CN116485799B - 铁路轨道异物覆盖的检测方法及系统 - Google Patents
铁路轨道异物覆盖的检测方法及系统 Download PDFInfo
- Publication number
- CN116485799B CN116485799B CN202310747254.9A CN202310747254A CN116485799B CN 116485799 B CN116485799 B CN 116485799B CN 202310747254 A CN202310747254 A CN 202310747254A CN 116485799 B CN116485799 B CN 116485799B
- Authority
- CN
- China
- Prior art keywords
- foreign object
- target
- monitoring image
- foreign
- railway track
- 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 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 230000003068 static effect Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 description 7
- 238000005286 illumination Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了铁路轨道异物覆盖的检测方法及系统,方法包括:对铁路轨道目标区域正常情况下的背景图像建模,构建背景样本库;将监控图像与背景样本库中的历史背景样本进行比对,提取异物目标;利用训练好的神经网络对监控图像进行检测,识别并提取监控图像中的第一非异物目标;比对异物目标和第一非异物目标,若相似度满足预设条件,则判定异物目标为非异物目标;否则,继续流程;对异物目标进行静态追踪,若异物目标在监控视频流中的停留时长低于预设值,则判定异物目标为非异物目标;否则,进行上报告警。本发明可有效地识别移动小目标,提高了目标检测的准确性,打破了单一目标检测方法的局限性,提高了目标识别的准确率,降低了误报率。
Description
技术领域
本发明涉及铁路安全保障技术领域,尤其涉及铁路轨道异物覆盖的检测方法及系统。
背景技术
铁路极易受泥石流、山洪爆发、山体滑坡、落石等自然灾害诱发引起的异物入侵,危害铁轨道路安全。
铁路轨道异物覆盖的检测是指在铁路运行过程中,对轨道上或附近出现的不属于铁路基础设施的物体,如列车、施工人员、遗落铁轨上的工具、进入轨道限界的异物等,进行及时发现和报警的技术。这种技术可以提高线路运营的可靠性并降低运维成本。
铁路异物覆盖的检测方式分为接触式和非接触式。
非接触式检测方式是一种主动监测方式,通过在铁轨上安装传感器或开关,检测是否有异物侵入轨道限界。常用的有基于电阻、电压、声波反射和光学特性的方法,其缺点在于:1、维护工作量大,需要大量的人工,定期更换或修理传感器或开关;2、可能损坏铁轨或异物,造成安全隐患或环境污染;3、受到铁轨的电阻、压力、声波、光学等物理化学特性的影响,检测精度和稳定性受限;4、不能检测轨道限界内但与轨道不接触的异物,如风筝、气球等。
采用非接触式是目前常见的检测方法,包括视频检测法、雷达检测法、超声检测法和红外线屏障检测法。其中,视频检测法是基于图像处理的方法,利用摄像头采集轨道图像,通过图像分割、特征提取和目标识别等算法,判断是否有异物侵入。现有的视频检测方法主要存在以下问题:1、受到天气和光线的影响较大,如雨、雾、雪、霜、光照不足或光照过度等,都可能导致检测失效或误报;2、需要高性能的计算平台和算法,处理海量的传感器数据,才能对较小的异物目标有较高的识别准确度;3、容易受到非异物干扰(如快速经过的火车、虫鸟等),且对于持续存在的非异物目标会持续进行重复告警。
发明内容
为了解决上述现有技术中存在的不足之处,本发明提供了一种铁路轨道异物覆盖的检测方法,包括步骤:
S1、对铁路轨道目标区域正常情况下的背景图像建模,构建背景样本库;
S2、获取铁路轨道目标区域的监控视频流,提取监控图像;
S3、将监控图像与背景样本库中的历史背景样本进行比对,提取异物目标;利用训练好的神经网络对监控图像进行检测,识别并提取监控图像中的第一非异物目标;
S4、比对异物目标和第一非异物目标,若相似度满足预设条件,则判定异物目标为非异物目标,结束流程;否则,继续流程;
S5、对异物目标进行静态追踪,若异物目标在监控视频流中的停留时长低于预设值,则判定异物目标为非异物目标,结束流程;否则,进行上报告警。
在一些较优的实施例中,所述步骤S5在对异物目标进行静态追踪之前,还包括:对异物目标进行光影干扰的去除。
