CN114419616A - 一种异物识别方法、装置、设备及存储介质 - Google Patents
一种异物识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114419616A CN114419616A CN202210060378.5A CN202210060378A CN114419616A CN 114419616 A CN114419616 A CN 114419616A CN 202210060378 A CN202210060378 A CN 202210060378A CN 114419616 A CN114419616 A CN 114419616A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- target
- foreign matter
- foreign
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 17
- 230000009545 invasion Effects 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种异物识别方法、装置、设备及存储介质,所述方法包括:获取待识别铁路轨道对应的目标三维点云数据和目标二维图像;从所述目标三维点云数据中提取异物点云数据;根据所述异物点云数据,在所述目标二维图像中进行异物标记;通过上述技术方案,实现了全天时、全天候的铁路安全限界异物侵限监测,提高了异物识别的准确度。
Description
技术领域
本申请实施例涉及异物识别技术领域,尤其涉及一种异物识别方法、装置、设备及存储介质。
背景技术
铁路沿线环境复杂,洪水、泥石流、山体滑坡、公跨铁立交桥落物和野外生物等异物侵入铁路安全限界危及运输安全的事故时有发生。如果列车没能获取到预警,会产生极大的安全事故和经济损失。因此,在铁路全线或某些特殊地段,实时准确地检测是否有异物侵限,并且及时发出报警对确保列车安全具有重要意义。
现有技术中,铁路安全限界异物侵限,常采用视频监测方法,但摄像机在雨、雾和暴雪等恶劣天气下,成像质量极差,对异物识别的准确度急剧下降甚至完全失效。而往往这种恶劣条件下,最容易发生山体滑坡和洪水淹没等灾害,对铁路运输有极大的危害。
因此,针对现有技术中存在的问题,亟待进行改善。
发明内容
本申请提供一种异物识别方法、装置、设备及存储介质,以实现全天时、全天候的铁路安全限界异物侵限监测,提高异物识别的准确度。
第一方面,本申请实施例提供了一种异物识别方法,该方法包括:
获取待识别铁路轨道对应的目标三维点云数据和目标二维图像;
从所述目标三维点云数据中提取异物点云数据;
根据所述异物点云数据,在所述目标二维图像中进行异物标记。
第二方面,本申请实施例还提供了一种异物识别装置,该装置包括:
数据获取模块,用于获取待识别铁路轨道对应的目标三维点云数据和目标二维图像;
点云数据提取模块,用于从所述目标三维点云数据中提取异物点云数据;
异物标记模块,用于根据所述异物点云数据,在所述目标二维图像中进行异物标记。
第三方面,本申请实施例还提供了一种电子设备,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面实施例所提供的任意一种异物识别方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面实施例所提供的任意一种异物识别方法。
本申请实施例通过获取待识别铁路轨道对应的目标三维点云数据和目标二维图像;从所述目标三维点云数据中提取异物点云数据;根据所述异物点云数据,在所述目标二维图像中进行异物标记。通过上述技术方案,在铁路安全限界异物侵限监测过程中,采用目标三维点云数据进行异物识别,能够适应各种恶劣的环境,提高异物识别的准确度,同时,结合目标三维点云数据和目标二维图像,在目标二维图像中进行异物标记,可以留下更加直观的记录,实现了全天时、全天候的铁路安全限界异物侵限监测,提高了异物识别的准确度。
附图说明
图1是本申请实施例一提供的一种异物识别方法的流程图;
图2是本申请实施例二提供的一种异物识别方法的流程图;
图3是本申请实施例二提供的一种在二维图像中标记异物的区域边框的示意图;
图4是本申请实施例三提供的一种异物识别方法的流程图;
图5是本申请实施例四提供的一种异物识别装置的示意图;
