CN116385948B - 一种预警铁路边坡异常的系统和方法 - Google Patents
一种预警铁路边坡异常的系统和方法 Download PDFInfo
- Publication number
- CN116385948B CN116385948B CN202310668981.6A CN202310668981A CN116385948B CN 116385948 B CN116385948 B CN 116385948B CN 202310668981 A CN202310668981 A CN 202310668981A CN 116385948 B CN116385948 B CN 116385948B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- abnormal target
- slope
- abnormal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000005856 abnormality Effects 0.000 title claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 156
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 230000035945 sensitivity Effects 0.000 claims description 22
- 230000033001 locomotion Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- 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
-
- 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
- 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
Abstract
本发明公开了一种预警铁路边坡异常的系统和方法，方法包括：获取目标区域的监控视频流，逐帧进行移动侦测，筛选出第一异常目标；利用训练好的神经网络模型，对第一信息列表中包含第一异常目标的图像进行进一步识别，筛选出第二异常目标；根据第一信息列表中包含第一异常目标的图像帧，判断其对应的第二图像中包含第二异常目标的图像帧是否大于八帧，若是，则判定该帧图像存在边坡异常目标，并进行第一次上报。本发明通过多次且不同方法的异常目标识别，避免了对高清图像和算力的依赖，同时保证了良好的识别准确度，大大提高了铁路边坡异常预警的工作效率，减少人工巡检的频率，从而降低工作人员在复杂环境中进行巡检的安全风险。
Description
技术领域
本发明涉及铁路安全保障技术领域，尤其涉及一种预警铁路边坡异常的系统和方法。
背景技术
铁路边坡是指铁路沿线的高低不平的地形，它对铁路的安全运行有着重要的影响。铁路边坡受到自然因素和人为因素的影响，容易发生落石、崩塌、滑坡等异常现象，给铁路运输带来严重的安全隐患。因此，对铁路边坡进行实时、准确、有效的监测和预警，是保障铁路安全运行的重要措施。
目前，对铁路边坡异常监测的方法主要有两种：一种是人工巡视，即由专业人员定期对铁路沿线的边坡进行观察和检查，发现异常情况及时上报。这种方法简单易行，但缺乏科学依据，容易受到人为因素的干扰，而且效率低下，不能及时发现和处理边坡异常。另一种是利用工程测量手段，如光学仪器、测斜仪、裂缝位移计等，对边坡进行定期或连续的测量，获取边坡变形数据。这种方法能够得到较为真实的边坡变形数据，但也存在消耗大量的人力物力、受到环境条件限制、不能覆盖全面等缺点。
近年来，随着计算机视觉、图像处理、深度学习等技术的发展，基于视觉分析的铁路边坡异常监测方法逐渐引起了研究者的关注。这种方法通过安装在铁路沿线的摄像头或无人机等设备获取目标区域的监控视频流或图像数据，然后利用图像分割、目标检测、目标识别等技术对图像数据进行分析处理，筛选出边坡异常目标，并进行预警上报。这种方法具有实时性强、覆盖面广、成本低廉等优点，但也存在以下缺陷或问题：
1、此类方法依赖于监控视频流或图像数据的质量和清晰度，如果视频流或图像数据模糊、噪声大、光照不足等，会影响图像分割、目标检测、目标识别等技术的准确性和稳定性，从而导致边坡异常目标的漏检或误检。
2、此类方法需要对监控视频流或图像数据进行大量的计算和处理，如果视频流或图像数据量大、分辨率高、帧率高等，会增加计算和处理的时间和资源消耗，从而影响实时性和效率。
