CN109614873A - 基于神经网络的列车安全标志检测方法、服务器及存储介质 - Google Patents
基于神经网络的列车安全标志检测方法、服务器及存储介质 Download PDFInfo
- Publication number
- CN109614873A CN109614873A CN201811358358.6A CN201811358358A CN109614873A CN 109614873 A CN109614873 A CN 109614873A CN 201811358358 A CN201811358358 A CN 201811358358A CN 109614873 A CN109614873 A CN 109614873A
- Authority
- CN
- China
- Prior art keywords
- train
- image
- safety sign
- neural network
- region
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及检测领域,公开了一种基于神经网络的列车安全标志检测方法、服务器及存储介质。本发明中,包括以下步骤:根据列车图像获取列车尾部区域的图像;通过神经网络对列车尾部区域的图像进行列车安全标志的检测,并获得检测结果,在确定检测结果为列车安全标志状态异常的情况下,实时发出报警信息。通过对列车图像进行分析处理获得列车尾部区域的图像,并通过神经网络模型获得对列车尾部区域图像中的列车安全标志的检测结果,避免了由于采用人工观察的方式进行检测所造成的误判,从而提高了列车安全标志检测的准确率、工作人员工作效率以及减少车站工作人员的投入。
Description
技术领域
本发明实施例涉及检测领域,特别涉及一种基于神经网络的列车安全标志检测方法、服务器及存储介质。
背景技术
在铁路运输领域,列车的尾部一般需要安装尾灯或者列尾装置,并将尾灯或列尾装置作为列车安全标志。列车安全标志在列车安全行驶方面起着重要的作用,因此车站在接发车时,一般需要工作人员对列车安全标志进行识别检测,以保证车辆行驶的安全性。
发明人发现现有技术中至少存在如下问题:现有技术中,车站一般投入大量的工作人员,并通过工作人员的肉眼观察对安全标志进行识别检查,但是连续的观察往往会使人变得疲惫,因此在进行识别检查时容易出现误判的情况,从而降低了识别检测的准确率。
发明内容
本发明实施方式的目的在于提供一种基于神经网络的列车安全标志检测方法、服务器及存储介质,使得在对列车安全标志进行检测时,提高检测的准确率、工作人员工作效率以及减少车站工作人员的投入。
为解决上述技术问题,本发明的实施方式提供了一种基于神经网络的列车安全标志检测方法,包括以下步骤:根据列车图像获取列车尾部区域的图像;对列车尾部区域的图像进行列车安全标志的检测,并获得检测结果,其中,检测结果包括列车安全标志状态正常和列车安全标志状态异常;在确定检测结果为列车安全标志状态异常的情况下,实时发出报警信息。
本发明的实施方式还提供了一种服务器,包括:至少一个图形处理器;以及,与至少一个图形处理器通信连接的中央处理器;以及,与至少一个处理器通信连接的存储器;以及,与至少一个图形处理器通信连接的通信组件,通信组件在处理器的控制下接收和发送数据;其中,存储器存储有可被至少一个图形处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如上的基于神经网络的列车安全标志检测方法。
本发明的实施方式还提供了一种计算机可读存储介质,存储有计算机程序,其特征在于,计算机程序被处理器执行时实现如上的基于神经网络的列车安全标志检测方法。
本发明实施方式相对于现有技术而言,通过对列车图像进行分析处理获得列车尾部区域的图像,并通过神经网络模型获得对列车尾部区域图像中的列车安全标志的检测结果,避免了由于采用人工观察的方式进行检测所造成的误判,从而提高了列车安全标志检测的准确率及工作人员工作效率,同时通过将机器识别检测代替传统的人眼识别检测,从而减少了铁路工作人员的投入。
另外,根据列车图像获取列车尾部区域的图像之前,还包括:确定接收到列车轨道上设置的传感器发送的采集信号;根据采集信号获取摄像装置拍摄的列车图像,其中,采集信号用于表示列车通过摄像装置的拍摄范围。该实现中,在列车通过摄像装置的拍摄范围时,列车轨道上的传感器能够及时向服务器发送采样信号,使服务器仅针对采样信号所对应的时刻,获取到的列车图像进行处理,从而减轻了服务器的处理压力,提高了处理器的处理速度。
另外,通过神经网络模型对列车尾部区域的图像进行列车安全标志的检测,并获得检测结果,具体包括:采用预设的神经网络模型对列车尾部区域的图像进行特征提取;根据提取的特征进行检测,获得检测结果;其中,检测结果包括列车安全标志状态正常或列车安全标志状态异常。
