所以这对主客体对应的二进制代码编码为:0010 1001 0000。
当“whole”为主体“tube”为客体时,因为“tube”位于“whole”的右偏下10°23’(小于22.5°),所以这对主客体对应的二进制代码编码为:0010 1010 1000。
然后以特征物件为主体进行编码:
当“box”为主体“tube”为客体时,因为“tube”位于“box”的右偏下85°36’(大于67.5°),所以这对主客体对应的二进制代码编码为:1001 1010 1011。
所以,上图的标识码为:0000 1001 0000、0000 1010 1001、0001 1001 0000、00011010 1000、0010 1001 0000、0010 1010 1000、1001 1010 1011。
本发明实施例中,设置的阈值越高,发生漏检的概率就越高,而设置的阈值越低,发生误检的概率就越高。因此,对于相似性阈值的设置,必然存在着最优解的问题。定位模型的性能可以由无误率给出。无误率代表定位模型不会发生错误的概率,即既不会发生漏检也不会发生误检的概率(无误率=(1-漏检率)×(1-误检率))。通过用同样的数据集和判断标准,经过对大量的图片进行测试,得到本发明的识别算法的漏检率、误检率与相似度阈值的关系如图4、图5所示;本发明的识别算法和传统的图像整体识别算法的无误率与相似度阈值的关系的比较如图6所示。由数据和图像可以得到,当本发明的识别算法的相似度阈值设置为0.43的时候,基于此的定位模型具有最佳的性能,其识别的无误率可以达到97.6%;当传统的图像整体识别算法的相似度阈值设置为0.87的时候,基于此的定位模型具有最佳的性能,其识别的无误率为85.2%。
另一方面,一种基于YOLO v5的列车定位系统,包括:
图像采集系统,用于采集铁轨沿线枕轨样本图像及实时轨道沿线图像;
识别模板构建模块,用于利用YOLO v5根据铁轨沿线枕轨样本图像构建识别模板;
选点系统构建模块,用于根据识别模板构建选点系统,并利用选点系统对铁轨沿线枕轨样本图像进行优化,得到先天定位点图像及其对应的标识码矩阵;
识别对象获取模块,用于利用YOLO v5根据实时轨道沿线图像获取识别对象
标识码矩阵构建模块,用于对识别对象间位置信息进行编码,得到实时轨道沿线图像的标识码矩阵;
相似度计算模块,用于计算实时轨道沿线图像的标识码矩阵与各先天定位点图像的标识码矩阵间的相似度;
列车位置信息确定模块,用于匹配相似度与各先天定位点图像的预设阈值,并根据匹配结果确定当前列车的位置信息。
本发明实施例提供的一种基于YOLO v5的列车定位系统包含上述一种基于YOLOv5的列车定位方法的全部有益效果。
本发明实施例提供一种基于YOLO v5的列车定位方法及系统,以图像识别算法YOLO v5来识别轨道上的特征物体并建立先天定位点的定位技术,并通过选取先天定位点从而节省性信标定位法对信标投放的成本,提高对定位点图像识别的无误率及准确度,并可以为用户提供可以满足个性化的识别模式最优性能设定。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (10)
1.一种基于YOLO v5的列车定位方法,其特征在于,包括以下步骤:
S1、采集铁轨沿线枕轨样本图像及实时轨道沿线图像;
S2、利用YOLO v5根据铁轨沿线枕轨样本图像构建识别模板;
S3、根据识别模板构建选点系统,并利用选点系统对铁轨沿线枕轨样本图像进行优化,得到先天定位点图像及其对应的标识码矩阵;
S4、利用YOLO v5根据实时轨道沿线图像获取识别对象;
S5、对识别对象间位置信息进行编码,得到实时轨道沿线图像的标识码矩阵;
S6、计算实时轨道沿线图像的标识码矩阵与各先天定位点图像的标识码矩阵间的相似度;
S7、匹配相似度与各先天定位点图像的预设阈值,并根据匹配结果确定当前列车的位置信息。
2.根据权利要求1所述的YOLO v5的列车定位方法,其特征在于,步骤S2具体为:
利用YOLO v5对铁轨沿线枕轨样本图像中具有可识别度的物体进行框选,得到框选后不少于一种的识别对象,并生成识别对象的标识码,其中识别对象的标识码包括识别对象名称,及其框选信息;并根据识别对象的标识码对铁轨沿线枕轨样本图像进行训练,得到识别模板;其中识别对象包括常规对象与特征对象。
3.根据权利要求2所述的YOLO v5的列车定位方法,其特征在于,步骤S3具体为:
根据识别模板构建选点系统,并根据选点系统对铁轨沿线枕轨样本图像进行优化,得到先天定位点图像及其对应的标识码矩阵;
其中选点系统为基于多层筛选的选点系统,包括依次连接:第一定位点筛选模块、第二定位点筛选模块、第三定位点筛选模块、第四定位点筛选模块。
4.根据权利要求3所述的基于YOLO v5的列车定位方法,其特征在于,