发明内容
为了解决以上的技术问题，本发明提供了一种能够自动监测并预警铁路边坡异常的系统和方法，具体的技术方案包括：
一种预警铁路边坡异常的方法，包括以下步骤：
S1、获取目标区域的监控视频流，逐帧进行移动侦测，筛选出第一异常目标，并更新包含第一图像、第一图像获取时间以及第一异常目标信息的第一信息列表；其中，所述第一图像是指当前帧及当前帧之后的连续四帧图像；
S2、利用训练好的神经网络模型，对第一信息列表中包含第一异常目标的图像进行进一步识别，筛选出第二异常目标，并更新包含第二图像、第二图像获取时间以及第二异常目标信息的第二信息列表；其中，所述第二图像是指第一信息列表中每一帧图像及与其最近的连续十一帧图像；
S3、根据第一信息列表中包含第一异常目标的图像帧，判断其对应的第二图像中包含第二异常目标的图像帧是否大于八帧，若是，则判定该帧图像存在边坡异常目标，并进行第一次上报。
在一些较优的实施例中，还包括步骤：
S4、将存在边坡异常目标的帧图像所对应的第二异常目标，与边坡异常目标列表中的异常目标进行匹配，若匹配不成功，则将第二异常目标加入到边坡异常目标列表中；所述边坡异常目标列表包含：边坡异常目标图像、位置、置信度、获取时间、上报次数和上报时间。
在一些较优的实施例中，所述步骤S4还包括：
若匹配成功，且当前时间与最近一次上报时间相差大于2秒，则进行第二次上报，并更新该异常目标在边坡异常目标列表中的相关信息。
在一些较优的实施例中，所述步骤S1中筛选出第一异常目标的方法包括：
获取移动侦测检测到的移动物体，将灵敏度值和特征值均大于预设的灵敏度阈值和特征阈值、且亮度值小于亮度阈值的移动物体，确定为第一异常目标。
在一些较优的实施例中，所述步骤S2中筛选出第二异常目标的方法包括：将神经网络模型识别出的疑似目标中置信度大于0.4的确定为第二异常目标。
本发明还公开了一种预警铁路边坡异常的系统，包括：
监控视频处理模块：用于获取目标区域的监控视频流，逐帧进行移动侦测，筛选出第一异常目标，并更新包含第一图像、第一图像获取时间以及第一异常目标信息的第一信息列表；其中，所述第一图像是指当前帧及当前帧之后的连续四帧图像；
神经网络模型模块：用于利用训练好的神经网络模型，对第一信息列表中包含第一异常目标的图像进行进一步识别，筛选出第二异常目标，并更新包含第二图像、第二图像获取时间以及第二异常目标信息的第二信息列表；其中，所述第二图像是指第一信息列表中每一帧图像及与其最近的连续十一帧图像；
异常目标判断模块：用于根据第一信息列表中包含第一异常目标的图像帧，判断其对应的第二图像中包含第二异常目标的图像帧是否大于八帧，若是，则判定该帧图像存在边坡异常目标，并进行第一次上报。
在一些较优的实施例中，系统还包括：
异常目标匹配模块：用于将存在边坡异常目标的帧图像所对应的第二异常目标，与边坡异常目标列表中的异常目标进行匹配，若匹配不成功，则将第二异常目标加入到边坡异常目标列表中；若匹配成功，且当前时间与最近一次上报时间相差大于2秒，则进行第二次上报，并更新该异常目标在边坡异常目标列表中的相关信息；所述边坡异常目标列表包含：边坡异常目标图像、位置、置信度、获取时间、上报次数和上报时间。
在一些较优的实施例中，所述监控视频处理模块包括移动物体检测单元，用于获取移动侦测检测到的移动物体，将灵敏度值和特征值均大于预设的灵敏度阈值和特征阈值、且亮度值小于亮度阈值的移动物体，确定为第一异常目标。
在一些较优的实施例中，所述神经网络模型模块包括置信度判定单元，用于将神经网络模型识别出的疑似目标中置信度大于0.4的确定为第二异常目标。
有益效果
1、本发明可以基于现有的摄像头进行实施，通过多次且不同方法的异常目标识别，避免了对高清图像和算力的依赖，同时保证了良好的识别准确度，为铁路边坡异常的预警提供了有力支持；2、采用自动化的处理流程，大大提高了铁路边坡异常预警的工作效率，减少人工巡检的频率，从而降低工作人员在复杂环境中进行巡检的安全风险；3、通过将异常目标的相关信息（如位置、置信度、获取时间等）进行记录和分析，可以为决策者提供有用的信息，帮助其做出更好的决策。
附图说明
图1为本发明一种较优实施例中方法的流程示意图；
图2为本发明另一种较优实施例中方法的流程示意图；
图3为本发明一种较优实施例中系统的结构示意图；
图4为本发明另一种较优实施例中系统的结构示意图；
实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例
如图1所示，本实施例1提供了一种预警铁路边坡异常的方法，包括以下步骤：