图6是本申请实施例五提供的一种电子设备的示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本申请实施例一提供的一种异物识别方法的流程图。本申请实施例可适用于监测铁路安全限界是否有异物侵限的情况。该方法可以由一种异物识别装置来执行,该装置可以由软件和/或硬件的方式实现,并具体配置于电子设备中,该电子设备可以是移动终端或固定终端。
参见图1,本申请实施例提供的异物识别方法,包括:
S110、获取待识别铁路轨道对应的目标三维点云数据和目标二维图像。
其中,待识别铁路轨道可以是铁路全线按设定监测需求划分出的部分铁路轨道,如设定监测需求可以是等分全部覆盖原则或重要路段覆盖原则等。
本实施例中,可以通过点云采集设备如三维激光扫描仪,采用非接触式高速激光测量方式,获取待识别铁路轨道对应的高精度目标三维点云数据,并将目标三维点云数据发送给后台服务器进行存储;可以通过图像采集设备如球型摄像机,获取待识别铁路轨道对应的目标二维图像,并将目标二维图像发送给后台服务器进行存储。
S120、从目标三维点云数据中提取异物点云数据。
本实施例中,可以将目标三维点云数据中的各个数据点的空间坐标值,输入至预先训练好的点云深度学习模型;从所述点云深度学习模型输出各个数据点的类别信息;根据具有类别信息的目标三维点云数据,从目标三维点云数据中提取异物点云数据,进行异物的识别处理。
可以理解的是,在确定出各个数据点的类别信息之后,当属于同一类别且位置集中的点云数据点的数量大于设定数量阈值时,即可从目标三维点云数据中提取异物点云数据,并进行异物的识别处理。其中,设定数量阈值可以根据实际需求和使用情况进行预先设置,本申请对此不作具体限定。
可选地,从目标三维点云数据中提取异物点云数据,包括:根据目标三维点云数据和无异物情况下待识别铁路轨道对应的背景三维点云数据,确定参考点云数据;对参考点云数据进行聚类分析,并根据聚类结果,确定异物点云数据。
具体地,参考点云数据可以基于以下方式确定:将目标三维点云数据和背景三维点云数据进行差分计算,将差分计算得到的点云数据作为参考点云数据;采用预设自适应聚类算法,对参考点云数据进行聚类分析,并根据聚类结果,确定异物点云数据。
例如,预设自适应聚类算法可以是Kd-tree(K-dimensional tree,高维索引树)密度聚类算法。在聚类分析的过程中,采用Kd-tree密度聚类算法进行聚类分析,可以自动区分出各个异物的异物点云数据,也即可以从参考点云数据中提取出至少一个异物点云数据。
可以理解的是,在提取异物点云数据的过程中,采用聚类分析提取异物点云数据的方式,具有较高的操作性和实用性。
可选地,还可以识别参考点云数据中的点云数量是否超过预设数量阈值;若是,则触发执行对参考点云数据的聚类分析操作。
其中,预设数量阈值可以根据实际需求和使用情况进行预先设置,本申请对此不作具体限定。
具体地,识别参考点云数据中的点云数量未超过预设数量阈值时,说明点云数量较少或没有,此时,可以认为不存在异物侵入限界,因此,可以不触发执行对参考点云数据的聚类分析操作。
可以理解的是,通过对参考点云数据中的点云数量进行数量筛选,减少了不必要的聚类分析操作,提高了对异物识别的效率。
在一些实施例中,为了提高识别结果的准确度,所述识别参考点云数据中的点云数量是否超过预设数量阈值,包括:识别参考点云数据中设定区域范围内的点云数量是否超过预设数量阈值。其中,设定区域范围可以预先进行设置,设定区域范围可以包括至少一种设定尺度大小的区域范围,如设定区域范围可以包括32*32、64*64和128*128等不同尺度大小的区域范围,并且每种设定区域范围可以对应设置至少一种长宽比例,如长宽比例可以包括1:2、1:1和2:1等。
具体地,可以基于不同尺度大小的设定区域范围以及不同的长宽比例,识别参考点云数据中设定区域范围内的点云数量是否超过预设数量阈值。
可以理解的是,相比于固定不变的设定区域范围,采用尺度大小可变的设定区域范围以及不同的长宽比例,识别参考点云数据中的点云数量,提高了异物识别结果的准确度。
S130、根据异物点云数据,在目标二维图像中进行异物标记。
本实施例中,根据异物点云数据,可以在目标二维图像中标记异物的异物位置和/或区域边框。其中,异物可以包括纸箱、石头、动物和行人等。
具体地,可以在铁路安全限界一定区域范围内进行异物侵限监测,以实时监测列车运行限界的安全。
