【技術實現步驟摘要】
本專利技術涉及圖像識別，尤其涉及一種面向鐵路線路危情的視頻圖像內容分析方法。
技術介紹
1、隨著全球鐵路交通網絡的快速發展，特別是中國高鐵路網的迅速擴張，鐵路運營里程不斷增加，列車開行密度顯著提高。高鐵以其高速、便捷的特點成為現代交通的重要組成部分，然而，高鐵的安全問題也隨之日益凸顯。高鐵線路穿越復雜的地質環境和多變的氣象條件，面臨著崩塌落石、泥石流、邊坡溜坍以及人員/大型動物侵入鐵路限界等多種潛在危情，這些都對高鐵的安全運營構成了嚴重威脅。因此，如何有效地監測和預防這些危情，確保高鐵運行的安全性和可靠性，成為鐵路管理部門和技術研發人員亟需解決的問題。
2、針對鐵路線路危情的監測，現有技術主要包括基于視頻的檢測方法、雷達智能識別技術和光纖傳感識別技術等。盡管上述技術在鐵路危情監測中發揮了一定作用，但單一算法檢測易出現檢測結果不準確的情況。
技術實現思路
1、本專利技術提供一種面向鐵路線路危情的視頻圖像內容分析方法，解決了現有技術中鐵路線路危情檢測準確性低的缺陷，實現了高效準確的鐵路線路危情視頻圖像內容分析。
2、本專利技術提供一種面向鐵路線路危情的視頻圖像內容分析方法，包括如下步驟：
3、通過云端服務器接收報警消息，根據所述報警消息獲取報警圖像；
4、對所述報警圖像進行檢測，得到云端檢測結果；
5、將所述云端檢測結果與邊端檢測結果進行對比，確定對比結果；所述邊端檢測結果和報警圖像通過邊端設備對鐵路線路的視頻流進行檢測得到，
6、匯總多個對比結果進行加權處理，得到最終報警結果。
7、根據本專利技術提供的一種面向鐵路線路危情的視頻圖像內容分析方法，通過邊端設備對鐵路線路的視頻流進行檢測，具體包括：通過建立好的背景差分模型對所述視頻流中的當前幀圖像與最新的背景圖像進行差分運算，得到差分圖像；將所述差分圖像中每個像素點的像素值與預設閾值比較，根據比較結果將所述差分圖像二值化，對二值化后的差分圖像進行形態學處理，得到第一目標檢測結果；通過訓練好的卷積神經網絡目標檢測模型對所述視頻流中的幀圖像進行目標檢測，得到第二目標檢測結果；所述訓練好的卷積神經網絡目標檢測模型通過訓練集訓練得到，所述訓練集為標記有異物類別的鐵路危情樣本數據集；將所述第一目標檢測結果和所述第二目標檢測結果進行融合，確定邊端檢測結果，根據邊端檢測結果確定帶有異常目標的報警圖像。
8、根據本專利技術提供的一種面向鐵路線路危情的視頻圖像內容分析方法，所述對所述報警圖像進行檢測，得到云端檢測結果，具體包括：對所述報警圖像進行預處理；將預處理后的圖像分割成若干個獨立的區塊，根據每個獨立的區塊確定對應的像素矩陣；基于swintransformer網絡對每個像素矩陣進行多階段處理，得到不同階段的特征圖；將不同階段的特征圖進行融合后輸入檢測頭進行目標檢測，輸出類別概率圖和邊界框偏移量；根據所述類別概率圖和所述邊界框偏移量生成預測邊界框；通過非極大值抑制對所述預測邊界框進行處理后得到云端檢測結果。
9、根據本專利技術提供的一種面向鐵路線路危情的視頻圖像內容分析方法，所述將所述云端檢測結果與邊端檢測結果進行對比，確定對比結果，具體包括：基于訓練好的對比學習模型將所述云端檢測結果與邊端檢測結果進行對比，確定對比結果；所述訓練好的對比學習模型根據訓練集訓練得到；所述訓練集為從鐵路線路危情樣本庫中選取的具有同一類別標簽的正樣本和具有不同類別標簽的負樣本。
10、根據本專利技術提供的一種面向鐵路線路危情的視頻圖像內容分析方法，根據訓練集訓練卷積神經網絡目標檢測模型，具體包括：獲取包含各類危情目標的鐵路危情樣本數據集；對所述鐵路危情樣本數據集中的每張圖像進行標注，得到訓練集；將所述訓練集輸入至卷積神經網絡目標檢測模型中進行訓練，得到預測目標簽；根據預測目標標簽和真實目標標簽計算損失函數，根據損失函數反向傳播更新模型權重參數；不斷迭代更新模型權重參數，在訓練次數達到停止條件時，輸出訓練好的卷積神經網絡目標檢測模型。
11、根據本專利技術提供的一種面向鐵路線路危情的視頻圖像內容分析方法，根據訓練集訓練對比學習模型，具體包括：從構建的鐵路線路危情樣本庫中選取圖像，將具有同一類別標簽的圖像作為正樣本對，不同類別標簽的圖像作為負樣本對，所述正樣本對和所述負樣本對組成正負樣本對；對所述正負樣本對進行數據增強；對數據增強后的正負樣本對進行編碼，提取輸入圖像的深度特征；對提取到的深度特征維數進行降維處理和過濾處理，輸出多維特征向量；根據所述多維特征向量計算對比損失函數，根據計算結果對對比學習模型的參數進行更新；繼續迭代更新對比學習模型，直到滿足迭代停止條件。
12、根據本專利技術提供的一種面向鐵路線路危情的視頻圖像內容分析方法，所述通過云端服務器接收報警消息，根據所述報警消息獲取報警圖像，具體包括：云端服務器消息隊列接收來自邊端設備的報警信息，所述報警信息包括報警圖像的統一資源定位符；根據所述報警圖像的統一資源定位符下載對應的報警圖像。