另外,采用预设的神经网络模型对列车尾部区域的图像进行特征提取之前,还包括:采用多个样本图像对预设神经网络模型进行训练,获得参数已知的预设神经网络模型,其中,每一个样本图像中的列车安全标志的状态已知。
另外,根据列车图像获取列车尾部区域的图像,具体包括:对列车图像进行图像增强处理,获得增强图像;根据增强图像获取列车尾部区域的图像。该实现中,因为可能是在不同的光照条件下所获取到的列车图像,因此获取的列车图像会因为光照的不同而出现不清楚的问题,通过图像增强处理之后,能够使所获得列车图像更加清晰,从而进一步提高了检测的准确度。
另外,根据增强图像获取列车尾部区域的图像,具体包括:通过对增强图像进行图像分割处理,获得列车尾部区域的图像,其中,列车尾部区域用于安装列车安全标志。该实现中,通过对获取到的增强图像进行分割处理,获得安装列车安全标志的列车尾部区域的图像,并且仅对分割出的区域的图像进行检测,从而缩小了检测的范围,提高了检测的速度。
另外,在确定检测结果为列车安全标志状态异常的情况下,实时发出报警信息之后,还包括:将报警信息输给与服务器具有通信连接的终端设备上。
另外,对列车尾部区域的图像进行列车安全标志的检测,并获得检测结果之后,还包括:在报警信息与实际场景不符的情况下,接收用户输入的带有标记信息的列车尾部区域的图像,并根据带有标记信息的列车尾部区域的图像对神经网络模型进行训练。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是本申请第一实施例中基于神经网络的列车安全标志检测方法的流程图;
图2是本申请第一实施例中基于神经网络的列车安全标志检测方法的应用场景示意图;
图3是本申请第二实施例中基于神经网络的列车安全标志检测方法的流程图;
图4是本申请第三实施例中基于神经网络的列车安全标志检测装置的方框示意图;
图5是本申请第四实施例中基于神经网络的列车安全标志检测装置的方框示意图;
图6是本申请第五实施例中服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。
本发明的第一实施方式涉及一种基于神经网络的列车安全标志检测方法,应用于服务器。具体流程如图1所示,包括以下步骤:
步骤101,根据列车图像获取列车尾部区域的图像。
具体的说,本实施方式中,本实施方式的应用场景示意图如图2所示。在列车进站前预设距离内的咽喉区域设置摄像装置,而在咽喉区域的导轨处设置传感器,当列车经过传感器时,传感器能够获取到列车经过的采集信号,而此时列车也是在摄像装置的拍摄范围内的。服务器获取列车图像的具体方式可以是通过车站内的交换机获取摄像装置拍摄的列车图像,具体传输方式可以采用光纤传输方式或者无线传输的方式将列车图像传输给连机器,并通过交连接器传输给交换机,连接器的类型具体可以是RJ45,此时服务器就可以在车站局域网内通过有线或无线的传输方式获取交换机中的列车图像,与交换机相连的为终端设备和工作台,终端设备具体可以是工作人员随身所携带的智能手表,工作台具体可以是一台计算机,并且本实施例中的工作台可以作为一种特殊类型的终端设备。
其中,在根据列车图像获取列车尾部区域的图像之前,需要确定接收到列车轨道上设置的传感器发送的采集信号,根据采集信号获取摄像装置拍摄的列车图像,其中,采集信号用于表示列车通过摄像装置的拍摄范围。因此,在接收到采集信号之后,可以保证从摄像装置所拍摄的为列车图像,而不会是其它场景的图像,因此,通过获取传感器发送的采集信号,可以减少服务器对其他场景的图像处理操作,从而减少了服务器的处理压力。
具体的说,在本实施方式中,由于服务器可能是在不同场景下获取摄像装置拍摄的列车图像,并且在不同场景下列车图像的清晰度会受不同场景下光照的影响而有所不同,通常情况下,白天所获取的列车图像往往会比夜晚所获取的列车图像清晰度要高一些。因此,为了解决由于不同光照条件所造成的图像不清楚的问题,需要对列车图像进行图像增强处理,获得增强图像,在对获取的列车图像进行增强时,可以采用Retinex算法、直方图均衡算法或小波变化算法进行处理,从而提高列车图像整体和局部的对比度,使增强图像具有良好的视觉效果,即更加清晰。当然,本实施方式只是以Retinex算法、直方图均衡算法或小波变换算法为例进行的说明,对于其它能够实现图像增强的算法也是在本申请的保护范围内的。
其中,在获取增强图像之后,根据增强图像获取列车尾部区域的图像,具体实现方式,可以采用通过对增强图像进行图像分割处理,获得列车尾部区域的图像,其中,列车尾部区域用于安装列车安全标志,本申请实施例中的列车安全标志包括列车尾灯或列尾装置,并且列车尾灯或列尾装置一般是安装在列车尾部区域,所以通过对增强图像进行分割处理,将安装列车尾灯或列尾装置的列车尾部区域分离出来,并在后续处理中仅对该区域内的图像进行分析检测,从而缩小了检测的范围,提高了检测的处理速度。本实施方式中,在对增强图像进行图像分割处理时,可以采用K-Means算法、基于阈值的分割算法或基于区域的分割算法,当然,本实施方式仅是以上述算法进行举例说明,对于其它能够实现图像分割的算法也是在本申请的保护范围内的。