S1、获取目标区域的监控视频流，逐帧进行移动侦测，筛选出第一异常目标，并更新包含第一图像、第一图像获取时间以及第一异常目标信息的第一信息列表；其中，所述第一图像是指当前帧及当前帧之后的连续四帧图像。
其中，所述目标区域是指的是需要进行监控和预警的铁路边坡区域。这个区域是摄像头或其他视频监控设备监控的范围，也是系统进行视频流分析和异常检测的范围。目标区域的具体范围可能会根据实际情况进行调整，例如，可以根据铁路边坡的地理特性、历史滑坡记录、天气状况等因素来确定。目标区域的确定是铁路边坡监控系统的重要步骤，它直接影响着系统的监测效果和预警准确性。为了有效地识别和分析边坡的变形、裂缝、落石等异常现象，目标区域应该尽可能地覆盖边坡的全貌，同时避免干扰因素的影响。目标区域的划分方法有多种，常见的有以下几种：
基于地形图的划分方法：利用地形图或卫星影像等数据，根据边坡的形状、高度、倾角等特征，确定目标区域的大致范围和位置。
基于现场勘察的划分方法：通过现场勘察或测量，获取边坡的实际情况，包括边坡的稳定性、潜在滑动面、裂缝分布、滑坡历史等信息，根据这些信息，绘制出目标区域的具体范围和位置。
基于InSAR技术的划分方法：利用合成孔径雷达干涉技术（InSAR），通过对比多时相的雷达影像，获取边坡的形变数据，根据形变数据，识别出边坡的活动区域和静止区域，以此为依据，划分出目标区域。
不同的划分方法有各自的优缺点，应根据实际情况和需求选择合适的方法。一般来说，目标区域应该尽量满足以下几个条件：
能够覆盖边坡可能发生变形或滑动的部分；
能够提供清晰、稳定、连续的视频流；
能够避免遮挡、反光、杂波等干扰因素；
能够适应不同的光照和气候条件。
目标区域确定后，还需要对其进行参数化设置，包括目标区域的大小、位置、方向、分辨率等参数。这些参数会影响系统对视频流进行处理和分析的效率和精度。参数化设置应该根据系统性能和监测要求进行优化。
另一方面，目标区域的监控视频流获取可以是基于原有的监控视频设备获得，也可以是新设立的，应当指出的是，由于本发明对于监控视频流的分辨率要求不高，因此无论是旧有项目改造还是新项目设立，都可以适当降低对分辨率的要求，从而节约项目资金。具体的视频流获取方法可以采用本领域常用的方法，由于该部分内容不是本发明关注的重点，在此不再赘述。
移动侦测（Motion detection technology），一般也叫运动检测，是一种利用视频图像分析技术来检测画面中是否有运动物体或异常事件的方法。移动侦测常用于无人值守监控录像和自动报警等场合，可以降低人工成本，提高监控效率和准确性。
移动侦测的常用方法有以下几种：
帧差法：是在连续的图像序列中两个或三个相邻帧间采用基于像素的时间差分并且阈值化来提取出图像中的运动区域。帧差法对于动态环境具有较强的自适应性，但一般不能完全提取出所有相关的特征数据，对于比较大的、颜色一致的运动目标，有可能在目标内部产生空洞。
背景差分法：是利用当前图像与背景图像的差分来检测出运动区域的一种技术。背景差分法能够提供最完全的特征数据，但对于背景的动态变化，如光照和外来无关事件的干扰等特别敏感。背景差分法的关键是背景建模及其更新，需要根据不同的场景选择合适的背景模型和更新策略。
光流法：是利用运动目标随时间变化的光流特性来检测运动区域的一种技术。光流法可以在摄像机运动存在的前提下也能检测出独立的运动目标，但大多数的光流计算方法相当复杂，且抗噪性能差，如果没有特别的硬件装置则不能被应用于全帧视频流的实时处理。
在本发明中，一方面，利用移动侦测法来对监控视频图像进行初步的筛选，由于监控对象边坡异常的初期表现往往是碎石或其他物体的突然滚落，因此通过对移动物体的初步监测可以快速的确定是否存在可疑的情况，在此步骤中，并不关心移动的物体是否是目标物体，其有待后续步骤的识别。另一方面，通过移动侦测，我们可以过滤掉静态的背景信息，只关注移动的物体，从而大大减少需要处理的数据量，提高系统的运行效率。
在该步骤中，所述筛选出第一异常目标是为了将疑似边坡异常的目标与背景进行分离，以降低不相关的信息量。现有技术中在进行目标初步识别的常用方法包括：
1、基于机器学习的筛选：这种方法使用机器学习算法（如决策树、支持向量机、神经网络等）对目标进行筛选。这种方法通常需要先对算法进行训练，然后用训练好的模型来进行筛选。2、基于行为的筛选：这种方法根据目标的行为进行筛选。例如，可以设置一些规则，如目标如果在一定时间内突然改变移动方向或速度，就被认为是异常目标。这些方法均可用于本发明中。在另一些较优的实施例中，给出了一种更加简单、易于实现的第一异常目标筛选方法，具体包括：