13、本專利技術還提供一種面向鐵路線路危情的視頻圖像內容分析裝置，包括如下模塊：
14、圖像獲取模塊，用于通過云端服務器接收報警消息，根據所述報警消息獲取報警圖像；
15、云端檢測模塊，用于對所述報警圖像進行檢測，得到云端檢測結果；
16、云邊對比模塊，用于將所述云端檢測結果與邊端檢測結果進行對比，確定對比結果；所述邊端檢測結果和報警圖像通過邊端設備對鐵路線路的視頻流進行檢測得到，所述報警圖像為帶有異常目標的圖像；
17、報警結果確定模塊，匯總多個對比結果進行加權處理，得到最終報警結果。
18、本專利技術還提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現如上述任一種所述面向鐵路線路危情的視頻圖像內容分析方法。
19、本專利技術還提供一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現如上述任一種所述面向鐵路線路危情的視頻圖像內容分析方法。
20、本專利技術還提供一種計算機程序產品，包括計算機程序，所述計算機程序被處理器執行時實現如上述任一種所述面向鐵路線路危情的視頻圖像內容分析方法。
21、本專利技術提供的一種面向鐵路線路危情的視頻圖像內容分析方法，包括以下有益效果：本專利技術結合了云端和邊端的雙重檢測機制，通過對報警圖像的云端檢測，并與邊端檢測結果進行對比，可以顯著降低誤報和漏報的概率，從而提高危情檢測的高度準確性。通把視頻流分配到邊緣設備，僅將關鍵視頻圖像及信息傳輸到云端，減輕對中心云的帶寬壓力，同時利用云端高算力資源配合高復雜度的深度學習網絡，增強檢測準確度。通過結合云端多個模型的優勢，結合多個模型的檢測，可以降低過擬合風險、提高泛化能力、減少模型偏差、提高預測穩定性、增強模型解釋性和適應不同數據分布。
本文檔來自技高網...【技術保護點】
1.一種面向鐵路線路危情的視頻圖像內容分析方法，其特征在于，包括：
2.根據權利要求1所述的面向鐵路線路危情的視頻圖像內容分析方法，其特征在于，通過邊端設備對鐵路線路的視頻流進行檢測，具體包括：
3.根據權利要求1所述的面向鐵路線路危情的視頻圖像內容分析方法，其特征在于，所述對所述報警圖像進行檢測，得到云端檢測結果，具體包括：
4.根據權利要求1所述的面向鐵路線路危情的視頻圖像內容分析方法，其特征在于，所述將所述云端檢測結果與邊端檢測結果進行對比，確定對比結果，具體包括：
5.根據權利要求2所述的面向鐵路線路危情的視頻圖像內容分析方法，其特征在于，根據訓練集訓練卷積神經網絡目標檢測模型，具體包括：
6.根據權利要求4所述的面向鐵路線路危情的視頻圖像內容分析方法，其特征在于，根據訓練集訓練對比學習模型，具體包括：
7.根據權利要求1所述的面向鐵路線路危情的視頻圖像內容分析方法，其特征在于，所述通過云端服務器接收報警消息，根據所述報警消息獲取報警圖像，具體包括：
8.一種面向鐵路線路危情的視頻圖像內容
9.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現如權利要求1至7任一項所述面向鐵路線路危情的視頻圖像內容分析方法。
10.一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1至7任一項所述面向鐵路線路危情的視頻圖像內容分析方法。
...【技術特征摘要】
1.一種面向鐵路線路危情的視頻圖像內容分析方法，其特征在于，包括：
2.根據權利要求1所述的面向鐵路線路危情的視頻圖像內容分析方法，其特征在于，通過邊端設備對鐵路線路的視頻流進行檢測，具體包括：
3.根據權利要求1所述的面向鐵路線路危情的視頻圖像內容分析方法，其特征在于，所述對所述報警圖像進行檢測，得到云端檢測結果，具體包括：
4.根據權利要求1所述的面向鐵路線路危情的視頻圖像內容分析方法，其特征在于，所述將所述云端檢測結果與邊端檢測結果進行對比，確定對比結果，具體包括：
5.根據權利要求2所述的面向鐵路線路危情的視頻圖像內容分析方法，其特征在于，根據訓練集訓練卷積神經網絡目標檢測模型，具體包括：
6.根據權利要求4所述的面向鐵路線路危情的視頻...
【專利技術屬性】
技術研發人員：史維峰，郭戰偉，沈鹍，代明睿，胡昊，楊濤存，劉新宇，溫桂玉，匡建立，羅浩，程川，毛巖松，柳青紅，馬禎，尤嘉，張萬鵬，傅薈瑾，郭鵬躍，董學娟，王昊，黃志敏，王東妍，吳浩楠，馮爽，李雪瑩，楊琦，楊雪，張德強，沈敬偉，劉靜，陳雙雙，黎悅韜，劉浩朋，袁碧懋，陳夢，蔡青，
申請(專利權)人：中國鐵道科學研究院集團有限公司電子計算技術研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。