在一些较优的实施例中,所述光影干扰的去除方法包括:
对异物目标的像素阈值进行分析,若大于230的像素值占比超过50%,则判定异物目标为光斑;
对获取时间处于昼间时段的异物目标的像素阈值进行分析,若低于20的像素值占比超过70%,则判定异物目标为阴影;
将判定为光斑或阴影的异物目标进一步判定为非异物目标。
在一些较优的实施例中,所述步骤S5之后还包括:步骤S6、将包含所述异物目标的监控图像作为背景样本,加入到背景样本库中。
在一些较优的实施例中,所述步骤S4中比对异物目标和第一非异物目标的方法包括:
获取异物目标预测框和第一非异物目标的预测框,若两者的预测框重叠面积大于预测框并集面积的50%,则相似度满足预设条件。
本发明还提供了一种铁路轨道异物覆盖的检测系统,包括依次连接的:
背景样本库模块,设置为存储有铁路轨道目标区域的历史背景样本;
监控视频流处理模块,设置为获取铁路轨道目标区域的监控视频流,并提取监控图像;
目标提取模块,设置为将监控图像与背景样本库中的历史背景样本进行比对,以提取异物目标;利用训练好的神经网络对监控图像进行检测,识别并提取监控图像中的第一非异物目标;
对比模块,设置为比对异物目标和第一非异物目标,若相似度满足预设条件,则判定异物目标为非异物目标;
上报模块,设置为对异物目标进行静态追踪,若异物目标在监控视频流中的停留时长高于预设值,则进行上报告警。
在一些较优的实施例中,所述上报模块还包括光影干扰去除单元,设置为对异物目标的像素阈值进行分析,若大于230的像素值占比超过50%,则判定异物目标为光斑;
对获取时间处于昼间时段的异物目标的像素阈值进行分析,若低于20的像素值占比超过70%,则判定异物目标为阴影;
将判定为光斑或阴影的异物目标进一步判定为非异物目标。
在一些较优的实施例中,所述上报模块还包括背景样本库更新单元,设置为将包含所述异物目标的监控图像作为背景样本,加入到背景样本库中。
在一些较优的实施例中,所述对比模块比对异物目标和第一非异物目标的方法包括:
获取异物目标预测框和第一非异物目标的预测框,若两者的预测框重叠面积大于预测框并集面积的50%,则相似度满足预设条件。
有益效果
1、本发明可以自动对铁路轨道异物覆盖进行检测,节约人工巡线和维护的成本;2、通过对图片进行背景建模和前景目标提取,可有效地识别移动小目标,提高了目标检测的准确性。3、结合目标检测和背景建模提取前景目标的特征,打破了单一目标检测方法的局限性,提高了目标识别的准确率。4、通过像素阈值分析,有效过滤光线变化引起的光斑、影子等误报,降低了误报率。5、对非光影异物目标进行静态追踪,并根据停留时长判断是否为移动目标,从而有效地屏蔽因短暂停留而引起的误报。6、无需高性能的计算平台、复杂的算法和昂贵的视频设备,可以在原有系统上进行改造,降低新设系统的资金成本。
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;
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,本实施例提供了一种铁路轨道异物覆盖的检测方法,包括步骤:
S1、对铁路轨道目标区域正常情况下的背景图像建模,构建背景样本库。其中所述铁路轨道是铁路轨道异物覆盖的目标区域。所述正常情况下的背景图像是指天气晴好、且铁路轨道无异物覆盖等特殊情况时的背景图像。所述对背景图像建模是指用一些数学模型来描述和表示图像序列中的背景像素,从而能够区分出前景像素(也就是运动目标)。这样可以方便对运动目标进行检测、跟踪、识别等操作。具体的建模方法可以采用混合高斯背景建模、中值法背景建模和均值法背景建模等本领域常用的方法,本发明不作进一步的限定。所述背景样本库中存储有目标区域的历史背景样本,应当理解的是,在后续对背景样本库的使用中,默认情况下都是调取并使用最新的背景样本。
S2、获取铁路轨道目标区域的监控视频流,提取监控图像。应当理解的是,所述提取监控图像可以是逐帧提取,也可以是按照技术人员根据现场实际情况和需要设定的时间间隔进行提取。
S3、将监控图像与背景样本库中的历史背景样本进行比对,提取异物目标;利用训练好的神经网络对监控图像进行检测,识别并提取监控图像中的第一非异物目标。
其中,为了方便的将监控图像与历史背景样本进行比较,可以采用与背景图像建模相同的图像处理技术对监控图像进行预处理,以使后续的比对更加方便和准确。所述提取异物目标的方法可以是将监控图像中与历史背景样本不同的特征或像素或区域,作为提取对象。在一些较优的实施例中,给出了一种具体的提取方法:将历史背景样本与监控图像进行比对,将监控图像中历史背景样本相似度特征阈值低于60%的区域,提取作为异物目标。其中,所述相似度特征可以是颜色特征、纹理特征、形状特征、SIFT、SURF、ORB特征等中的至少一种。