步骤102,通过神经网络模型对列车尾部区域的图像进行列车安全标志的检测,并获得检测结果。
具体的说,在本申请实施方式中,在根据列车尾部区域的图像进行列车安全标志的检测时,具体方式可以是采用预设的神经网络模型对列车尾部区域的图像进行特征提取;根据提取的特征进行检测,获得检测结果;其中,检测结果包括列车安全标志状态正常或列车安全标志状态异常。并且,本实施方式中的神经网络模型类型包括卷积神经网络模型,当然,对于其它类型的神经网络模型只要能够实现对列车安全标志的检测,都是在本申请的保护范围内的。
需要说明的是,在采用预设的神经网络模型对列车尾部区域的图像进行特征提取之前,还包括:采用多个样本图像对预设神经网络模型进行训练,获得参数已知的预设神经网络模型,其中,每一个样本图像中的列车安全标志的状态已知。
例如,将1000份列车尾部区域的图像样本输入预设神经网络模型,并且每一份列车尾部区域的图像都标记有列车安全标志状态正常和列车安全标志状态异常的标记信息,通过列车安全标志状态已知的大量样本图像,可以获得参数已知的预设神经网络模型。因此,将列车安全标志状态未知的列车尾部区域的A图像,通过输入参数已知的预设神经网络模型,就可以获得A图像所对应的列车安全标志的检测结果。当然,本实施方式中仅是以1000份列车尾部区域的图像样本为例进行说明,在实际应用中,样本的数量不仅仅限于1000份,也可以远大于1000份,只要提供的多个样本能够实现对预设神经网络模型的训练,都是在本申请的保护范围内的。
具体的说,在本实施方式中,神经网络模型在根据输入的列车尾部区域的图像,提取出列车安全标志的特征,例如,针对列尾装置,获取列车尾部区域内的列尾装置的边框特征,对列尾装置的边框特征进行检测,若确定存在列尾装置的边框特征,则确定列尾装置未掉落缺失,因此列尾装置状态正常,若确定不存在列尾装置的边框特征,则确定列尾装置缺失,因此列尾装置状态异常。而针对列车尾灯,获取列车尾部区域内的列车尾灯的边框特征和亮度特征,若确定存在列车尾灯的边框特征,并且列车尾灯的亮度特征超过设定的预设阈值,则确定列车尾灯亮,因此列车尾灯状态正常;若确定存在列车尾灯的边框特征,并且列车尾灯的亮度特征未超过设定的预设阈值,则确定列车尾灯未亮,因此列车尾灯状态异常,并将该异常状态称为列车尾灯第一类异常状态;若确定不存在列车尾灯的边框特征,则确定列车尾灯缺失,因此列车尾灯状态异常,并将该异常状态称为列车尾灯第二类异常状态。
需要说明的是,神经网络模型不仅仅局限于对边框特征或亮度特征进行检测,本实施方式中,仅是以列尾装置的边框以及列车尾灯的边框和亮度特征为例进行的说明,在实际应用中神经网络模型还可以采用列尾装置或列车尾灯的其它特征对列车安全标志的状态进行检测,例如,可以采用列车安全标志的形状特征、颜色特征或面积特征,本实施方式中仅是以边框特征和亮度特征为例进行说明,不论采用任何类型的特征,只要能够实现对列车安全标志的检测,都是在本申请的保护范围内的。
步骤103,在确定检测结果为列车安全标志状态异常的情况下,实时发出报警信息。
具体的说,在本实施方式中,在确定检测结果为列车安全标志正常的情况下,会直接将检测结果进行保存,而在确定检测结果为列车安全标志状态异常的情况下,在将检测结果进行保存的同时,还会实时发出报警信息。
在一个具体实现中,在确定列尾装置异常的情况下,会发出报警信息“列尾装置缺失”;在确定列车尾灯异常的情况下,会根据不同的检测结果发出不同的报警信息,例如,在确定列车尾灯异常的情况下,则首先确定列车尾灯状态异常的类别,若确定为列车尾灯第一类异常状态,则会实时发出报警信息“列车尾灯未亮起”,若确定为列车尾灯第二类异常状态,则会实时发出报警信息“列车尾灯缺失”。
与现有技术相比,本申请实施方式的基于神经网络的列车安全标志检测方法,通过对列车图像进行分析处理获得列车尾部区域的图像,并通过神经网络模型获得对列车尾部区域图像中的列车安全标志的检测结果,避免了由于采用人工观察的方式进行检测所造成的误判,从而提高了列车安全标志检测的准确率及工作人员的工作效率,同时通过将机器识别检测代替传统的人眼识别检测,从而减少了车站工作人员的投入。
本发明的第二实施方式涉及一种基于神经网络的列车安全标志检测方法。本实施例在第一实施例的基础上做了进一步改进,具体改进之处为:在获得检测结果之后增加了在确定检测结果为列车安全标志异常的情况下,实时发出报警信息,以及将报警信息传输给终端设备上的步骤。本实施例中的基于神经网络的列车安全标志检测方法的流程如图3所示。具体的说,在本实施例中,包括步骤201至步骤204,其中步骤201至步骤203与第一实施方式中的步骤101至步骤103大致相同,此处不再赘述,下面主要介绍不同之处,未在本实施方式中详尽描述的技术细节,可参见第一实施例所提供的列车安全标志的方法,此处不再赘述。
在步骤201至步骤203之后,执行步骤204。
在步骤204中,将报警信息输给与服务器具有通信连接的终端设备上。