获取移动侦测检测到的移动物体，将灵敏度值和特征值均大于预设的灵敏度阈值和特征阈值、且亮度值小于亮度阈值的移动物体，确定为第一异常目标。
本实施例通过设置三个需同时满足的条件来进行第一异常目标的筛选，其技术基础和相关思考如下：
所述灵敏度是指移动侦测算法对于图像变化的敏感程度，用一个阈值来表示，阈值越小，灵敏度越高，意味着只要图像有微小的变化，就会被检测出来；阈值越大，灵敏度越低，意味着只有图像有较大的变化，才会被检测出来。移动侦测的灵敏度需要根据实际场景和需求来调整，一般来说，灵敏度过高会导致误报率增加，比如光照变化、噪声干扰、背景物体的微小波动等都会被误认为是运动物体；灵敏度过低会导致漏报率增加，比如运动物体的速度较慢、颜色与背景相近、大小较小等都会被忽略掉。通过合理的设定与本发明相关的目标灵敏度阈值，可以快速将目标识别出来。
所述特征值是指用于描述移动物体的图像特征的数值表示，一般由特征检测算法提取并由特征描述算法编码。图像特征是指图像中具有代表性和区分性的部分，如角点、边缘、斑点、纹理等。特征值是对图像特征的量化和编码，可以用于后续的特征匹配和识别。不同的特征检测和描述算法会提取和编码不同类型和数量的特征值。例如，Harris 角点检测算法会提取图像中强度变化最大的点作为角点特征，并用它们的坐标作为特征值；SIFT 算法会提取图像中尺度不变的关键点作为特征，并用它们的方向、大小和梯度直方图作为特征值。在本实施例中，可以使用一种或多种特征来识别和跟踪目标。具体使用哪些特征，可由本领域技术人员根据现场的应用场景需求和特点进行选择。
本实施例选择结合了阈值筛选和特征筛选的筛选方法，是基于以下考虑：
1、灵活性和准确性：通过设定灵敏度阈值、亮度阈值和特征阈值，我们可以针对特定的场景和需求进行调整。这种灵活性使我们能够更准确地识别出第一异常目标。
2、实时性：这种方法对于实时视频流的处理具有优秀的性能。逐帧分析并筛选出异常目标，能够及时地检测并报告可能的异常情况。
3、自动化：所有的筛选过程都是自动进行的，减少了人工干预的需要，降低了错误率和工作量。
4、可解释性：通过对移动物体的灵敏度值、亮度值和特征值进行比较，我们可以明确地理解为何一个目标被识别为异常。这种可解释性对于后续的分析和改进工作很有帮助。
5、可靠性：将三个检测值均大于阈值的移动物体确定为第一异常目标，这种筛选方法有利于降低误报率，提高检测的可靠性。
所述第一异常目标信息具体包括疑似边坡异常图像、移动物体位置、图像时间等表征第一异常目标性质、属性和特点的信息，其具体内容由本领域技术人员根据预警方式和预警内容进行设定。本发明不作进一步限定。
S2、利用训练好的神经网络模型，对第一信息列表中包含第一异常目标的图像进行进一步识别，筛选出第二异常目标，并更新包含第二图像、第二图像获取时间以及第二异常目标信息的第二信息列表；其中，所述第二图像是指第一信息列表中每一帧图像及与其最近的连续十一帧图像。
其中，所述神经网络模型可以是本领域常用的图像目标监测模型，优选的为yolo7模型，其是一种基于深度学习的实时目标检测算法，是yolo系列算法的最新版本，于2022年7月由Wang等人提出，具有训练简单、准确性高等优点。对第一信息列表中包含第一异常目标的图像进行进一步识别实质就是对目标物体的进一步分割和识别，由于在S1步骤中已经将目标图像进行了筛选和限定，因此加快了该步骤的执行效率。应当理解的是，本发明中的第一图像和第二图像是映射关系，即第一图像中的5帧图像，每一帧都在第二图像中映射了12帧最近的图像。
应当理解的是，神经网络模型的输出是一个基于置信度的识别结果，它可以被理解为模型对于其预测结果的自信程度，值越大，表示模型对于预测结果的信心越强。而置信度的具体设定一般由本领域的技术人员根据模型训练结果和实际需要进行设定。在一些较优的实施例中，为了有效平衡检测率和误报率、提高系统的实用性和可靠性，考虑将神经网络模型识别出的疑似目标中置信度大于0.4的确定为第二异常目标。
S3、根据第一信息列表中包含第一异常目标的图像帧，判断其对应的第二图像中包含第二异常目标的图像帧是否大于八帧，若是，则判定该帧图像存在边坡异常目标，并进行第一次上报。
该步骤是为了进一步确认是否存在异常，以及是否需要进行报告。当12帧第二图像中包含了8帧都存在第二异常目标，则说明第二异常目标在第一图像的该帧中确实存在的概率非常大，已经可以初步判定该帧图像中存在异常目标，虽然没有识别出该异常目标具体的种类，但为了及时的报告异常情况，提高响应速度，此时考虑可以进行第一次的上报。应当理解的是，所述上报是指向工作人员预警检测区域的边坡出现异常情况，需要紧急处理的一种预警方式。在一些较优的实施例中，可以配置具体的预警方案对上报的内容进行报警，例如向相关部门或人员发出紧急信号，报告危险情况，以避免危害在不知情或准备不足的情况下发生，从而最大程度的减轻危害所造成的损失的行为。该部分不属于本发明重点关注的对象，在此不再赘述。