第一定位点筛选模块,用于从铁轨沿线枕轨样本图像中筛选具有特征对象的图像,并对筛选后的图像进行预处理,得到第一优化图片数据集;
第二定位点筛选模块,用于计算第一优化图片数据集中图片与识别模板中各识别对象的相似度,并根据预设梯度阈值划分各相似度所对应的预处理后的图片;同时判断划分后图片所对应的误检率是否满足预设误检率,若满足则保留该划分后图片,否则删除该划分后图片;遍历预处理后的图片,得到第二优化图片数据集;
第三定位点筛选模块,用于对第二优化图片数据集进行数据扩充,得到扩充后的数据集,并计算扩充后的数据集中各图片与识别模板中各识别对象的相似度,并判断扩充后的数据集中各图片所对应的相似度是否小于预设阈值,若小于则认定该图片发生漏检,否则认定该图片未发生漏检;遍历扩充后的数据集,并计算扩充后的数据集中各图片的漏检率,同时判断各图片的漏检率是否小于预设漏检率,若小于则剔除该图片,否则保留该图片;遍历第二优化图片数据集,得到第三优化图片数据集;
第四定位点筛选模块,用于根据第三优化图片数据集中各图片所包含的漏检率与误检率计算各图片的无误率,并对各图片的无误率进行排序,选择最高无误率所对应的图片作为先天定位点图像,并得到先天定位点图像所对应的标识码矩阵。
5.根据权利要求1所述的基于YOLO v5的列车定位方法,其特征在于,步骤S4具体为:
利用YOLO v5对实时轨道沿线图像中具有可识别度的物体进行框选,得到框选后不少于一种的识别对象,并生成识别对象的标识码,并生成识别对象的标识码,得到识别对象;其中,识别对象包括:特殊对象、常规对象。
6.根据权利要求5所述的基于YOLO v5的列车定位方法,其特征在于,步骤S5具体为:
A1、以识别模板中特殊对象、常规对象为主体目标,以特殊对象为客体目标;
A2、确认客体目标与主体目标的对象属性,并按照识别对象的标识码进行二进制编码,分别得到主体目标与客体目标所对应的二进制编码;
A3、根据客体目标与主体目标的位置关系结合预设规则进行二进制编码,得到角度位置编码;
A4、根据主体目标、客体目标的对象属性编码与角度位置编码构建属于该主客体组合的12位标识码;
A5、遍历各主体目标、客体目标,构建实时轨道沿线图像的标识码矩阵,其中,标识码矩阵的宽度为12位,长度为所有识别对象的组合数。
7.根据权利要求6所述的基于YOLO v5的列车定位方法,其特征在于,步骤A3中预设规则具体为:
B1、判断客体目标相对于主体目标的竖向相对位置,若客体目标位于主体目标的上方,则角度位置编码的第一有效位为0,若客体目标位于主体目标的下方,则角度位置编码的第一有效位为1,并进入步骤B2;
B2、判断客体目标相对于主体目标的横向相对位置,若客体目标位于主体目标的右方,则角度位置编码的第二有效位为0;若客体目标位于主体目标的左方,则角度位置编码的第二有效位为1;并进入步骤B3;
B3、判断客体目标与主体目标的位置连线切角是否小于第一预设阈值,若是则将角度位置编码的其余有效位设置为第一顺序值;否则进入步骤B4;
B4、判断客体目标与主体目标的位置连线切角是否小于第二预设阈值,若是则将角度位置编码的其余有效位为第二顺序值;否则进入步骤B5;
B5、判断客体目标与主体目标的位置连线切角是否小于第三预设阈值,若是则设置角度位置编码的其余有效位为第三顺序值;否则设置角度位置编码的其余有效位为第四顺序值;得到角度位置编码。
9.根据权利要求1所述的基于YOLO v5的列车定位方法,其特征在于,步骤S7具体为:
筛选各相似度中相似度数值最大的作为优选相似度,并判断优选相似度是否满足预设阈值,若满足则读取当前先天定位点矩阵的位置信息,作为当前列车的位置信息;否则返回步骤1,重新采集实时轨道沿线图像。
10.一种基于YOLO v5的列车定位系统,其特征在于,包括:
图像采集系统,用于采集铁轨沿线枕轨样本图像及实时轨道沿线图像;
识别模板构建模块,用于利用YOLO v5根据铁轨沿线枕轨样本图像构建识别模板;
选点系统构建模块,用于根据识别模板构建选点系统,并利用选点系统对铁轨沿线枕轨样本图像进行优化,得到先天定位点图像及其对应的标识码矩阵;
识别对象获取模块,用于利用YOLO v5根据实时轨道沿线图像获取识别对象;
标识码矩阵构建模块,用于对识别对象间位置信息进行编码,得到实时轨道沿线图像的标识码矩阵;
相似度计算模块,用于计算实时轨道沿线图像的标识码矩阵与各先天定位点图像的标识码矩阵间的相似度;
列车位置信息确定模块,用于匹配相似度与各先天定位点图像的预设阈值,并根据匹配结果确定当前列车的位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210603716.5A CN114898320B (zh) | 2022-05-30 | 2022-05-30 | 一种基于YOLO v5的列车定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210603716.5A CN114898320B (zh) | 2022-05-30 | 2022-05-30 | 一种基于YOLO v5的列车定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114898320A true CN114898320A (zh) | 2022-08-12 |