需要说明的是,在本实施方式中,由于服务器会与多个终端设备具有通信连接关系,本实施方式中的终端设备可以是智能手表或手机,而终端设备是车站的工作人员所随身携带的。当服务器将报警信息传输给终端设备上之后,工作人员可以根据报警信息及时做出相应的改进措施,例如在接收到“列尾装置缺失”的报警信息后,可以及时在列车尾部安装新的列尾装置,在接收到“列车尾灯未亮起”的报警信息后,可以及时对列车尾灯进行检修,从而提高列车行驶的安全性。当然,如图2所示,本实施方式中的终端设备还可以是工作台,工作台可以是一台计算机,通过将报警信息传输给工作台。工作台在接收到报警信息后,可以将报警信息在站台进行广播,从而避免工作人员所随身所携带的终端设备出现故障的情况下,无法接收到报警信息的情况发生。
需要说明的是,为了进一步提高检测的准确性,在对列车尾部区域的图像进行列车安全标志的检测,并获得检测结果之后,如果用户根据获得的报警信息对列车安全标志进行现场检修的时候,发现报警信息与实际场景不符的情况下,用户会将进行检测的列车尾部区域的图像进行标记。在报警信息与实际场景不符的情况下,服务器会接收用户输入的带有标记信息的列车尾部区域的图像,并根据带有标记信息的列车尾部区域的图像对神经网络模型进行训练,从而优化神经网络模型。
与现有技术相比,本实施方式提供的基于神经网络的列车安全标志检测方法,通过对列车图像进行分析处理获得列车尾部区域的图像,并通过神经网络模型获得对列车尾部区域图像中的列车安全标志的检测结果,避免了由于采用人工观察的方式进行检测所造成的误判,从而提高了列车安全标志检测的准确率即工作人员的工作效率,同时通过将机器识别检测代替传统的人眼识别检测,从而减少了铁路工作人员的投入。并通过将报警信息及时传输给终端设备上,以便于工作人员根据终端设备上所获取的报警信息,及时采取相应改进措施,从而提高列车行驶的安全性。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
本发明第三实施方式涉及一种列车安全标志的检测装置,具体结构如如图4所示。
如图3所示,列车安全标志的检测装置包括:获取模块301、检测模块302和报警模块303。
其中,获取模块301,用于根据列车图像获取列车尾部区域的图像。
检测模块302,用于通过神经网络模型对列车尾部区域的图像进行列车安全标志的检测,并获得检测结果。
报警模块303,用于在确定检测结果为列车安全标志状态异常的情况下,实时发出报警信息。
不难发现,本实施方式为与第一实施方式相对应的装置实施例,本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中。
本发明第四实施方式涉及一种列车安全标志的检测装置。该实施方式与第三实施方式大致相同,具体结构如图5所示。其中,主要改进之处在于:在第三实施方式的基础上增加了传输模块304。
其中,获取模块301,用于根据列车图像获取列车尾部区域的图像。
检测模块302,用于通过神经网络模型对列车尾部区域的图像进行列车安全标志的检测,并获得检测结果
报警模块303,用于在确定检测结果为列车安全标志状态异常的情况下,实时发出报警信息。
传输模块304,用于将报警信息输给与服务器具有通信连接的终端设备上。
不难发现,本实施方式为与第二实施方式相对应的装置实施例,本实施方式可与第二实施方式互相配合实施。第二实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第二实施方式中。
值得一提的是,本实施方式中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本发明的创新部分,本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入,但这并不表明本实施方式中不存在其它的单元。
本发明第五实施方式涉及一种服务器,如图5所示,包括至少一个图形处理器(Graphics Processing Unit,GPU)501;以及,与至少一个图形处理器501通信连接的中央处理器(Central Processing Unit,CPU)504;以及,与至少一个图形处理器501通信连接的存储器502;以及,与至少一个图形处理器501通信连接的通信组件503,通信组件503在图形处理器的控制下接收和发送数据;其中,存储器502存储有可被至少一个图形处理器501执行的指令,指令被至少一个图形处理器501执行,以使至少一个图形处理器501能够执行上述实施例中的基于神经网络的列车安全标志检测方法。
本实施例中,存储器502以可读写存储器(Random Access Memory,RAM)为例。图形处理器501、存储器502、通信组件503和中央处理器504可以通过总线或者其他方式连接,图6中以通过总线连接为例。存储器502作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中实现基于神经网络的列车安全标志检测方法的程序就存储于存储器502中。图形处理器501通过运行存储在存储器502中的非易失性软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述基于神经网络的列车安全标志检测方法。中央处理器504通过与图形处理器501通信连接,对图形处理器501实现上述基于神经网络的列车安全标志检测方法进行实时监控和总体控制的作用。
