CN115761657A - 铁路异物的告警方法、装置、设备及存储介质 - Google Patents
铁路异物的告警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115761657A CN115761657A CN202211483065.7A CN202211483065A CN115761657A CN 115761657 A CN115761657 A CN 115761657A CN 202211483065 A CN202211483065 A CN 202211483065A CN 115761657 A CN115761657 A CN 115761657A
- Authority
- CN
- China
- Prior art keywords
- detected
- railway
- image
- background difference
- condition
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Abstract
本申请关于一种铁路异物的告警方法、装置、设备及存储介质,涉及图像处理技术领域。该方法包括:获取包括铁路的待检测图像;根据待检测图像以及语义分割模型,确定待检测图像中包括铁路的待检测区域;在待检测区域的数量为一个的情况下,根据待检测图像和异物分类模型,判断待检测区域内是否存在目标异物;异物分类模型用于检测待检测图像中预设类型的异物,目标异物的类型为预设类型中除火车之外的类型;在待检测区域内存在目标异物的情况下,进行告警。本申请用于提高铁路异物检测的准确性。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种铁路异物的告警方法、装置、设备及存储介质。
背景技术
当前,人工智能技术发展迅猛,将人工智能应用于铁路异物检测成为一种常见的方式。具体的,可以通过以下两种方法进行铁路异物检测:一、采用深度学习模型检测铁路异物类别;二、采用背景差分模型进行铁路异物检测。
但是,由于采用深度学习模型对铁路异物进行分类的异物类型有限,会出现异物漏报,同时,天气变化会导致背景差分模型出现异物误报。因此,如何提高铁路异物检测的准确性,是一个亟需解决的技术问题。
发明内容
本申请提供一种铁路异物的告警方法、装置、设备及存储介质,以至少解决现有技术中不能准确检测铁路异物的问题。本申请的技术方案如下:
根据本申请的第一方面,提供一种铁路异物的告警方法,该方法包括:获取包括铁路的待检测图像;根据待检测图像以及语义分割模型,确定待检测图像中包括铁路的待检测区域;在待检测区域的数量为一个的情况下,根据待检测图像和异物分类模型,判断待检测区域内是否存在目标异物;异物分类模型用于检测待检测图像中预设类型的异物,目标异物的类型为预设类型中除火车之外的类型;在待检测区域内存在目标异物的情况下,进行告警。
在一种可能的实施方式中,上述方法还包括:在待检测区域的数量为多个,且检测到的多个待检测区域不连续的情况下,进行告警。
在一种可能的实施方式中,上述方法还包括:在确定待检测区域内不存在预设类型的异物的情况下,根据待检测视频和背景差分模型,确定待检测视频的背景差分结果;待检测视频包括多个图像,多个图像包括待检测图像,背景差分结果用于表征多个图像的变化;若背景差分结果满足预设条件,则进行告警;预设条件包括:背景差分结果大于或者等于第一阈值,背景差分结果出现的时长大于或者等于第二阈值,背景差分结果处于待检测区域内,背景差分结果的类型不为预设安全类型。
根据本申请的第二方面,提供一种铁路异物的告警装置,该装置包括获取单元、确定单元以及告警单元;获取单元,用于获取包括铁路的待检测图像;确定单元,用于在获取单元获取包括铁路的待检测图像后,根据待检测图像以及语义分割模型,确定待检测图像中包括铁路的待检测区域;确定单元,还用于在待检测区域的数量为一个的情况下,根据待检测图像和异物分类模型,判断待检测区域内是否存在目标异物;异物分类模型用于检测待检测图像中预设类型的异物,目标异物的类型为预设类型中除火车之外的类型;告警单元,用于在待检测区域内存在目标异物的情况下,进行告警。