CN114898320B CN114898320B (zh) | 2023-07-28 |
Family
ID=82726707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210603716.5A Active CN114898320B (zh) | 2022-05-30 | 2022-05-30 | 一种基于YOLO v5的列车定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114898320B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109099929A (zh) * | 2018-07-13 | 2018-12-28 | 武汉理工大学 | 基于场景指纹的智能车定位装置及方法 |
CN110378869A (zh) * | 2019-06-05 | 2019-10-25 | 北京交通大学 | 一种样本自动标注的钢轨扣件异常检测方法 |
CN110646826A (zh) * | 2019-09-26 | 2020-01-03 | 北京全路通信信号研究设计院集团有限公司 | 一种提高弯轨处列车定位精确度和有效性的方法及系统 |
WO2020206861A1 (zh) * | 2019-04-08 | 2020-10-15 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
CN111815605A (zh) * | 2020-07-09 | 2020-10-23 | 成都协创信和科技有限公司 | 基于分步深度学习的轨枕缺陷检测方法及存储介质 |
CN112009528A (zh) * | 2020-09-03 | 2020-12-01 | 西南交通大学 | 一种基于接触网及其附属器件的列车定位方法 |
CN112927297A (zh) * | 2021-02-20 | 2021-06-08 | 华南理工大学 | 一种基于yolo系列的目标检测和视觉定位方法 |
CN113050144A (zh) * | 2021-04-12 | 2021-06-29 | 北京和利时系统工程有限公司 | 一种对曲线轨道处列车进行定位的方法、终端和存储介质 |
CN113361527A (zh) * | 2021-08-09 | 2021-09-07 | 浙江华睿科技股份有限公司 | 多目标对象的识别定位方法及装置、电子设备、存储介质 |
CN113869441A (zh) * | 2021-10-10 | 2021-12-31 | 青岛星科瑞升信息科技有限公司 | 基于模板匹配的多尺度目标定位方法 |
-
2022
- 2022-05-30 CN CN202210603716.5A patent/CN114898320B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109099929A (zh) * | 2018-07-13 | 2018-12-28 | 武汉理工大学 | 基于场景指纹的智能车定位装置及方法 |
WO2020206861A1 (zh) * | 2019-04-08 | 2020-10-15 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
CN110378869A (zh) * | 2019-06-05 | 2019-10-25 | 北京交通大学 | 一种样本自动标注的钢轨扣件异常检测方法 |
CN110646826A (zh) * | 2019-09-26 | 2020-01-03 | 北京全路通信信号研究设计院集团有限公司 | 一种提高弯轨处列车定位精确度和有效性的方法及系统 |
CN111815605A (zh) * | 2020-07-09 | 2020-10-23 | 成都协创信和科技有限公司 | 基于分步深度学习的轨枕缺陷检测方法及存储介质 |
CN112009528A (zh) * | 2020-09-03 | 2020-12-01 | 西南交通大学 | 一种基于接触网及其附属器件的列车定位方法 |
CN112927297A (zh) * | 2021-02-20 | 2021-06-08 | 华南理工大学 | 一种基于yolo系列的目标检测和视觉定位方法 |