存储器502可以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***、至少一个功能所需要的应用程序;存储数据区可存储选项列表等。此外,存储器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、或其他非易失性固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个程序模块存储在存储器502中,当被一个或者多个图形处理器501执行时,执行上述任意方法实施例中的基于神经网络的列车安全标志检测方法。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果,未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
本申请的第六实施方式涉及一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,该计算机程序被处理器执行时能够实现本发明任意方法实施例中涉及的基于神经网络的列车安全标志检测方法。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序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所述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、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (10)
1.一种基于神经网络的列车安全标志检测方法,其特征在于,应用于服务器,包括:
根据列车图像获取列车尾部区域的图像;
通过神经网络模型对所述列车尾部区域的图像进行列车安全标志的检测,并获得检测结果,其中,所述检测结果包括所述列车安全标志状态正常和所述列车安全标志状态异常;
在确定所述检测结果为所述列车安全标志状态异常的情况下,实时发出报警信息。
2.根据权利要求1所述的基于神经网络的列车安全标志检测方法,其特征在于,所述根据列车图像获取列车尾部区域的图像之前,还包括:
确定接收到列车轨道上设置的传感器发送的采集信号;
根据所述采集信号获取摄像装置拍摄的所述列车图像,其中,所述采集信号用于表示所述列车通过所述摄像装置的拍摄范围。
3.根据权利要求1所述的基于神经网络的列车安全标志检测方法,其特征在于,所述通过神经网络模型对所述列车尾部区域的图像进行列车安全标志的检测,并获得检测结果,具体包括:
采用预设的神经网络模型对所述列车尾部区域的图像进行特征提取;
根据提取的所述特征进行检测,获得检测结果;其中,所述检测结果包括所述列车安全标志状态正常或所述列车安全标志状态异常。
4.根据权利要求3所述的基于神经网络的列车安全标志检测方法,其特征在于,所述采用预设的神经网络模型对所述列车尾部区域的图像进行特征提取之前,还包括:
采用多个样本图像对所述预设神经网络模型进行训练,获得参数已知的所述预设神经网络模型,其中,每一个所述样本图像中的列车安全标志的状态已知。
5.根据权利要求1所述的基于神经网络的列车安全标志检测方法,其特征在于,所述根据列车图像获取列车尾部区域的图像,具体包括:
对所述列车图像进行图像增强处理,获得增强图像;
根据所述增强图像获取列车尾部区域的图像。
6.根据权利要求5所述的基于神经网络的列车安全标志检测方法,其特征在于,所述根据所述增强图像获取列车尾部区域的图像,具体包括:
通过对所述增强图像进行图像分割处理,获得所述列车尾部区域的图像,其中,所述列车尾部区域用于安装所述列车安全标志。
7.根据权利要求1至6任一项所述的基于神经网络的列车安全标志检测方法,其特征在于,所述在确定所述检测结果为所述列车安全标志状态异常的情况下,实时发出报警信息之后,还包括:
将所述报警信息输给与所述服务器具有通信连接的终端设备上。
8.根据权利要求6所述的基于神经网络的列车安全标志检测方法,其特征在于,所述对所述列车尾部区域的图像进行列车安全标志的检测,并获得检测结果之后,还包括:
在所述报警信息与实际场景不符的情况下,接收用户输入的带有标记信息的所述列车尾部区域的图像,并根据所述带有标记信息的所述列车尾部区域的图像对所述神经网络模型进行训练。
9.一种服务器,其特征在于,包括:至少一个图形处理器;以及,
与所述至少一个图形处理器通信连接的中央处理器;以及,
与所述至少一个图形处理器通信连接的存储器;以及