在一种可能的实施方式中,上述告警单元,具体用于:在待检测区域的数量为多个,且检测到的多个待检测区域不连续的情况下,进行告警。
在一种可能的实施方式中,上述确定单元,还用于,在确定待检测区域内不存在预设类型的异物的情况下,根据待检测视频和背景差分模型,确定待检测视频的背景差分结果;待检测视频包括多个图像,多个图像包括待检测图像,背景差分结果用于表征多个图像的变化;告警单元,还用于在背景差分结果满足预设条件的情况下,进行告警;预设条件包括:背景差分结果大于或者等于第一阈值,背景差分结果出现的时长大于或者等于第二阈值,背景差分结果处于待检测区域内,背景差分结果的类型不为预设安全类型。
根据本申请的第三方面,提供一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器被配置为执行指令,以实现上述第一方面及其任一种可能的实施方式的方法。
根据本申请的第四方面,提供一种计算机可读存储介质,当计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述第一方面中及其任一种可能的实施方式的方法。
根据本申请的第五方面,提供一种计算机程序产品,计算机程序产品包括计算机指令,当计算机指令在电子设备上运行时,使得电子设备执行上述第一方面及其任一种可能的实施方式的方法。
本申请提供的第一方面的技术方案至少带来以下有益效果:现有技术中通常通过采用深度学习模型检测铁路异物类别或者采用背景差分模型进行铁路异物检测两种进行铁路异物检测,但这两种方式均不能准确检测铁路异物。本申请根据包括铁路的待检测图像以及语义分割模型得到待检测图像的待检测区域,在待检测区域为多个且不连续的情况下,表明待检测图像存在大型异物,进行告警;在待检测区域的数量为一个的情况下,根据待检测图像和异物分类模型,进一步判断待检测区域内是否存在目标异物;在待检测区域内存在目标异物的情况下,进行告警。因此,本申请通过语义分割模型对大型异物进行检测,在待检测图像中不存在大型异物的情况下,根据异物分类模型进一步判断待检测区域是否存在目标异物,如人、树枝、石头,避免了由于摄像头摆动、球机移动等位置发生变化造成待检测区域不固定,引起异物误报的情况,提高了铁路异物检测的准确性。
需要说明的是,第二方面至第五方面中的任一种实现方式所带来的技术效果可参见第一方面中对应实现方式所带来的技术效果,此处不再赘述。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理,并不构成对本申请的不当限定。
图1是根据一示例性实施例示出的一种铁路异物的告警系统的示意图;
图2是根据一示例性实施例示出的一种铁路异物的告警方法的流程图;
图3是根据一示例性实施例示出的待检测区域的数量为一个的示意图;
图4是根据一示例性实施例示出的待检测区域的数量为多个且多个待检测区域不连续的示意图;
图5是根据一示例性实施例示出的又一种铁路异物的告警方法的流程图;
图6是根据一示例性实施例示出的差分结果的示意图;
图7是根据一示例性实施例示出的一种铁路异物的告警装置的框图;
图8是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本申请的技术方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在对本申请提供的铁路异物的告警方法进行详细介绍之前,先对本申请涉及的实施环境(实施架构)进行简单介绍。
本发明实施例提供的铁路异物的告警方法可以适用于铁路异物的告警系统。图1示出了该铁路异物的告警系统的一种结构示意图。如图1所示,铁路异物的告警系统10包括电子设备11以及铁路异物的告警装置12。电子设备11与铁路异物的告警装置12连接,电子设备11与铁路异物的告警装置12之间可以采用有线方式连接,也可以采用无线方式连接,本发明实施例对此不作限定。
电子设备11可以用于获取包括铁路的待检测图像,并将待检测图像发送给铁路异物的告警装置12。
