一种基于深度学习的信号平面图信号机识别方法及系统技术方案

本发明专利技术提供一种基于深度学习的信号平面图信号机识别方法及系统，方法包括：获取待识别的信号平面图；采用信号机识别网络识别所述信号平面图中的信号机；所述信号机识别网络为基于YOLOv5

【技术实现步骤摘要】
一种基于深度学习的信号平面图信号机识别方法及系统


[0001]本专利技术属于轨道交通领域，特别涉及一种基于深度学习的信号平面图信号机识别方法及系统。

技术介绍

[0002]对于轨道交通管的信号领域而言，在绘制平面图设置过程中，主要包括绘制进路信号机、警冲标、以及进站信号机等，且它们必须符合相关要求。鉴于车站内信号机类型众多，即使同种信号机的类型也需根据现场线路的实际情况不同，而采用不同方式组成信号机机构，因此，准确识别出车站信号平面布置图（简称信号平面图）的各类信号机是耗时耗力的工作。
[0003]作为目标检测的重要算法之一，YOLOv3（YOLO，You Only Look Once）因其精度高、推理速度快，使得工程技术人员看到了工业领域部署计算机视觉的曙光，作为YOLO系列算法发展的里程碑，该算法在相当长的时间内，受到大量学者和工程技术人员的关注。YOLOv3的框架主要是Darknet，可利用GPU（Graphics Processing Unit，图形处理器）并行运算，增强了对图像中较小目标的检测能力。而随着YOLOv4以及YOLOv5的出现，目标检测的算法的整体性能又有了大幅提升。
[0004]如图1所示，信号平面图图纸中的信号机，有着固定的制图规范，采用圆形表示信号机的灯，一个或多个相接的圆形表示一架信号机。相较于整个图纸，信号机目标所占比例比较小，因此应用深度学习技术进行信号机识别时面临两个难点：（a）由于信号机目标小，因此需保证信号机的局部区域清晰明显，则必然要求平面图具备高分辨率，如6750
×
3200，以保证小目标的信号机在图中可读性强。
[0005]（b）由于信号平面图的分辨率高，产生新的问题，即如何将数据输入深度神经网络进行训练以及测试。
[0006]对于难点（a），随着硬件设施的更新，配合相应软件，在技术上容易解决。增大分辨率提高对小目标的识别效果已不再困难，现今超大分辨率图像广泛应用，如遥感卫星图、无人机从高空拍摄的图像，对于信号设备的描述，也能够通过转换工具获取高分辨率的信号平面图。
[0007]针对难点（b），由于图像分辨率较大，检测小目标检测的难度变大，主要体现在感受野方面的限制。实际输入神经网络的图像尺寸不一，网络预处理阶段将图像处理为适用于网络的图像尺寸。以输入网络的图像的尺寸640
×
640为例分析感受野，由于YOLOv5具备三个尺度特征图，通过分别下采样3，4，5次得到，进而检测得到的特征图尺寸为20
×
20（640/25），40
×
40(640/24），80
×
80（640/23）。其中，最大尺寸为80
×
80的特征图用来检测小目标类别，而对应输入图像的尺寸640，该特征图对应输入图像的感受野为8
×
8（640/80），也就是单个目标图像若其所占区域低于8
×
8，将无法检测。
[0008]对于分辨率可达10400
×
3160的信号平面图图像，若采用直接输入原图的方式，很多小目标都无法检测出。
[0009]此外，对分辨率大的图进行下采样的倍数太大时，容易丢失数据信息，即便开始训练，网络前向传播对内存有一定的要求，即要完成对很多特征图的存储，这样一来就需占用大量的计算资源，易发生显存爆炸，无法正常训练及推理。
[0010]因此，亟需一种对大分辨率或超大分辨率中的极小目标进行高效检测的信号平面图识别方法。