在一些较优的实施例中，如图2所示，为了对已经识别出的边坡异常目标进行进一步的处理和跟踪，并增加预警上报的准确性，避免漏上报、误上报与多上报边坡异常目标的情况，还包括：
S4、将存在边坡异常目标的帧图像所对应的第二异常目标，与边坡异常目标列表中的异常目标进行匹配，若匹配不成功，则将第二异常目标加入到边坡异常目标列表中；所述边坡异常目标列表包含：边坡异常目标图像、位置、置信度、获取时间、上报次数和上报时间。
在这个步骤中，系统会将边坡异常目标与已知的异常目标列表进行比对。如果无法匹配到已知的异常目标，那么系统会将新的异常目标添加到异常目标列表中。如果匹配成功，且当前时间与最近一次上报时间相差大于2秒，系统会进行第二次上报，并更新异常目标在异常目标列表中的相关信息。其主要设计思路如下：
1、异常目标的管理和跟踪，提高异常管理的效率：通过将新的异常目标添加到异常目标列表中，系统可以对所有已知的异常目标进行有效的管理和跟踪。
2、防止重复报告：通过比对新的异常目标与已知的异常目标，系统可以避免对同一个异常目标的重复报告。
3、及时更新异常信息，提高系统的响应速度：如果匹配成功，系统会及时更新异常目标在异常目标列表中的相关信息，并进行上报，这可以帮助相关人员及时了解到异常目标的最新状态。
显然，本发明的上述步骤是循环执行的，本领域技术人员可以根据实际需要设计循环的停止和继续的条件，以及报错的途径和方法。本发明不作进一步的限定。
实施例
如图3所示，本实施例是在上述实施例1的基础上展开的，本实施例提供了一种预警铁路边坡异常的系统，包括：
监控视频处理模块：用于获取目标区域的监控视频流，逐帧进行移动侦测，筛选出第一异常目标，并更新包含第一图像、第一图像获取时间以及第一异常目标信息的第一信息列表；其中，所述第一图像是指当前帧及当前帧之后的连续四帧图像；
神经网络模型模块：用于利用训练好的神经网络模型，对第一信息列表中包含第一异常目标的图像进行进一步识别，筛选出第二异常目标，并更新包含第二图像、第二图像获取时间以及第二异常目标信息的第二信息列表；其中，所述第二图像是指第一信息列表中每一帧图像及与其最近的连续十一帧图像；
异常目标判断模块：用于根据第一信息列表中包含第一异常目标的图像帧，判断其对应的第二图像中包含第二异常目标的图像帧是否大于八帧，若是，则判定该帧图像存在边坡异常目标，并进行第一次上报。
在一些较优的实施例中，如图4所示，还包括：
异常目标匹配模块：用于将存在边坡异常目标的帧图像所对应的第二异常目标，与边坡异常目标列表中的异常目标进行匹配，若匹配不成功，则将第二异常目标加入到边坡异常目标列表中；若匹配成功，且当前时间与最近一次上报时间相差大于2秒，则进行第二次上报，并更新该异常目标在边坡异常目标列表中的相关信息；所述边坡异常目标列表包含：边坡异常目标图像、位置、置信度、获取时间、上报次数和上报时间。
在一些较优的实施例中，所述监控视频处理模块包括移动物体检测单元，用于获取移动侦测检测到的移动物体，将灵敏度值和特征值均大于预设的灵敏度阈值和特征阈值、且亮度值小于亮度阈值的移动物体，确定为第一异常目标。
在一些较优的实施例中，所述神经网络模型模块包括置信度判定单元，用于将神经网络模型识别出的疑似目标中置信度大于0.4的确定为第二异常目标。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种预警铁路边坡异常的方法，其特征在于，包括以下步骤：
S1、获取目标区域的监控视频流，逐帧进行移动侦测，筛选出第一异常目标，并更新包含第一图像、第一图像获取时间以及第一异常目标信息的第一信息列表；其中，所述第一图像是指当前帧及当前帧之后的连续四帧图像；
S2、利用训练好的神经网络模型，对第一信息列表中包含第一异常目标的图像进行进一步识别，筛选出第二异常目标，并更新包含第二图像、第二图像获取时间以及第二异常目标信息的第二信息列表；其中，所述第二图像是指第一信息列表中每一帧图像及与其最近的连续十一帧图像；
S3、根据第一信息列表中包含第一异常目标的图像帧，判断其对应的第二图像中包含第二异常目标的图像帧是否大于八帧，若是，则判定该帧图像存在边坡异常目标，并进行第一次上报。
2.如权利要求1所述的预警铁路边坡异常的方法，其特征在于，还包括步骤：
S4、将存在边坡异常目标的帧图像所对应的第二异常目标，与边坡异常目标列表中的异常目标进行匹配，若匹配不成功，则将第二异常目标加入到边坡异常目标列表中；所述边坡异常目标列表包含：边坡异常目标图像、位置、置信度、获取时间、上报次数和上报时间。