所述神经网络模型可以是本领域常用的图像分类模型,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,具有训练简单、准确性高等优点。
S4、比对异物目标和第一非异物目标,若相似度满足预设条件,则判定异物目标为非异物目标,无需上告告警,至此可以结束流程;否则,继续流程。其中,所述比对异物目标和第一非异物目标的目的是为了确认前述步骤提取的异物目标是否确实为异物,若其与神经网络的非异物目标相似度较高则说明前述的异物目标提取步骤失准。这样设置的目的一方面是为了加强系统的准确性,另一方面也可以减少漏报、误报。所述比对异物目标和第一非异物目标的方法可以是采用本领域常用的Non-Maximum Suppression (NMS)算法、Soft-NMS算法或Mean Shift算法等,在一些较优的实施例中,也给出了一种较为实现简单、运行快捷的对比方法,具体包括:获取异物目标预测框和第一非异物目标的预测框,若两者的预测框重叠面积大于预测框并集面积的50%,则相似度满足预设条件。所述预测框(也被称为边界框,Bounding Box)是指在目标提取步骤中产生的包围潜在目标(如异物)的矩形区域。
S5、对异物目标进行静态追踪,若异物目标在监控视频流中的停留时长低于预设值,则判定异物目标为非异物目标,结束流程;否则,进行上报告警。
考虑到在铁路铺设的区域,经常会有移动物体侵入铁路限界后又离开,例如飞行的鸟类或被风吹起的杂物,这部分侵限物在非停留状态下,不构成对铁路的危害,但现有的识别系统仍将其视为异常目标进行上报,从而导致频繁的误报,对工作人员的精力和告警资源造成浪费。基于此,本发明考虑对异物目标进行静态追踪,考察其在铁路限界内的停留时间,以减少现有技术中针对此情况存在的频繁误报。具体的,所述预设值可以是2-10s。
在另一些较优的实施例中,如图2所示,考虑天气情况对异物识别的影响,例如晴好天气下的过度光照或火车经过时的车灯光照反射于铁轨均可能存在光斑,以及物体在目标区域投下的阴影,均有可能被系统识别物异物目标,为了减少此类影响,可以对异物目标进行光影干扰的去除。本领域常用的光影干扰去除方法包括:
1、图像修复法:利用如opencv类处理软件自带的图像修复函数,根据一个阈值生成一个掩膜,然后用周围的像素值代替高光部分。这种方法简单易实现,但是对于复杂的光影干扰效果不佳。
2、混合高斯背景建模法:利用混合高斯模型对背景像素进行建模,然后根据每个高斯分布的权重和方差来判断哪些是背景,哪些是前景。这种方法适合于在相机固定的情况下从图像序列中分离出背景和前景,能够处理光照变化、背景混乱运动的干扰以及长时间的场景变化等。但对算力资源的要求较高。
3、卡尔曼滤波法:利用卡尔曼滤波器对每个像素点的灰度值进行预测和更新,从而得到背景像素值。这种方法能够适应光照变化和背景变化,而且能够消除一些噪声和运动目标,但是计算量较大,而且需要合适的初始值和参数,系统建设较为复杂。
在本发明的一些较优的实施例中,给出了一种简单、有效的光影干扰去除方法,具体包括:
对异物目标的像素阈值进行分析,若大于230的像素值占比超过50%,则判定异物目标为光斑;所述像素值是指图像中每个像素点的数值,表示该点的颜色或亮度。灰度图像的像素值通常是0到255之间的整数,表示从黑色到白色的灰度级别,值越高,像素的亮度越高,在一些较优的实施例中,考虑签署步骤中的图像均为彩色图像,而彩色图像的亮度判断较黑白图像更为复杂,因此需要现将彩色图像转换为灰度图,再进行像素阈值的分析。
对获取时间处于昼间时段的异物目标的像素阈值进行分析,若低于20的像素值占比超过70%,则判定异物目标为阴影;
将判定为光斑或阴影的异物目标进一步判定为非异物目标。
在另一些较优的实施例中,为了更加适应运行过程中的环境变化,例如,随着时间的推移,光照条件可能会发生改变,或者新的静态物体(例如被遗弃的物品)可能会出现在场景中;同时降低误报率,例如,如果一个物品被遗弃在场景中,那么在初次出现时,它应被检测为异物目标。但是,如果它在后续的一段时间内一直存在于场景中,那么它就应该被视为背景的一部分,而不再被检测为异物目标;考虑增加步骤S6、将包含所述异物目标的监控图像作为背景样本,加入到背景样本库中,从而可以随着时间的推移和环境的变化,对背景样本库进行定期更新,以保持其准确性和鲁棒性。
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,本实施例公开了一种铁路轨道异物覆盖的检测系统,包括依次连接的:
背景样本库模块,设置为存储有铁路轨道目标区域的历史背景样本;
监控视频流处理模块,设置为获取铁路轨道目标区域的监控视频流,并提取监控图像;
目标提取模块,设置为将监控图像与背景样本库中的历史背景样本进行比对,以提取异物目标;利用训练好的神经网络对监控图像进行检测,识别并提取监控图像中的第一非异物目标;