本申请实施例通过获取待识别铁路轨道对应的目标三维点云数据和目标二维图像;从所述目标三维点云数据中提取异物点云数据;根据所述异物点云数据,在所述目标二维图像中进行异物标记。通过上述技术方案,在铁路安全限界异物侵限监测过程中,采用目标三维点云数据进行异物识别,能够适应各种恶劣的环境,提高异物识别的准确度,同时,结合目标三维点云数据和目标二维图像,在目标二维图像中进行异物标记,可以留下更加直观的记录,实现了全天时、全天候的铁路安全限界异物侵限监测,提高了异物识别的准确度。
实施例二
图2为本申请实施例二提供的一种异物识别方法的流程图,本实施例是在上述实施例的基础上,对上述方案的优化。
进一步地,将操作“根据所述异物点云数据,在所述目标二维图像中进行异物标记”,细化为“根据所述异物点云数据,在所述目标二维图像中标记异物的异物位置和/或区域边框”,以明确异物标记的具体内容。
其中与上述实施例相同或相应的术语的解释在此不再赘述。
参见图2,本实施例提供的异物识别方法,包括:
S210、获取待识别铁路轨道对应的目标三维点云数据和目标二维图像。
S220、从目标三维点云数据中提取异物点云数据。
S230、根据异物点云数据,在目标二维图像中标记异物的异物位置和/或区域边框。
可选地,根据异物点云数据,在目标二维图像中标记异物的异物位置,包括:获取图像采集设备的内部参数信息,以及图像采集设备与点云采集设备之间的外部参数信息;根据内部参数信息、外部参数信息以及异物点云数据的中心点坐标,确定异物位置;在目标二维图像中标记异物位置。
其中,内部参数信息可以根据图像采集设备的内部结构进行确定,内部参数信息可以用内部参数矩阵表示;外部参数信息可以根据图像采集设备相对于点云采集设备的方位进行确定,外部参数信息包括旋转参数信息和平移参数信息,分别可以用旋转参数矩阵和平移参数矩阵表示。
具体地,异物位置可以根据如下公式计算得到:
其中,[u,v]为异物在二维图像中的异物位置,ρ为尺度因子,K为内部参数矩阵,RLC和TLC为旋转参数矩阵和平移参数矩阵,[x,y,z]为异物点云数据的中心点坐标。
本实施例中,在获取图像采集设备的内部参数信息,以及图像采集设备与点云采集设备之间的外部参数信息之前,还可以包括:采用预设棋盘格相机标定方法,对图像采集设备和点云采集设备进行联合参数标定,得到内部参数信息和外部参数信息。
其中,预设棋盘格相机标定方法可以利用现有技术中支持相机标定的任意技术实现,本申请对此不作任何限定。
可以理解的是,采用预设棋盘格相机标定方法对图像采集设备和点云采集设备进行联合参数标定,所标定出的内部参数信息和外部参数信息,可以为异物位置的确定提供数据支撑,提高异物位置确定的准确度。
需要说明的是,图像采集设备和点云采集设备在采集数据之前,会按照预设安装位置和安装角度进行固定。
可选地,根据异物点云数据,在目标二维图像中标记异物的区域边框,包括:根据异物点云数据,确定异物的三维尺寸信息;根据三维尺寸信息和图像采集设备的采集参数数据,确定异物在目标二维图像中的二维尺寸信息;根据二维尺寸信息,在目标二维图像中标记异物的区域边框。
其中,图像采集设备的采集参数数据包括焦距和物距,而焦距已知,物距为异物点云数据的中心点在摄像机坐标系下的竖轴坐标。
本实施例中,异物的三维尺寸信息可以包括异物在三维空间下的尺寸,异物的二维尺寸信息可以包括异物在目标二维图像中的长度和宽度。
具体地,在确定出异物在目标二维图像中的长度和宽度之后,可以根据异物的长度和宽度,采用物体外接矩形框标示的方式,结合异物位置,在目标二维图像中标记异物的区域边框。
具体地,异物在目标二维图像中的长度和宽度,可以根据如下公式计算得到:
其中,L和W表示异物在目标二维图像中的长度和宽度,l和w表示异物在三维空间中的长度和宽度,f表示焦距,z′表示物距。
例如,可以参见图3示例性给出的在二维图像中标记异物的区域边框的示意图,图中显示有三个异物存在待识别铁路轨道中,因此,可以在目标二维图像中用矩形框对各个异物的区域边框进行标示,以实现对异物的直观、有效展示。
本申请实施例在上述实施例的基础上,对异物标记的具体内容进行了明确,通过根据所述异物点云数据,在所述目标二维图像中标记异物的异物位置和/或区域边框,上述技术方案,提供了异物位置和区域边框两种维度的异物标示方式,其中,异物位置可以对异物进行精准定位,区域边框可以反映异物的尺寸大小,通过多种不同维度的异物标示方式,可以在目标二维图像中留下更加直观的记录,丰富了异物的展示过程,提高了异物的可视化程度,实现了全天时、全天候的铁路安全限界异物侵限监测。
实施例三
图4为本申请实施例二提供的一种异物识别方法的流程图,本实施例是在上述实施例的基础上,对上述方案的优化。