3.如权利要求2所述的预警铁路边坡异常的方法，其特征在于，所述步骤S4还包括：
若匹配成功，且当前时间与最近一次上报时间相差大于2秒，则进行第二次上报，并更新该异常目标在边坡异常目标列表中的相关信息。
4.如权利要求1-3任一项所述的预警铁路边坡异常的方法，其特征在于，所述步骤S1中筛选出第一异常目标的方法包括：
获取移动侦测检测到的移动物体，将灵敏度值和特征值均大于预设的灵敏度阈值和特征阈值、且亮度值小于亮度阈值的移动物体，确定为第一异常目标。
5.如权利要求1-3任一项所述的预警铁路边坡异常的方法，其特征在于，所述步骤S2中筛选出第二异常目标的方法包括：将神经网络模型识别出的疑似目标中置信度大于0.4的确定为第二异常目标。
6.一种预警铁路边坡异常的系统，其特征在于，包括：
监控视频处理模块：用于获取目标区域的监控视频流，逐帧进行移动侦测，筛选出第一异常目标，并更新包含第一图像、第一图像获取时间以及第一异常目标信息的第一信息列表；其中，所述第一图像是指当前帧及当前帧之后的连续四帧图像；
神经网络模型模块：用于利用训练好的神经网络模型，对第一信息列表中包含第一异常目标的图像进行进一步识别，筛选出第二异常目标，并更新包含第二图像、第二图像获取时间以及第二异常目标信息的第二信息列表；其中，所述第二图像是指第一信息列表中每一帧图像及与其最近的连续十一帧图像；
异常目标判断模块：用于根据第一信息列表中包含第一异常目标的图像帧，判断其对应的第二图像中包含第二异常目标的图像帧是否大于八帧，若是，则判定该帧图像存在边坡异常目标，并进行第一次上报。
7.如权利要求6所述的预警铁路边坡异常的系统，其特征在于，还包括：
异常目标匹配模块：用于将存在边坡异常目标的帧图像所对应的第二异常目标，与边坡异常目标列表中的异常目标进行匹配，若匹配不成功，则将第二异常目标加入到边坡异常目标列表中；若匹配成功，且当前时间与最近一次上报时间相差大于2秒，则进行第二次上报，并更新该异常目标在边坡异常目标列表中的相关信息；所述边坡异常目标列表包含：边坡异常目标图像、位置、置信度、获取时间、上报次数和上报时间。
8.如权利要求6或7所述的预警铁路边坡异常的系统，其特征在于：
所述监控视频处理模块包括移动物体检测单元，用于获取移动侦测检测到的移动物体，将灵敏度值和特征值均大于预设的灵敏度阈值和特征阈值、且亮度值小于亮度阈值的移动物体，确定为第一异常目标。
9.如权利要求6或7所述的预警铁路边坡异常的系统，其特征在于：
所述神经网络模型模块包括置信度判定单元，用于将神经网络模型识别出的疑似目标中置信度大于0.4的确定为第二异常目标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310668981.6A CN116385948B (zh) | 2023-06-07 | 2023-06-07 | 一种预警铁路边坡异常的系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310668981.6A CN116385948B (zh) | 2023-06-07 | 2023-06-07 | 一种预警铁路边坡异常的系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116385948A CN116385948A (zh) | 2023-07-04 |
| CN116385948B true CN116385948B (zh) | 2023-09-15 |
Family
ID=86975475
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310668981.6A Active CN116385948B (zh) | 2023-06-07 | 2023-06-07 | 一种预警铁路边坡异常的系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116385948B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116652396B (zh) * | 2023-08-01 | 2023-10-10 | 南通大学 | 一种用于激光内雕机的安全预警方法及系统 |