对比模块,设置为比对异物目标和第一非异物目标,若相似度满足预设条件,则判定异物目标为非异物目标;
上报模块,设置为对异物目标进行静态追踪,若异物目标在监控视频流中的停留时长高于预设值,则进行上报告警。
在一些较优的实施例中,所述上报模块还包括光影干扰去除单元,设置为对异物目标的像素阈值进行分析,若大于230的像素值占比超过50%,则判定异物目标为光斑;
对获取时间处于昼间时段的异物目标的像素阈值进行分析,若低于20的像素值占比超过70%,则判定异物目标为阴影;
将判定为光斑或阴影的异物目标进一步判定为非异物目标。
在一些较优的实施例中,所述上报模块还包括背景样本库更新单元,设置为将包含所述异物目标的监控图像作为背景样本,加入到背景样本库中。
在一些较优的实施例中,所述对比模块比对异物目标和第一非异物目标的方法包括:
获取异物目标预测框和第一非异物目标的预测框,若两者的预测框重叠面积大于预测框并集面积的50%,则相似度满足预设条件。
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 (6)
1.铁路轨道异物覆盖的检测方法,其特征在于,包括步骤:
S1、对铁路轨道目标区域正常情况下的背景图像建模,构建背景样本库;
S2、获取铁路轨道目标区域的监控视频流,提取监控图像;
S3、将监控图像与背景样本库中的历史背景样本进行比对,提取异物目标;利用训练好的神经网络对监控图像进行检测,识别并提取监控图像中的第一非异物目标;
S4、比对异物目标和第一非异物目标,若相似度满足预设条件,则判定异物目标为非异物目标,结束流程;否则,继续流程;
S5、对异物目标进行静态追踪,若异物目标在监控视频流中的停留时长低于预设值,则判定异物目标为非异物目标,结束流程;否则,进行上报告警;
所述步骤S5在对异物目标进行静态追踪之前,还包括:对异物目标进行光影干扰的去除;
所述光影干扰的去除方法包括:
对异物目标的像素阈值进行分析,若大于230的像素值占比超过50%,则判定异物目标为光斑;
对获取时间处于昼间时段的异物目标的像素阈值进行分析,若低于20的像素值占比超过70%,则判定异物目标为阴影;
将判定为光斑或阴影的异物目标进一步判定为非异物目标。
2.如权利要求1所述的铁路轨道异物覆盖的检测方法,其特征在于,所述步骤S5之后还包括:步骤S6、将包含所述异物目标的监控图像作为背景样本,加入到背景样本库中。
3.如权利要求1所述的铁路轨道异物覆盖的检测方法,其特征在于,所述步骤S4中比对异物目标和第一非异物目标的方法包括:
获取异物目标预测框和第一非异物目标的预测框,若两者的预测框重叠面积大于预测框并集面积的50%,则相似度满足预设条件。
4.铁路轨道异物覆盖的检测系统,其特征在于,包括依次连接的:
背景样本库模块,设置为存储有铁路轨道目标区域的历史背景样本;
监控视频流处理模块,设置为获取铁路轨道目标区域的监控视频流,并提取监控图像;
目标提取模块,设置为将监控图像与背景样本库中的历史背景样本进行比对,以提取异物目标;利用训练好的神经网络对监控图像进行检测,识别并提取监控图像中的第一非异物目标;
对比模块,设置为比对异物目标和第一非异物目标,若相似度满足预设条件,则判定异物目标为非异物目标;
上报模块,设置为对异物目标进行静态追踪,若异物目标在监控视频流中的停留时长高于预设值,则进行上报告警;
所述上报模块还包括光影干扰去除单元,设置为对异物目标的像素阈值进行分析,若大于230的像素值占比超过50%,则判定异物目标为光斑;
对获取时间处于昼间时段的异物目标的像素阈值进行分析,若低于20的像素值占比超过70%,则判定异物目标为阴影;
将判定为光斑或阴影的异物目标进一步判定为非异物目标。
5.如权利要求4所述的铁路轨道异物覆盖的检测系统,其特征在于,所述上报模块还包括背景样本库更新单元,设置为将包含所述异物目标的监控图像作为背景样本,加入到背景样本库中。
6.如权利要求4所述的铁路轨道异物覆盖的检测系统,其特征在于,所述对比模块比对异物目标和第一非异物目标的方法包括:
获取异物目标预测框和第一非异物目标的预测框,若两者的预测框重叠面积大于预测框并集面积的50%,则相似度满足预设条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310747254.9A CN116485799B (zh) | 2023-06-25 | 2023-06-25 | 铁路轨道异物覆盖的检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310747254.9A CN116485799B (zh) | 2023-06-25 | 2023-06-25 | 铁路轨道异物覆盖的检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116485799A CN116485799A (zh) | 2023-07-25 |