进一步地,增加操作“根据所述异物位置和所述区域边框,确定所述异物的边框坐标;根据所述边框坐标,从所述目标二维图像中截取出包括所述异物的局部图像;根据所述局部图像,确定所述异物的类别信息”,以完善对异物的类别信息的识别过程。
其中与上述实施例相同或相应的术语的解释在此不再赘述。
参见图4,本实施例提供的异物识别方法,包括:
S310、获取待识别铁路轨道对应的目标三维点云数据和目标二维图像。
S320、从目标三维点云数据中提取异物点云数据。
S330、根据异物点云数据,在目标二维图像中标记异物的异物位置和/或区域边框。
S340、根据异物位置和区域边框,确定异物的边框坐标。
具体地,根据异物位置和区域边框,可以确定出异物的四个顶点坐标,将顶点坐标作为边框坐标。
S350、根据边框坐标,从目标二维图像中截取出包括异物的局部图像。
S360、根据局部图像,确定异物的类别信息。
可选地,根据局部图像,确定异物的类别信息,包括:将局部图像输入至预先训练好的异物识别模型,确定异物的类别信息。
具体地,异物识别模型可以选用卷积神经网络模型ResNet50。其中,ResNet50是一种残差学习框架,而残差用来设计解决退化和梯度问题,使得网络模型的性能在深度增加的同时也得以提升。
在一些实施例中,在确定出异物的类别信息之后,还可以根据类别信息配置异物所呈现的颜色,不同颜色代表不同异物类别,将呈现不同颜色的异物在目标二维图像上进行渲染显示,以区分显示不同异物,方便监测人员查看。同时,监测人员还可以手动调整异物类别。
可选地,在将所述局部图像输入至预先训练好的异物识别模型之前,还包括:将标注过类别信息的样本图像数据输入异物识别模型进行训练。
本实施例中,为了扩大样本图像数据,可以在公开样本图像数据的基础上,获取历史图像数据,对历史图像数据进行处理并进行人工标注,以获取得到更多的样本图像数据。
可选地,还可以根据预设预警评估指标以及对应的指标权重,对异物进行安全评估,得到安全评估结果;其中,预警评估指标包括参考异物类别、参考异物位置和区域边框参考大小中的至少一项;根据安全评估结果,确定异物的预警级别,并根据预警级别进行预警显示。
典型地,可以根据参考异物类别、参考异物位置和区域边框参考大小,以及对应的预设类别指标权重、预设位置指标权重和预设尺寸指标权重,采用综合评价方式,对异物进行安全评估打分,得到安全评估数值,根据安全评估数值的大小,确定异物的预警级别,如可以将预警级别划分为五个等级,包括D1(危险)、D2(较危险)、D3(一般)、D3(较安全)和D3(安全)。
其中,预设类别指标权重、预设位置指标权重和预设尺寸指标权重和为1,预设类别指标权重、预设位置指标权重和预设尺寸指标权重可以相同或不同。
可选地,为了客观准确地确定预设类别指标权重、预设位置指标权重和预设尺寸指标权重,可以采用专家打分法来确定指标权重。可以理解的是,专家打分法确定出的指标权重具有一定的可信度。
在一些实施例中,还可以根据预警级别,对应将预警显示关联的元素如预警弹框或预警进度条设置成不同的颜色。其中,颜色可以通过RGB(read-green-blue,红绿蓝)三元色值或灰度值等加以填写。
本申请实施例在上述实施例的基础上,对异物的类别信息的识别过程进行了明确,通过根据所述异物位置和所述区域边框,确定所述异物的边框坐标;根据所述边框坐标,从所述目标二维图像中截取出包括所述异物的局部图像;根据所述局部图像,确定所述异物的类别信息,上述技术方案,在确定异物位置和区域边框的基础上,还可以对未知物体的类别进行识别,得到异物的类别信息,提供了更加深层的异物信息,实现了全天时、全天候的铁路安全限界异物侵限监测。
实施例四
图5是本申请实施例四提供的一种异物识别装置的结构示意图。参见图5,本申请实施例提供的一种异物识别装置,该装置包括:数据获取模块410、点云数据提取模块420和异物标记模块430。
数据获取模块410,用于获取待识别铁路轨道对应的目标三维点云数据和目标二维图像;
点云数据提取模块420,用于从所述目标三维点云数据中提取异物点云数据;
异物标记模块430,用于根据所述异物点云数据,在所述目标二维图像中进行异物标记。
本申请实施例通过获取待识别铁路轨道对应的目标三维点云数据和目标二维图像;从所述目标三维点云数据中提取异物点云数据;根据所述异物点云数据,在所述目标二维图像中进行异物标记。通过上述技术方案,在铁路安全限界异物侵限监测过程中,采用目标三维点云数据进行异物识别,能够适应各种恶劣的环境,提高异物识别的准确度,同时,结合目标三维点云数据和目标二维图像,在目标二维图像中进行异物标记,可以留下更加直观的记录,实现了全天时、全天候的铁路安全限界异物侵限监测,提高了异物识别的准确度。