| CN117558106B (zh) * | 2023-11-24 | 2024-05-03 | 中国地质科学院探矿工艺研究所 | 一种非接触式表面变形定量监测预警方法及监测系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1997015743A1 (fr) * | 1995-10-27 | 1997-05-01 | Ohi Seisakusho Co., Ltd. | Dispositif de blocage momentane pour element a ouverture/fermeture automatique |
| CN105809679A (zh) * | 2016-03-04 | 2016-07-27 | 李云栋 | 一种基于视觉分析的山区铁路边坡落石检测方法 |
| CN112818753A (zh) * | 2021-01-11 | 2021-05-18 | 精英数智科技股份有限公司 | 采坑坠物检测方法、装置及系统 |
| CN114092885A (zh) * | 2021-11-29 | 2022-02-25 | 东方世纪科技股份有限公司 | 基于视频分析的高速服务区车辆防护方法及系统 |
| CN114119676A (zh) * | 2022-01-24 | 2022-03-01 | 西安羚控电子科技有限公司 | 基于多特征信息融合的目标检测跟踪识别方法和系统 |
| CN114255250A (zh) * | 2021-12-28 | 2022-03-29 | 黄河勘测规划设计研究院有限公司 | 基于深度学习的河防工程边坡坍塌检测方法 |
| CN115147460A (zh) * | 2021-03-30 | 2022-10-04 | 珠海全志科技股份有限公司 | 基于深度学习的移动对象检测方法及系统 |
| CN115171039A (zh) * | 2022-06-16 | 2022-10-11 | 盐池县中赢方元新能源有限公司 | 一种个人安全穿戴识别方法和系统 |
| WO2022228325A1 (zh) * | 2021-04-27 | 2022-11-03 | 中兴通讯股份有限公司 | 行为检测方法、电子设备以及计算机可读存储介质 |
| CN115346126A (zh) * | 2022-10-18 | 2022-11-15 | 南通振亿科技发展有限公司 | 一种边坡裂纹识别方法 |
| CN115457446A (zh) * | 2022-10-11 | 2022-12-09 | 南通德泰信息科技有限公司 | 一种基于视频分析的异常行为监管系统 |
-
2023
- 2023-06-07 CN CN202310668981.6A patent/CN116385948B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1997015743A1 (fr) * | 1995-10-27 | 1997-05-01 | Ohi Seisakusho Co., Ltd. | Dispositif de blocage momentane pour element a ouverture/fermeture automatique |
| CN105809679A (zh) * | 2016-03-04 | 2016-07-27 | 李云栋 | 一种基于视觉分析的山区铁路边坡落石检测方法 |
| CN112818753A (zh) * | 2021-01-11 | 2021-05-18 | 精英数智科技股份有限公司 | 采坑坠物检测方法、装置及系统 |
| CN115147460A (zh) * | 2021-03-30 | 2022-10-04 | 珠海全志科技股份有限公司 | 基于深度学习的移动对象检测方法及系统 |
| WO2022228325A1 (zh) * | 2021-04-27 | 2022-11-03 | 中兴通讯股份有限公司 | 行为检测方法、电子设备以及计算机可读存储介质 |
| CN114092885A (zh) * | 2021-11-29 | 2022-02-25 | 东方世纪科技股份有限公司 | 基于视频分析的高速服务区车辆防护方法及系统 |
| CN114255250A (zh) * | 2021-12-28 | 2022-03-29 | 黄河勘测规划设计研究院有限公司 | 基于深度学习的河防工程边坡坍塌检测方法 |
| CN114119676A (zh) * | 2022-01-24 | 2022-03-01 | 西安羚控电子科技有限公司 | 基于多特征信息融合的目标检测跟踪识别方法和系统 |