CN116485799B true CN116485799B (zh) | 2023-09-15 |
Family
ID=87212342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310747254.9A Active CN116485799B (zh) | 2023-06-25 | 2023-06-25 | 铁路轨道异物覆盖的检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485799B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038702A (zh) * | 2017-04-17 | 2017-08-11 | 兰州交通大学 | 基于三背景建模的三重差分的铁路轨道异物侵限检测方法 |
CN110276255A (zh) * | 2019-05-17 | 2019-09-24 | 南京理工大学 | 基于gmm模型与bp神经网络的高速铁路异物识别与分类方法 |
WO2020012475A1 (en) * | 2018-07-10 | 2020-01-16 | Rail Vision Ltd | Method and system for railway obstacle detection based on rail segmentation |
CN111160125A (zh) * | 2019-12-11 | 2020-05-15 | 北京交通大学 | 基于铁路监控的铁路异物入侵检测方法 |
CN111507235A (zh) * | 2020-04-13 | 2020-08-07 | 北京交通大学 | 基于视频的铁路周界异物入侵检测方法 |
CN112528861A (zh) * | 2020-12-11 | 2021-03-19 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 应用于铁路隧道内道床的异物检测方法及装置 |
CN113191339A (zh) * | 2021-06-30 | 2021-07-30 | 南京派光智慧感知信息技术有限公司 | 一种基于视频分析的轨道异物侵限监测方法及系统 |
WO2021253961A1 (zh) * | 2020-06-15 | 2021-12-23 | 北京世纪瑞尔技术股份有限公司 | 一种智能视觉感知系统 |
CN115205796A (zh) * | 2022-07-07 | 2022-10-18 | 北京交通大学 | 轨道线路异物侵限监测与风险预警方法及系统 |
CN115661786A (zh) * | 2022-10-21 | 2023-01-31 | 内蒙古工业大学 | 一种区域预搜索的轨道障碍物小目标检测方法 |
-
2023
- 2023-06-25 CN CN202310747254.9A patent/CN116485799B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038702A (zh) * | 2017-04-17 | 2017-08-11 | 兰州交通大学 | 基于三背景建模的三重差分的铁路轨道异物侵限检测方法 |
WO2020012475A1 (en) * | 2018-07-10 | 2020-01-16 | Rail Vision Ltd | Method and system for railway obstacle detection based on rail segmentation |
CN110276255A (zh) * | 2019-05-17 | 2019-09-24 | 南京理工大学 | 基于gmm模型与bp神经网络的高速铁路异物识别与分类方法 |
CN111160125A (zh) * | 2019-12-11 | 2020-05-15 | 北京交通大学 | 基于铁路监控的铁路异物入侵检测方法 |
CN111507235A (zh) * | 2020-04-13 | 2020-08-07 | 北京交通大学 | 基于视频的铁路周界异物入侵检测方法 |
WO2021253961A1 (zh) * | 2020-06-15 | 2021-12-23 | 北京世纪瑞尔技术股份有限公司 | 一种智能视觉感知系统 |
CN112528861A (zh) * | 2020-12-11 | 2021-03-19 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 应用于铁路隧道内道床的异物检测方法及装置 |