在一种场景中,电子设备11接收摄像头采集并发送的待检测视频,通过设置图像获取速度如1秒1个图像,获取包括铁路的待检测图像。
在另一种场景中,电子设备11采集待检测视频,通过设置图像获取速度如1秒1个图像,获取包括铁路的待检测图像。
铁路异物的告警装置12可以用于接收电子设备11发送的待检测图像。
铁路异物的告警装置12还可以用于对接收到的待检测图像进行处理,例如,根据待检测图像以及语义分割模型,确定待检测图像中包括铁路的待检测区域。在待检测区域的数量为一个的情况下,根据待检测图像和异物分类模型,判断待检测区域内是否存在目标异物。在待检测区域内存在目标异物的情况下,进行告警。
在第一种场景中,上述铁路异物的告警系统10中的电子设备11可以为用于进行处理数据或者计算的服务器,或者多台服务器组成的服务器集群,在这种情况下,电子设备11可以与监控摄像头、摄像机、带有拍摄功能的终端等连接。
在第二种场景中,上述铁路异物的告警系统10中的电子设备11可以为用户的个人终端,例如手机、平板电脑、掌上电脑、个人计算机(persona l computer,PC)、可穿戴设备、智能电视等,在这种情况下,电子设备11为带有拍摄功能的终端,例如监控摄像头、摄像机等。
在不同的应用场景中,电子设备11和铁路异物的告警装置12可以为相互独立的设备,也可以集成于同一设备中,本发明实施例对此不作具体限定。
电子设备11和铁路异物的告警装置12集成于同一设备时,电子设备11和铁路异物的告警装置12之间的数据传输方式为该设备内部模块之间的数据传输。这种情况下,二者之间的数据传输流程与“电子设备11和铁路异物的告警装置12之间相互独立的情况下,二者之间的数据传输流程”相同。
在本发明实施例提供的以下实施例中,本发明实施例以电子设备11和铁路异物的告警装置12集成于同一设备为例进行说明。
为了便于理解,以下结合附图对本申请提供的铁路异物的告警方法进行具体介绍。
图2是根据一示例性实施例示出的一种铁路异物的告警方法的流程图,该方法可以应用于电子设备,也可以应用于与电子设备连接的铁路异物的告警装置。同时,该方法也可以应用于与电子设备或者铁路异物的告警装置类似的设备。以下,以该方法应用于电子设备为例,对该方法进行说明,如图2所示,该铁路异物的告警方法包括以下步骤:
S201、获取包括铁路的待检测图像。
作为一种可能的实现方式,电子设备接收监控摄像头采集并发送的包括铁路的待检测图像。
示例性的,监控摄像头监控铁路沿线区域,并向电子设备发送包括铁路的待检测图像。
作为另一种可能的实现方式,电子设备采集包括铁路的待检测图像。
示例性的,电子设备监控铁路沿线区域,采集包括铁路的待检测图像。
S202、根据待检测图像以及语义分割模型,确定待检测图像中包括铁路的待检测区域。
作为一种可能的实现方式,电子设备将训练数据集输入语义分割模型,获取经过训练的语义分割模型。进一步的,电子设备将待检测图像输入经过训练的语义分割模型,并将语义分割模型输出的待检测图像中的铁路区域确定为待检测图像的待检测区域。
示例性的,人工搜集铁路沿线监控摄像头采集的真实铁路图像,标注真实铁路图像中的铁路区域,并制作训练数据集。电子设备将训练数据集输入未经训练的语义分割模型,得到训练过的语义分割模型。进一步的,电子设备将铁路图像输入经过训练的语义分割模型,确定铁路图像中的铁路区域。
需要说明的,语义分割模型用于对输入的待检测图像进行处理,输出与待检测图像对应的铁路区域以及分割区域。
待检测区域可以为一个或者多个且不连续的铁路区域。在待检测区域的数量为一个的情况下,如图3所示,表明待检测区域内不存在大型异物,可以理解的,该待检测区域为铁路区域。在待检测区域的数量为多个且多个待检测区域不连续的情况下,如图4所示,待检测图像中存在待检测区域1、待检测区域2以及待检测区域3,其中待检测区域1、待检测区域2以及待检测区域3不连续,表明待检测区域中存在大型异物;可以理解的,待检测区域1和待检测区域3为铁路区域,待检测区域2为倒下的大树所占的区域。大型异物可以为倒下的大树、被风吹倒的铁路栅栏。