进一步地,所述异物标记模块430,包括:
异物标记子模块,用于根据所述异物点云数据,在所述目标二维图像中标记异物的异物位置和/或区域边框。
进一步地,所述异物标记子模块包括异物位置标记单元,所述异物位置标记单元包括:
标定参数获取子单元,用于获取图像采集设备的内部参数信息,以及所述图像采集设备与点云采集设备之间的外部参数信息;
异物位置确定子单元,用于根据所述内部参数信息、所述外部参数信息以及所述异物点云数据的中心点坐标,确定异物位置;
异物位置标记子单元,用于在所述目标二维图像中标记所述异物位置。
进一步地,所述异物标记子模块包括区域边框标记单元,所述区域边框标记单元包括:
三维尺寸确定子单元,用于根据所述异物点云数据,确定异物的三维尺寸信息;
二维尺寸确定子单元,用于根据所述三维尺寸信息和所述图像采集设备的采集参数数据,确定所述异物在所述目标二维图像中的二维尺寸信息;
区域边框标记子单元,用于根据所述二维尺寸信息,在所述目标二维图像中标记异物的区域边框。
进一步地,所述装置还包括:
边框坐标确定子模块,用于根据所述异物位置和所述区域边框,确定所述异物的边框坐标;
局部图像截取子模块,用于根据所述边框坐标,从所述目标二维图像中截取出包括所述异物的局部图像;
类别信息确定子模块,用于根据所述局部图像,确定所述异物的类别信息。
进一步地,所述装置还包括:
安全评估子模块,用于根据预设预警评估指标以及对应的指标权重,对所述异物进行安全评估,得到安全评估结果;其中,预警评估指标包括参考异物类别、参考异物位置和区域边框参考大小中的至少一项;
预警级别确定子模块,用于根据所述安全评估结果,确定所述异物的预警级别,并根据所述预警级别进行预警显示。
进一步地,所述点云数据提取模块420,包括:
点云数据差分子模块,用于根据所述目标三维点云数据和无异物情况下所述待识别铁路轨道对应的背景三维点云数据,确定参考点云数据;
点云数据确定子模块,用于对所述参考点云数据进行聚类分析,并根据聚类结果,确定所述异物点云数据。
进一步地,所述装置还包括:
点云数量识别子模块,用于识别所述参考点云数据中的点云数量是否超过预设数量阈值;
触发执行子模块,用于若是,则触发执行对所述参考点云数据的聚类分析操作。
本申请实施例所提供的异物识别装置可执行本申请任意实施例所提供的异物识别方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6是本申请实施例五提供的一种电子设备的结构图。图6示出了适于用来实现本申请实施方式的示例性电子设备512的框图。图6显示的电子设备512仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,电子设备512以通用计算设备的形式表现。电子设备512的组件可以包括但不限于:一个或者多个处理器或者处理单元516,***存储器528,连接不同***组件(包括***存储器528和处理单元516)的总线518。
总线518表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MCA)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
电子设备512典型地包括多种计算机***可读介质。这些介质可以是任何能够被电子设备512访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器528可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)530和/或高速缓存存储器532。电子设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***534可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线518相连。***存储器528可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540,可以存储在例如***存储器528中,这样的程序模块542包括——但不限于——操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本申请所描述的实施例中的功能和/或方法。