| CN115171039A (zh) * | 2022-06-16 | 2022-10-11 | 盐池县中赢方元新能源有限公司 | 一种个人安全穿戴识别方法和系统 |
| CN115457446A (zh) * | 2022-10-11 | 2022-12-09 | 南通德泰信息科技有限公司 | 一种基于视频分析的异常行为监管系统 |
| CN115346126A (zh) * | 2022-10-18 | 2022-11-15 | 南通振亿科技发展有限公司 | 一种边坡裂纹识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于光流场分析与深度学习的视频监控系统;刘勇;;湘南学院学报(第02期) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116385948A (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110516609B (zh) | 一种基于图像多特征融合的火灾视频检测及预警方法 | |
| CN116385948B (zh) | 一种预警铁路边坡异常的系统和方法 | |
| 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 | |
| RU2484531C2 (ru) | Устройство обработки видеоинформации системы охранной сигнализации | |
| US5554983A (en) | Object recognition system and abnormality detection system using image processing | |
| CN104966304B (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
| CN102348128B (zh) | 具有摄像机异常检测装置的监视用摄像机系统 | |
| CN103069434B (zh) | 用于多模式视频事件索引的方法和系统 | |
| US7660439B1 (en) | Method and system for flow detection and motion analysis | |
| US20060221181A1 (en) | Video ghost detection by outline | |
| CN108765453B (zh) | 基于视频流数据的高速公路团雾识别方法 | |
| CN112784821A (zh) | 基于YOLOv5的工地行为安全检测识别方法及系统 | |
| CN111881970A (zh) | 一种基于深度学习的外破图像智能识别方法 | |
| CN105976398A (zh) | 一种白天火灾视频检测方法 | |
| CN114772208B (zh) | 一种基于图像分割的非接触式皮带撕裂检测系统及方法 | |
| CN114373162B (zh) | 用于变电站视频监控的危险区域人员入侵检测方法及系统 | |
| Joshi et al. | Damage identification and assessment using image processing on post-disaster satellite imagery | |
| CN111783700A (zh) | 一种路面异物自动识别预警方法和系统 | |
| CN114494845A (zh) | 一种用于施工项目现场人工智能隐患排查系统及其排查方法 | |
| CN112866654B (zh) | 一种智能视频监控系统 | |
| CN116110006B (zh) | 一种用于智慧旅游系统的景区游客异常行为识别方法 | |
| CN117423157A (zh) | 一种结合迁移学习、区域入侵的矿井下异常视频动作理解方法 | |
| CN113095160B (zh) | 基于人工智能和5g的电力系统人员安全行为识别方法及系统 | |
| CN114663479A (zh) | 一种基于计算机视觉的智能监控预警方法及系统 | |
| Li et al. | A video-based algorithm for moving objects detection at signalized intersection |
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 |