可以理解的,本申请中的语义分割模型用于获取铁路图像中的铁路区域。当铁路区域存在如倒下的大树、被风吹倒的铁路栅栏等类似的大型异物的情况下,铁路区域被大型异物分割成多个且不连续的铁路区域。进一步的,将铁路图像输入语义分割模型得到的铁路区域也为多个且不连续的铁路区域。当铁路区域不存在大型异物的情况下,铁路区域为一个连续的铁路区域,将铁路图像输入语义分割模型得到的铁路区域也为一个连续的铁路区域。因此,本申请中的语义分割模型可以检测待检测图像中是否存在大型异物,并且获取待检测区域,以便后续确定待检测图像中是否存在其他类型的异物。
S203、在待检测区域的数量为一个的情况下,根据待检测图像和异物分类模型,判断待检测区域内是否存在目标异物。
其中,异物分类模型用于检测待检测图像中预设类型的异物,目标异物的类型为预设类型中除火车之外的类型。
作为一种可能的实现方式,在待检测区域的数量为一个的情况下,电子设备将待检测图像输入异物分类模型,并根据异物分类模型输出的待检测分类图确定待检测图像中的目标异物。进一步的,电子设备判断目标异物是否处于待检测区域内。
异物分类模型用于对输入的待检测图像进行处理,输出与待检测图像对应的待检测分类图,待检测分类图包括预设类型的异物。
需要说明的,预设类型以及目标异物的类型可以由运维人员预先在电子设备中设置。
示例性的,以待检测图像为铁路图像、待检测区域为铁路区域、待检测分类图为铁路分类图为例,人工设置预设类型的异物为人、石头、滑坡沙土、树枝、火车,目标异物为人、石头、滑坡沙土、树枝。人工搜集包括人、石头、滑坡沙土、树枝、火车的真实铁路异物图像或者模拟真实场景获取铁路异物图像,进一步的,标注铁路异物图像中的预设类型的异物,制作异物训练数据集。
电子设备将异物训练数据集输入未经训练的异物分类模型,得到训练过的异物分类模型。
进一步的,在铁路区域的数量为一个的情况下,电子设备将铁路图像输入训练过的异物分类模型,得到铁路分类图,铁路分类图包括的异物为人、石头以及树枝。电子设备根据铁路分类图(人、石头以及树枝)以及目标异物的类型(人、石头、滑坡沙土、树枝),确定铁路图像中的目标异物为人、石头、树枝,并判断人、石头以及树枝是否处于铁路区域内。
S204、在待检测区域内存在目标异物的情况下,进行告警。
作为一种可能的实现方式,在待检测区域内存在目标异物的情况下,电子设备通过蜂鸣器和发光二极管(l ight-emitt ing d iode,LED)声光闪烁传递给现场人员进行声光告警。
示例性的,在上述人、石头处于铁路区域内的情况下,电子设备通过蜂鸣器和LED进行声光告警。
需要说明的,在待检测区域内不存在目标异物的情况下,电子设备将待检测图像作为后续进行铁路异物的告警方法中的待检测图像。
S205、在待检测区域的数量为多个,且检测到的多个待检测区域不连续的情况下,进行告警。
作为一种可能的实现方式,在待检测区域的数量为多个,且检测到的多个待检测区域不连续的情况下,电子设备通过蜂鸣器和LED声光闪烁传递给现场人员进行声光告警。
示例性的,当上述铁路区域存在倒下的大树的情况下,语义分割模型输出的铁路区域为多个且不连续的铁路区域,电子设备通过蜂鸣器和LED声光闪烁传递给现场人员进行声光告警。
可以理解的,现有技术中通常通过采用深度学习模型检测铁路异物类别或者采用背景差分模型进行铁路异物检测两种进行铁路异物检测,但这两种方式均不能准确检测铁路异物。本申请根据包括铁路的待检测图像以及语义分割模型得到待检测图像的待检测区域,在待检测区域为多个且不连续的情况下,表明待检测图像存在大型异物,进行告警。在待检测区域的数量为一个的情况下,根据待检测图像和异物分类模型,进一步判断待检测区域内是否存在目标异物。在待检测区域内存在目标异物的情况下,进行告警。因此,本申请通过语义分割模型对大型异物进行检测,在待检测图像中不存在大型异物的情况下,根据异物分类模型进一步判断待检测区域是否存在目标异物,如人、树枝、石头,避免了由于摄像头摆动、球机移动等位置发生变化造成待检测区域不固定,引起异物误报的情况,提高了铁路异物检测的准确性。
在一些实施例中,如图5所示,本申请实施例提供的铁路异物的告警方法,还包括:
S301、在确定待检测区域内不存在预设类型的异物的情况下,根据待检测视频和背景差分模型,确定待检测视频的背景差分结果。