电子设备512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信,还可与一个或者多个使得用户能与该电子设备512交互的设备通信,和/或与使得该电子设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且,电子设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器520通过总线518与电子设备512的其它模块通信。应当明白,尽管图6中未示出,可以结合电子设备512使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元516通过运行存储在***存储器528中的多个程序中其他程序的至少一个,从而执行各种功能应用以及数据处理,例如实现本申请实施例所提供的任意一种异物识别方法。
实施例六
本申请实施例六还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本申请任一实施例所提供的一种异物识别方法,该方法包括:获取待识别铁路轨道对应的目标三维点云数据和目标二维图像;从所述目标三维点云数据中提取异物点云数据;根据所述异物点云数据,在所述目标二维图像中进行异物标记。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本申请可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
值得注意的是,上述异物识别装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (11)
1.一种异物识别方法,其特征在于,包括:
获取待识别铁路轨道对应的目标三维点云数据和目标二维图像;
从所述目标三维点云数据中提取异物点云数据;
根据所述异物点云数据,在所述目标二维图像中进行异物标记。
2.根据权利要求1所述的方法,其特征在于,所述根据所述异物点云数据,在所述目标二维图像中进行异物标记,包括:
根据所述异物点云数据,在所述目标二维图像中标记异物的异物位置和/或区域边框。
3.根据权利要求2所述的方法,其特征在于,所述根据所述异物点云数据,在所述目标二维图像中标记异物的异物位置,包括:
获取图像采集设备的内部参数信息,以及所述图像采集设备与点云采集设备之间的外部参数信息;
根据所述内部参数信息、所述外部参数信息以及所述异物点云数据的中心点坐标,确定异物位置;
在所述目标二维图像中标记所述异物位置。
4.根据权利要求2所述的方法,其特征在于,所述根据所述异物点云数据,在所述目标二维图像中标记异物的区域边框,包括:
根据所述异物点云数据,确定异物的三维尺寸信息;
根据所述三维尺寸信息和所述图像采集设备的采集参数数据,确定所述异物在所述目标二维图像中的二维尺寸信息;
根据所述二维尺寸信息,在所述目标二维图像中标记异物的区域边框。
5.根据权利要求2所述的方法,其特征在于,所述方法还包括:
根据所述异物位置和所述区域边框,确定所述异物的边框坐标;
根据所述边框坐标,从所述目标二维图像中截取出包括所述异物的局部图像;
根据所述局部图像,确定所述异物的类别信息。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
根据预设预警评估指标以及对应的指标权重,对所述异物进行安全评估,得到安全评估结果;其中,预警评估指标包括参考异物类别、参考异物位置和区域边框参考大小中的至少一项;
根据所述安全评估结果,确定所述异物的预警级别,并根据所述预警级别进行预警显示。
7.根据权利要求1所述的方法,其特征在于,所述从所述目标三维点云数据中提取异物点云数据,包括:
根据所述目标三维点云数据和无异物情况下所述待识别铁路轨道对应的背景三维点云数据,确定参考点云数据;
对所述参考点云数据进行聚类分析,并根据聚类结果,确定所述异物点云数据。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
识别所述参考点云数据中的点云数量是否超过预设数量阈值;
若是,则触发执行对所述参考点云数据的聚类分析操作。
9.一种异物识别装置,其特征在于,包括:
数据获取模块,用于获取待识别铁路轨道对应的目标三维点云数据和目标二维图像;
点云数据提取模块,用于从所述目标三维点云数据中提取异物点云数据;