与所述至少一个图形处理器通信连接的通信组件,所述通信组件在所述图形处理器的控制下接收和发送数据;
其中,所述存储器存储有可被所述至少一个图形处理器执行的指令,所述指令被所述至少一个图形处理器执行,以使所述至少一个图形处理器能够执行如权利要求1至8任一项所述的基于神经网络的列车安全标志检测方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8任一项所述的基于神经网络的列车安全标志检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811358358.6A CN109614873A (zh) | 2018-11-15 | 2018-11-15 | 基于神经网络的列车安全标志检测方法、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811358358.6A CN109614873A (zh) | 2018-11-15 | 2018-11-15 | 基于神经网络的列车安全标志检测方法、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109614873A true CN109614873A (zh) | 2019-04-12 |
Family
ID=66003057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811358358.6A Pending CN109614873A (zh) | 2018-11-15 | 2018-11-15 | 基于神经网络的列车安全标志检测方法、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109614873A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276742A (zh) * | 2019-05-07 | 2019-09-24 | 平安科技(深圳)有限公司 | 列车尾灯监测方法、装置、终端及存储介质 |
CN110287769A (zh) * | 2019-05-07 | 2019-09-27 | 平安科技(深圳)有限公司 | 列车列尾装置监测方法、***、终端及存储介质 |
CN110481276A (zh) * | 2019-09-03 | 2019-11-22 | 隋晓明 | 一种车辆智能关窗、通风、尾灯监测*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100010735A (ko) * | 2008-07-23 | 2010-02-02 | 한국철도기술연구원 | 신경회로망을 이용하여 승강장 내의 위험상황을 판단하는승강장 모니터링 시스템 및 그 방법 |
EP3205528A1 (fr) * | 2016-02-09 | 2017-08-16 | Sncf Reseau | Procede, dispositif et systeme de detection de defaut(s) d'un pantographe d'un vehicule en mouvement sur une voie ferree |
CN107122747A (zh) * | 2017-04-28 | 2017-09-01 | 北京理工大学 | 一种轨道车辆车厢状态非接触检测装置及方法 |
CN107273802A (zh) * | 2017-05-16 | 2017-10-20 | 武汉华目信息技术有限责任公司 | 一种铁路列车闸瓦钎环故障的检测方法及装置 |
CN108320582A (zh) * | 2018-03-30 | 2018-07-24 | 合肥城市泊车投资管理有限公司 | 一种具备剩余车位统计功能的停车管理*** |
-
2018
- 2018-11-15 CN CN201811358358.6A patent/CN109614873A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100010735A (ko) * | 2008-07-23 | 2010-02-02 | 한국철도기술연구원 | 신경회로망을 이용하여 승강장 내의 위험상황을 판단하는승강장 모니터링 시스템 및 그 방법 |
EP3205528A1 (fr) * | 2016-02-09 | 2017-08-16 | Sncf Reseau | Procede, dispositif et systeme de detection de defaut(s) d'un pantographe d'un vehicule en mouvement sur une voie ferree |