其中,待检测视频包括多个图像,多个图像包括待检测图像,背景差分结果用于表征多个图像的变化。
作为一种可能的实现方式,在确定待检测区域内不存在预设类型的异物的情况下,电子设备获取包括待检测图像的待检测视频。进一步的,电子设备将待检测视频输入背景差分模型,得到多个图像中每两个相邻图像的差分结果,进而得到待检测视频的背景差分结果。待检测视频的背景差分结果包括多个上述差分结果。
具体的,在待检测图像为待检测视频中的第一帧图像的情况下,电子设备设置该待检测图像的差分结果为该待检测图像与预设背景图像的差分结果。
在待检测图像不为待检测视频中的第一帧图像的情况下,电子设备设置该待检测图像的差分结果为该待检测图像与上一相邻图像的差分结果。
需要说明的,背景差分模型可以为高斯混合模型。
示例性的,以待检测图像为铁路图像,待检测视频为铁路视频为例,在铁路图像中的铁路区域内不存在上述人、石头、滑坡沙土、树枝、火车的情况下,电子设备获取包括铁路图像的铁路视频。进一步的,电子设备将铁路视频输入高斯混合模型,得到多个图像的差分结果,进而得到铁路视频的背景差分结果。
背景差分模型用于提取两张图像之间的不同之处。例如,如图6所示,一张图片为存在一个正方形与一个圆的图片,另一张图片为存在一个正方形的图片,背景差分模型对这两张图像进行处理得到的差分结果为一个圆。
S302、判断背景差分结果是否满足预设条件。
其中,预设条件包括四个条件,分别为第一条件、第二条件、第三条件和第四条件。第一条件为背景差分结果大于或者等于第一阈值,第二条件为背景差分结果出现的时长大于或者等于第二阈值,第三条件为背景差分结果处于待检测区域内,第四条件为背景差分结果的类型不为预设安全类型。
作为一种可能的实现方式,电子设备判断待检测视频的背景差分结果是否满足上述第一条件、第二条件、第三条件以及第四条件。在待检测视频的背景差分结果同时满足上述四个条件的情况下,电子设备确定待检测视频的背景差分结果满足预设条件。
针对上述第一条件,电子设备使用矩形框选上述多个差分结果,得到多个差分结果对应的矩形框。进一步的,电子设备判断该多个差分结果对应的矩形框是否大于或者等于第一阈值。在存在预设数量的差分结果对应的矩形框均大于或者等于第一阈值的情况下,电子设备确定该背景差分结果满足第一条件。
需要说明的,第一阈值和预设数量可以由运维人员预先在电子设备中设置。第一阈值可以为长和宽固定的矩形框。
针对上述第二条件,电子设备确定上述差分结果相同的待检测图像的数量为背景差分结果出现的时长。在背景差分结果出现的时长大于或者等于第二阈值的情况下,确定该背景差分结果满足第二条件。
需要说明的,第二阈值可以由运维人员预先在电子设备中设置。
针对上述第三条件,电子设备确定多个上述差分结果对应的待检测区域,并判断差分结果是否处于待检测区域内。在存在上述预设数量的差分结果均处于待检测区域内的情况下,确定该背景差分结果满足第三条件。
针对上述第四条件,电子设备将多个上述差分结果输入分类模型,确定多个差分结果的类型。在存在上述预设数量的差分结果的类型均不为预设安全类型的异物的情况下,确定该背景差分结果满足第四条件。
需要说明的,分类模型用于对输入的多个差分结果进行处理,输出与待检测图像的差分结果对应的分类图。分类图包括预设安全类型和其他类型的异物,若异物的类型不为预设安全类型,则电子设备确定异物的类型为其他类型。
预设安全类型的异物可以为光线变化,也可以为晃动的树枝。其他类型的异物可以为飞鸟,也可以为雨滴。
上述第一条件、第二条件、第三条件以及第四条件可以依次进行,也可以同时进行。
在依次判断的过程中,如果确定背景差分结果不满足上述四个条件中任意一个条件,则停止判断过程,并确定背景差分结果不满足上述预设条件。
同时,在依次判断的过程中,对上述四个条件的判断顺序不做限定,例如,可以先判断背景差分结果是否满足第一条件。在背景差分结果满足第一条件的情况下,判断背景差分结果是否满足第二条件。在背景差分结果满足第二条件的情况下,判断背景差分结果是否满足第三条件。在背景差分结果满足第三条件的情况下,判断背景差分结果是否满足第四条件。在背景差分结果满足第四条件的情况下,确定该判断背景差分结果满足预设条件。