CN113191339A (zh) * | 2021-06-30 | 2021-07-30 | 南京派光智慧感知信息技术有限公司 | 一种基于视频分析的轨道异物侵限监测方法及系统 |
CN115205796A (zh) * | 2022-07-07 | 2022-10-18 | 北京交通大学 | 轨道线路异物侵限监测与风险预警方法及系统 |
CN115661786A (zh) * | 2022-10-21 | 2023-01-31 | 内蒙古工业大学 | 一种区域预搜索的轨道障碍物小目标检测方法 |
Non-Patent Citations (3)
Title |
---|
Foreign Object Detection Algorithm Based on Multi-scale Convolutional Network;Jiexin Zheng等;《16th International Symposium on Parameterized and Exact Computation 》;第1952卷;022017 * |
基于深度背景差分的铁路异物检测算法;杜兴强等;《CNKI中国硕士毕业论文全文库(工程科技Ⅰ辑)》(第1期);B026-79 * |
融合混合注意力和改进YoloX的铁路落石检测方法;胡昊等;《电子测量技术》;第45卷(第20期);110-116 * |
Also Published As
Publication number | Publication date |
---|---|
CN116485799A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103442209B (zh) | 一种输电线路的视频监控方法 | |
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
KR101048045B1 (ko) | 객체의 이동궤적을 이용한 철도건널목 위험지역의 지장물 영상검지장치 및 그 제어방법 | |
CN108765453B (zh) | 基于视频流数据的高速公路团雾识别方法 | |
CN104134222A (zh) | 基于多特征融合的车流监控图像检测和跟踪系统及方法 | |
CN105809679A (zh) | 一种基于视觉分析的山区铁路边坡落石检测方法 | |
CN111626170B (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
CN113850123A (zh) | 基于视频的公路监控方法及装置、存储介质和监控系统 | |
KR20100119476A (ko) | 연속류도로 사고 및 돌발 자동판별 검지시스템 및 그 방법 | |
KR101040049B1 (ko) | 영상 기반 감시 시스템에서 신속하고 강인한 다수 이동 물체 추적 방법 | |
CN111783700B (zh) | 一种路面异物自动识别预警方法和系统 | |
CN116385948B (zh) | 一种预警铁路边坡异常的系统和方法 | |
CN112287823A (zh) | 一种基于视频监控的面部口罩识别方法 | |
CN111667655A (zh) | 基于红外图像的高速铁路安全区入侵警报装置及方法 | |
CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
CN113657305B (zh) | 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 | |
CN114445398A (zh) | 采煤机液压支架护帮板状态监测方法及装置 | |
CN112866654B (zh) | 一种智能视频监控系统 | |
CN113657250A (zh) | 一种基于监控视频的火焰检测方法及系统 | |
CN113255697A (zh) | 复杂场景下的高精度高空抛物检测系统及方法 | |
CN116485799B (zh) | 铁路轨道异物覆盖的检测方法及系统 | |
CN116597394A (zh) | 一种基于深度学习的铁路异物侵限检测系统及方法 | |
Gao et al. | Intelligent crack damage detection system in shield tunnel using combination of retinanet and optimal adaptive selection | |
CN116453069A (zh) | 基于级联差异感知模型的高速公路抛洒物检测方法 | |
WO2022267266A1 (zh) | 一种基于视觉识别的列车控制方法及设备 |
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 |