CN113050144A (zh) * | 2021-04-12 | 2021-06-29 | 北京和利时系统工程有限公司 | 一种对曲线轨道处列车进行定位的方法、终端和存储介质 |
CN113361527A (zh) * | 2021-08-09 | 2021-09-07 | 浙江华睿科技股份有限公司 | 多目标对象的识别定位方法及装置、电子设备、存储介质 |
CN113869441A (zh) * | 2021-10-10 | 2021-12-31 | 青岛星科瑞升信息科技有限公司 | 基于模板匹配的多尺度目标定位方法 |
Non-Patent Citations (4)
Title |
---|
LIU JIANHUA 等: "Mobile Phone Indoor Scene Recognition Location Method Based on Semantic Constraint of Building Map" * |
RUOYU WEI 等: "Detection Method of Track Locating Point Based on Yolo V3" * |
康明 等: "轨道梁精确定位测量方法分析" * |
郑英杰 等: "基于改进YOLOv3的轨道定位点检测技术研究" * |
Also Published As
Publication number | Publication date |
---|---|
CN114898320B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210319561A1 (en) | Image segmentation method and system for pavement disease based on deep learning | |
CN111914813B (zh) | 基于图像分类的输电线路巡检图像命名方法及系统 | |
CN111489339A (zh) | 高速铁路定位器螺栓备母缺陷的检测方法 | |
CN111899288A (zh) | 基于红外和可见光图像融合的隧道渗漏水区域检测与识别方法 | |
CN103080975A (zh) | 面部图像注册设备和方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN106767854B (zh) | 移动设备、车库地图形成方法及系统 | |
CN108846331B (zh) | 一种动车组底盘螺丝紧固件是否脱落的视频识别方法 | |
CN111369495B (zh) | 一种基于视频的全景图像的变化检测方法 | |
JPWO2019111976A1 (ja) | 対象物検出装置、予測モデル作成装置、対象物検出方法及びプログラム | |
CN110969166A (zh) | 一种巡检场景下小目标识别方法和系统 | |
CN102224523B (zh) | 立体匹配处理系统、立体匹配处理方法和记录媒介 | |
CN110837839A (zh) | 一种高精度无人机正射影像制作及数据采集方法 | |
CN111813877B (zh) | 一种航迹提取方法及装置 | |
CN111680733A (zh) | 组分检测、样本库建立方法、装置、平台、系统及介质 | |
CN113537163A (zh) | 一种用于车位检测的模型训练方法及系统 | |
CN114898320A (zh) | 一种基于YOLO v5的列车定位方法及系统 | |
CN116681912A (zh) | 铁路道岔的轨距检测方法及装置 | |
CN112037182A (zh) | 基于时序图像的机车走行部故障检测方法、装置及存储介质 | |
Flotzinger et al. | dacl10k: Benchmark for Semantic Bridge Damage Segmentation | |
CN112164116A (zh) | 一种基于改进fcm算法的列车定位方法及系统 | |
CN112487130A (zh) | 一种目标对象的处理跟踪方法及系统 | |
Pakizeh et al. | Building detection from aerial images using hough transform and intensity information | |
CN111860040B (zh) | 站场信号设备状态获取方法、装置和计算机设备 | |
CN102143378A (zh) | 一种图像品质的判断方法 |
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 |