S303、若背景差分结果满足预设条件,则进行告警。
作为一种可能的实现方式,若背景差分结果满足预设条件,则电子设备通过蜂鸣器和LED声光闪烁传递给现场人员进行声光告警。
可以理解的,上述第一条件为背景差分结果大于或者等于第一阈值,该条件可以确定具有一定体积的异物。上述第二条件为背景差分结果出现的时长大于或者等于第二阈值,该条件可以排除飞鸟、雨滴等在待检测视频内停留时间较短的异物。上述第三条件为背景差分结果处于待检测区域内,该条件用于确定异物是否处于待检测区域内。上述第四条件为背景差分结果的类型不为预设安全类型,该条件可以排除光线变化、晃动的树枝。因此,预设条件避免了由于光线变化、雨雪天气造成误报的情况,同时,考虑到了不常见异物如野生动物,提高了铁路异物检测的准确性。
图7是根据一示例性实施例示出的一种铁路异物的告警装置500,该铁路异物的告警装置500包括获取单元501、确定单元502以及告警单元503。
获取单元501,用于获取包括铁路的待检测图像。
确定单元502,用于在获取单元501获取包括铁路的待检测图像后,根据待检测图像以及语义分割模型,确定待检测图像中包括铁路的待检测区域。
确定单元502,还用于在待检测区域的数量为一个的情况下,根据待检测图像和异物分类模型,判断待检测区域内是否存在目标异物。异物分类模型用于检测待检测图像中预设类型的异物,目标异物的类型为预设类型中除火车之外的类型。
告警单元503,用于在待检测区域内存在目标异物的情况下,进行告警。
可选的,如图7所示,本申请实施例提供的告警单元503,具体用于:
在待检测区域的数量为多个,且检测到的多个待检测区域不连续的情况下,进行告警。
可选的,如图7所示,本申请实施例提供的确定单元502,还用于,在确定待检测区域内不存在预设类型的异物的情况下,根据待检测视频和背景差分模型,确定待检测视频的背景差分结果。待检测视频包括多个图像,多个图像包括待检测图像,背景差分结果用于表征多个图像的变化。
告警单元503,还用于在背景差分结果满足预设条件的情况下,进行告警。预设条件包括:背景差分结果大于或者等于第一阈值,背景差分结果出现的时长大于或者等于第二阈值,背景差分结果处于待检测区域内,背景差分结果的类型不为预设安全类型。
图8是根据一示例性实施例示出的一种电子设备的框图。如图8所示,电子设备600包括但不限于:处理器601和存储器602。
其中,上述的存储器602,用于存储上述处理器601的可执行指令。可以理解的是,上述处理器601被配置为执行指令,以实现上述实施例中的铁路异物的告警方法。
需要说明的是,本领域技术人员可以理解,图8中示出的电子设备结构并不构成对电子设备的限定,电子设备可以包括比图8所示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
处理器601是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器602内的软件程序和/或模块,以及调用存储在存储器602内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。处理器601可包括一个或多个处理单元。可选的,处理器601可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器601中。
存储器602可用于存储软件程序以及各种数据。存储器602可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能模块所需的应用程序(比如确定单元、获取单元)等。此外,存储器602可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器,上述指令可由电子设备的处理器执行以实现上述实施例中的铁路异物的告警方法。
在实际实现时,获取单元501、确定单元502以及告警单元503的功能均可以由图8中的处理器601调用存储器602中存储的计算机程序实现。其具体的执行过程可参考上实施例中的铁路异物的告警方法部分的描述,这里不再赘述。