异物标记模块,用于根据所述异物点云数据,在所述目标二维图像中进行异物标记。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一项所述的一种异物识别方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一项所述的一种异物识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210060378.5A CN114419616A (zh) | 2022-01-19 | 2022-01-19 | 一种异物识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210060378.5A CN114419616A (zh) | 2022-01-19 | 2022-01-19 | 一种异物识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114419616A true CN114419616A (zh) | 2022-04-29 |
Family
ID=81275907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210060378.5A Pending CN114419616A (zh) | 2022-01-19 | 2022-01-19 | 一种异物识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419616A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114879160A (zh) * | 2022-07-12 | 2022-08-09 | 合肥派光感知信息技术有限公司 | 基于三维点云数据的铁轨异物入侵实时监测方法及*** |
CN115187048A (zh) * | 2022-07-07 | 2022-10-14 | 北京交通大学 | 轨道线路多域限界异物侵限事件状况识别方法及*** |
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*** |
CN115311355A (zh) * | 2022-09-20 | 2022-11-08 | 中国铁建电气化局集团有限公司 | 接触网异物风险预警方法、装置、设备及存储介质 |
CN115311354A (zh) * | 2022-09-20 | 2022-11-08 | 中国铁建电气化局集团有限公司 | 异物风险区域的识别方法、装置、设备及存储介质 |
CN116386016A (zh) * | 2023-05-22 | 2023-07-04 | 杭州睿影科技有限公司 | 一种异物处理方法、装置、电子设备及存储介质 |
CN117390686A (zh) * | 2023-12-11 | 2024-01-12 | 北京中超伟业信息安全技术股份有限公司 | 基于异物识别及警报的存储介质销毁*** |
-
2022
- 2022-01-19 CN CN202210060378.5A patent/CN114419616A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187048A (zh) * | 2022-07-07 | 2022-10-14 | 北京交通大学 | 轨道线路多域限界异物侵限事件状况识别方法及*** |
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*** |
CN114879160A (zh) * | 2022-07-12 | 2022-08-09 | 合肥派光感知信息技术有限公司 | 基于三维点云数据的铁轨异物入侵实时监测方法及*** |
CN115311355A (zh) * | 2022-09-20 | 2022-11-08 | 中国铁建电气化局集团有限公司 | 接触网异物风险预警方法、装置、设备及存储介质 |
CN115311354A (zh) * | 2022-09-20 | 2022-11-08 | 中国铁建电气化局集团有限公司 | 异物风险区域的识别方法、装置、设备及存储介质 |
CN115311354B (zh) * | 2022-09-20 | 2024-01-23 | 中国铁建电气化局集团有限公司 | 异物风险区域的识别方法、装置、设备及存储介质 |
CN116386016A (zh) * | 2023-05-22 | 2023-07-04 | 杭州睿影科技有限公司 | 一种异物处理方法、装置、电子设备及存储介质 |