技术实现思路

[0011]针对上述问题，本专利技术针对目前深度神经网络难以对大分辨率或超大分辨率中的极小目标进行检测的问题，采用深度学习目标检测算法结合传统图像处理方法，以信号平面图中的信号机为识别目标，设计用于信号平面图中信号机识别的网络，即Signal
‑
Net网络，进行信号机的识别，以提高人工识别的效率和精度。
[0012]本专利技术提供一种基于深度学习的信号平面图信号机识别方法，获取待识别的信号平面图；采用信号机识别网络识别所述信号平面图中的信号机；所述信号机识别网络为基于YOLOv5
‑
s的神经网络。
[0013]进一步地，获取待识别的信号平面图包括：对整体信号平面图进行分割，形成多个局部区域图像；对多个局部区域图像进行筛选，获取包含信号机的局部区域图像。
[0014]进一步地，对整体信号平面图进行分割包括：基于重叠率采用滑动窗口对整体信号平面图进行分割，以使得每个信号机完整出现于至少一个局部区域图像中。
[0015]进一步地，对多个局部区域图像进行筛选，获取包含信号机的局部区域图像作为待识别的信号平面图包括：对局部区域图像进行灰度化处理；再对局部区域图像进行中值滤波处理，从而达到对噪声抑制的作用；对处理后的局部区域图像根据霍夫检测参数进行霍夫圆形检测；霍夫检测参数根据信号平面图中的信号机形状确定；根据霍夫变化圆检测结果，去除不包含相关圆形区域的图像。
[0016]进一步地，获取包含信号机的局部区域图像后，对所述局部区域图像的信号机进行锚点框标注，形成自定义数据集，作为号机识别网络的输入数据。
[0017]进一步地，采用信号机识别网络识别所述信号平面图中的信号机包括：在信号机识别网络的输入端，设置与信号机尺寸相适应的自定义锚点框尺寸，将标注有自定义锚点框的自定义数据集作为输入数据，通过信号机识别网络对自定义数据集自动完成锚定框的选取。
[0018]进一步地，所述信号机识别网络的宽度系数为YOLOv5
‑
s模型的3倍。
[0019]进一步地，所述信号机识别网络中的第一种CSP结构CSP1中，每个CSP1的第一个CBL结构之后的残差组件数量是对应的YOLOv5
‑
s模型的3倍；所述信号机识别网络中的第二种CSP结构CSP2中，每个CSP2的第一个CBL结构之后
的CBL组件的数量是对应的YOLOv5
‑
s模型的3倍。
[0020]进一步地，所述信号机识别网络的通过增加Focus和CBL的卷积核数量，使得网络深度系数为YOLOv5
‑
s模型的1.25倍。
[0021]进一步地，所述信号机识别网络的损失函数包括目标定位损失函数，目标置信度损失函数和目标类别损失函数；设置目标置信度损失函数的权值，以降低由于数量不均衡所造成的影响，数量不均衡是指信号平面图中包含目标的边界预测框数量少于不包含目标的边界预测框数量。
[0022]本专利技术提供一种基于深度学习的信号平面图信号机识别系统，包括：获取模块，用于获取待识别的信号平面图；识别模块，用于采用信号机识别网络识别所述信号平面图中的信号机；所述信号机识别网络为基于YOLOv5
‑
s的神经网络。
[0023]进一步地，所述获取模块包括分割单元和筛选单元，分割单元，用于对整体信号平面图进行分割，形成多个局部区域图像；筛选单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的信号平面图信号机识别方法，其特征在于，获取待识别的信号平面图；采用信号机识别网络识别所述信号平面图中的信号机；所述信号机识别网络为基于YOLOv5
‑
s的神经网络。2.根据权利要求1所述的基于深度学习的信号平面图信号机识别方法，其特征在于，获取待识别的信号平面图包括：对整体信号平面图进行分割，形成多个局部区域图像；对多个局部区域图像进行筛选，获取包含信号机的局部区域图像。3.根据权利要求2所述的基于深度学习的信号平面图信号机识别方法，其特征在于，对整体信号平面图进行分割包括：基于重叠率采用滑动窗口对整体信号平面图进行分割，以使得每个信号机完整出现于至少一个局部区域图像中。4.根据权利要求2所述的基于深度学习的信号平面图信号机识别方法，其特征在于，对多个局部区域图像进行筛选，获取包含信号机的局部区域图像作为待识别的信号平面图包括：对局部区域图像进行灰度化处理；再对局部区域图像进行中值滤波处理，从而达到对噪声抑制的作用；对处理后的局部区域图像根据霍夫检测参数进行霍夫圆形检测；霍夫检测参数根据信号平面图中的信号机形状确定；根据霍夫变化圆检测结果，去除不包含相关圆形区域的图像。5.根据权利要求2所述的基于深度学习的信号平面图信号机识别方法，其特征在于，获取包含信号机的局部区域图像后，对所述局部区域图像的信号机进行锚点框标注，形成自定义数据集，作为信号机识别网络的输入数据。6.根据权利要求1
‑
5中任一项所述的基于深度学习的信号平面图信号机识别方法，其特征在于，采用信号机识别网络识别所述信号平面图中的信号机包括：在信号机识别网络的输入端，设置与信号机尺寸相适应的自定义锚点框尺寸，将标注有自定义锚点框的自定义数据集作为输入数据，通过信号机识别网络对自定义数据集自动完成锚定框的选取。7.根据权利要求1
‑
5中任一项所述的基于深度学习的信号平面图信号机识别方法，其特征在于，所述信号机识别网络的宽度系数为YOLOv5
‑
s模型的3倍。8.根据权利要求7所述的基于深度学习的信号平面图信号机识别方法，其特征在于，所述信号机识别网络中的第一种CSP结构CSP1中，每...

【专利技术属性】
技术研发人员：王腾飞，徐宗奇，李智宇，刘志明，邓杨，王峰，方晓君，焦志全，欧阳圣平，毛伟栋，徐立涛，
申请(专利权)人：北京全路通信信号研究设计院集团有限公司，
类型：发明
国别省市：