可选地,计算机可读存储介质可以是非临时性计算机可读存储介质,例如,该非临时性计算机可读存储介质可以是只读存储器(read-on ly memory,ROM)、随机存储存储器(random access memory,RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,本申请实施例还提供了一种包括一条或多条指令的计算机程序产品,该一条或多条指令可以由电子设备的处理器执行以完成上述实施例中的方法。
需要说明的是,上述计算机可读存储介质中的指令或计算机程序产品中的一条或多条指令被电子设备的处理器执行时实现上述方法实施例的各个过程,且能达到与上述方法相同的技术效果,为避免重复,这里不再赘述。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种铁路异物的告警方法,其特征在于,所述方法包括:
获取包括铁路的待检测图像;
根据所述待检测图像以及语义分割模型,确定所述待检测图像中包括所述铁路的待检测区域;
在所述待检测区域的数量为一个的情况下,根据所述待检测图像和异物分类模型,判断所述待检测区域内是否存在目标异物;所述异物分类模型用于检测所述待检测图像中预设类型的异物,所述目标异物的类型为所述预设类型中除火车之外的类型;
在所述待检测区域内存在所述目标异物的情况下,进行告警。
2.根据权利要求1所述的告警方法,其特征在于,所述方法还包括:
在所述待检测区域的数量为多个,且检测到的多个所述待检测区域不连续的情况下,进行告警。
3.根据权利要求1所述的告警方法,其特征在于,所述方法还包括:
在确定所述待检测区域内不存在所述预设类型的异物的情况下,根据待检测视频和背景差分模型,确定所述待检测视频的背景差分结果;所述待检测视频包括多个图像,所述多个图像包括所述待检测图像,所述背景差分结果用于表征所述多个图像的变化;
若所述背景差分结果满足预设条件,则进行告警;所述预设条件包括:所述背景差分结果大于或者等于第一阈值,所述背景差分结果出现的时长大于或者等于第二阈值,所述背景差分结果处于所述待检测区域内,所述背景差分结果的类型不为预设安全类型。
4.一种铁路异物的告警装置,其特征在于,所述告警装置包括获取单元、确定单元以及告警单元;
所述获取单元,用于获取包括铁路的待检测图像;
所述确定单元,用于在所述获取单元获取所述包括铁路的待检测图像后,根据所述待检测图像以及语义分割模型,确定所述待检测图像中包括所述铁路的待检测区域;
所述确定单元,还用于在所述待检测区域的数量为一个的情况下,根据所述待检测图像和异物分类模型,判断所述待检测区域内是否存在目标异物;所述异物分类模型用于检测所述待检测图像中预设类型的异物,所述目标异物的类型为所述预设类型中除火车之外的类型;
所述告警单元,用于在所述待检测区域内存在所述目标异物的情况下,进行告警。
5.根据权利要求4所述的告警装置,其特征在于,所述告警单元具体用于:
在所述待检测区域的数量为多个,且检测到的多个所述待检测区域不连续的情况下,进行告警。
6.根据权利要求4所述的告警装置,其特征在于,所述确定单元,还用于,
在确定所述待检测区域内不存在所述预设类型的异物的情况下,根据待检测视频和背景差分模型,确定所述待检测视频的背景差分结果;所述待检测视频包括多个图像,所述多个图像包括所述待检测图像,所述背景差分结果用于表征所述多个图像的变化;
所述告警单元,还用于在所述背景差分结果满足预设条件的情况下,进行告警;所述预设条件包括:所述背景差分结果大于或者等于第一阈值,所述背景差分结果出现的时长大于或者等于第二阈值,所述背景差分结果处于所述待检测区域内,所述背景差分结果的类型不为预设安全类型。