CN107122747A (zh) * | 2017-04-28 | 2017-09-01 | 北京理工大学 | 一种轨道车辆车厢状态非接触检测装置及方法 |
CN107273802A (zh) * | 2017-05-16 | 2017-10-20 | 武汉华目信息技术有限责任公司 | 一种铁路列车闸瓦钎环故障的检测方法及装置 |
CN108320582A (zh) * | 2018-03-30 | 2018-07-24 | 合肥城市泊车投资管理有限公司 | 一种具备剩余车位统计功能的停车管理*** |
Non-Patent Citations (1)
Title |
---|
谢利明: "基于隐式形状模型的机车走行部关键部件检测算法研究", 《中国博士学位论文全文数据库》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276742A (zh) * | 2019-05-07 | 2019-09-24 | 平安科技(深圳)有限公司 | 列车尾灯监测方法、装置、终端及存储介质 |
CN110287769A (zh) * | 2019-05-07 | 2019-09-27 | 平安科技(深圳)有限公司 | 列车列尾装置监测方法、***、终端及存储介质 |
CN110276742B (zh) * | 2019-05-07 | 2023-10-10 | 平安科技(深圳)有限公司 | 列车尾灯监测方法、装置、终端及存储介质 |
CN110287769B (zh) * | 2019-05-07 | 2023-12-26 | 平安科技(深圳)有限公司 | 列车列尾装置监测方法、***、终端及存储介质 |
CN110481276A (zh) * | 2019-09-03 | 2019-11-22 | 隋晓明 | 一种车辆智能关窗、通风、尾灯监测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106373426B (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
CN111080598B (zh) | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 | |
CN109614873A (zh) | 基于神经网络的列车安全标志检测方法、服务器及存储介质 | |
CN111783744A (zh) | 一种操作现场安全防护检测方法及装置 | |
CN109325531A (zh) | 基于图像的车辆定损方法、装置、设备及存储介质 | |
CN109635823B (zh) | 用于识别卷扬乱绳的方法和装置及工程机械 | |
CN104463204B (zh) | 目标数量统计方法 | |
CN107273838A (zh) | 交通信号灯抓拍图片的处理方法及装置 | |
CN109460787A (zh) | 入侵检测模型建立方法、装置及数据处理设备 | |
CN112052815A (zh) | 一种行为检测方法、装置及电子设备 | |
CN110969213A (zh) | 一种基于Faster RCNN的船只检测方法、装置及电子设备 | |
CN109580653A (zh) | 一种铁路扣件图像采集方法 | |
CN112613453A (zh) | 一种用于电力基建施工现场违章排查方法及*** | |
CN116863297A (zh) | 一种基于电子围栏的监控方法、装置、***、设备及介质 | |
CN109094574A (zh) | 一种基于台架的无人车驾驶状态测量控制*** | |
CN115995037A (zh) | 信号灯状态检测方法、装置、设备、介质及产品 | |
CN103600752A (zh) | 专用敞车车辆挂钩错误自动检测装置及其检测方法 | |
CN110263622A (zh) | 列车火情监测方法、装置、终端及存储介质 | |
CN112967224A (zh) | 一种基于人工智能的电子电路板检测***、方法及介质 | |
CN110533627B (zh) | 用于检测网绳断裂的方法 | |
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 | |
CN111931693A (zh) | 基于人工智能的交通标志识别方法、装置、终端及介质 | |
Wan et al. | Fault detection of air-spring devices based on GANomaly and isolated forest algorithms | |
CN113420631A (zh) | 一种基于图像识别的安全报警方法及装置 | |
CN109214390B (zh) | 基于机器视觉原理的栅栏状态检测方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190412 |