CN116386016B (zh) * | 2023-05-22 | 2023-10-10 | 杭州睿影科技有限公司 | 一种异物处理方法、装置、电子设备及存储介质 |
CN117390686A (zh) * | 2023-12-11 | 2024-01-12 | 北京中超伟业信息安全技术股份有限公司 | 基于异物识别及警报的存储介质销毁*** |
CN117390686B (zh) * | 2023-12-11 | 2024-05-14 | 北京中超伟业信息安全技术股份有限公司 | 基于异物识别及警报的存储介质销毁*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114419616A (zh) | 一种异物识别方法、装置、设备及存储介质 | |
US20210319561A1 (en) | Image segmentation method and system for pavement disease based on deep learning | |
WO2021238030A1 (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
CN106919915B (zh) | 基于adas***的地图道路标记及道路质量采集装置及方法 | |
US20210374466A1 (en) | Water level monitoring method based on cluster partition and scale recognition | |
Guan et al. | Using mobile laser scanning data for automated extraction of road markings | |
CN111553397B (zh) | 基于区域全卷积网络和自适应的跨域目标检测方法 | |
CN111179152B (zh) | 一种道路标识识别方法及装置、介质、终端 | |
CN111626170B (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
CN108197604A (zh) | 基于嵌入式设备的快速人脸定位跟踪方法 | |
WO2018006659A1 (zh) | 一种航道监控目标获取方法及装置 | |
CN113592839B (zh) | 基于改进Faster RCNN的配网线路典型缺陷诊断方法及*** | |
CN110288612B (zh) | 铭牌定位与校正方法及设备 | |
CN114089330B (zh) | 一种基于深度图像修复的室内移动机器人玻璃检测与地图更新方法 | |
CN111626169A (zh) | 一种基于图像的铁路危险落石尺寸判断方法 | |
CN113311507A (zh) | 一种台风路径的识别方法及装置 | |
CN111881752A (zh) | 一种护栏检测分类方法、装置、电子设备及存储介质 | |
CN112749735A (zh) | 基于深度学习的转炉出钢钢流识别方法、***、介质及终端 | |
CN116758421A (zh) | 一种基于弱监督学习的遥感图像有向目标检测方法 | |
Laureshyn et al. | Automated video analysis as a tool for analysing road user behaviour | |
CN112461345B (zh) | 一种基于lsd直线检测算法的汽车衡轧线出界检测方法 | |
CN113570622A (zh) | 一种障碍物确定方法、装置、电子设备以及存储介质 | |
GB2602896A (en) | Automatic digital inspection of railway environment | |
You et al. | Rapid traffic sign damage inspection in natural scenes using mobile laser scanning data | |
CN113516081A (zh) | 一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法 |
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 |