7.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至3中任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中存储的计算机执行指令由电子设备的处理器执行时,所述电子设备能够执行如权利要求1至3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211483065.7A CN115761657A (zh) | 2022-11-24 | 2022-11-24 | 铁路异物的告警方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211483065.7A CN115761657A (zh) | 2022-11-24 | 2022-11-24 | 铁路异物的告警方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115761657A true CN115761657A (zh) | 2023-03-07 |
Family
ID=85337077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211483065.7A Pending CN115761657A (zh) | 2022-11-24 | 2022-11-24 | 铁路异物的告警方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761657A (zh) |
-
2022
- 2022-11-24 CN CN202211483065.7A patent/CN115761657A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108062349B (zh) | 基于视频结构化数据及深度学习的视频监控方法和系统 | |
WO2021042682A1 (zh) | 变电站异物识别方法、装置、系统、电子设备和存储介质 | |
CN107437318B (zh) | 一种可见光智能识别算法 | |
CN109040693B (zh) | 智能告警系统及方法 | |
CN111339997A (zh) | 火点区域的确定方法及装置、存储介质和电子装置 | |
CN110674790B (zh) | 一种视频监控中异常场景处理方法及系统 | |
CN110781853B (zh) | 人群异常检测方法以及相关装置 | |
CN111523397B (zh) | 一种智慧灯杆视觉识别装置、方法及其系统和电子设备 | |
CN112733690A (zh) | 一种高空抛物检测方法、装置及电子设备 | |
CN110956118B (zh) | 目标对象检测方法和装置、存储介质及电子装置 | |
CN102750709A (zh) | 利用视频检测打架行为的方法和装置 | |
CN114202711A (zh) | 一种列车车厢内异常行为智能监测方法、装置及监控系统 | |
CN108319892A (zh) | 一种基于遗传算法的车辆安全预警方法及系统 | |
CN111126411B (zh) | 一种异常行为识别方法及装置 | |
CN112287741A (zh) | 基于图像处理的农事操作管理方法及装置 | |
CN111860457A (zh) | 一种斗殴行为识别预警方法及其识别预警系统 | |
CN112990057A (zh) | 一种人体姿态识别方法、装置及电子设备 | |
CN112232107A (zh) | 一种图像式烟雾探测系统及方法 | |
CN110557628A (zh) | 一种检测摄像头遮挡的方法、装置及电子设备 | |
CN114155470A (zh) | 一种河道区域入侵检测方法、系统及存储介质 | |
CN114067396A (zh) | 基于视觉学习的居配工程现场试验数字化管理系统及方法 | |
CN113657201A (zh) | 船员行为监测分析方法、装置、设备及存储介质 | |
CN106803937B (zh) | 一种具有文本日志的双摄像头视频监控方法、系统和监控装置 | |
CN111383248A (zh) | 一种行人闯红灯判断方法、装置和电子设备 | |
CN112885014A (zh) | 预警方法、装置、系统和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 |