(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210204279.X (22)申请日 2022.03.03 (71)申请人 中国铁路 设计集团有限公司 地址 300000 天津市滨 海新区自贸试验区 （空港经济区） 西二道82号丽港大厦 201 (72)发明人 付雪松　王长进　韩祖杰　齐春雨　 黄漪　宁新稳　王华　范登科　 赵文　张恒　王娇　甘俊　周文明　 胡朝鹏　 (74)专利代理 机构 天津市君砚知识产权代理有 限公司 12 239 专利代理师 高文迪 (51)Int.Cl. G06V 20/10(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/75(2022.01) G06V 10/764(2022.01) G06V 10/77(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) (54)发明名称 一种基于深度学习的轨道交通周边危险源 检测方法 (57)摘要 本发明公开了一种基于深度学习的轨道交 通周边危险源变化检测方法， 包括： 获取轨道交 通沿线的地理信息遥感图像数据； 对线路周围的 危险因素进行分析， 明确危险源种类； 将采集到 的图像数据传输至上位机进行处理， 得到配准后 的地理信息遥感图像， 进行图像分区并根据危险 源分类结果对分区的图像进行目标标注后将其 输入深度学习网络进行训练， 获取准确度较高的 检测模型； 将待检测轨道交通线路的地理信息遥 感图像输入检测模型， 实现轨道交通周边危险源 检测。 该方法能自动快速识别轨道交通周边危险 源， 减少人工操作工作量， 提升轨道交通周边危 险源识别的效率。 权利要求书2页 说明书5页 附图3页 CN 114898204 A 2022.08.12 CN 114898204 A 1.一种基于深度学习的轨道交通周边 危险源检测方法， 包括以下步骤： S1， 采用遥感方式获取轨道交通沿线及周边 一定范围的地理信息 遥感图像数据； S2， 判断是否是第一次使用深度学习模型， 如果否， 则跳到S6； 如果是， 则通过对线路周 围影响轨道交通行车安全的危险因素进行分析， 明确 危险源种类， 并确定轨道交通周边危 险源的性质和危险等级； S3， 将步骤S1采集到的地理信息遥感图像数据通过数据接口传输至上位机， 并且在上 位机接收数据后， 对数据进行畸变校正和图像拼接配准， 得到配准后的地理信息 遥感图像； S4， 将S3配准后的地理信息遥感图像中包含地理信息的图像区域按照 512×512的尺寸 进行图像分区， 并根据步骤S2得到的危险源分类结果采用数据标注工具对分区的图像进 行 目标标注， 获得 带有标注信息的分区图像； S5， 将步骤S4获得的带有标注信息的分区图像逐个输入到深度学习网络输入接口， 对 深度学习网络进行训练， 通过调整多个网络训练超参数进行重复训练， 获取准确度较高的 检测模型； S6， 将待检测轨道交通沿线及周边一定范围的地理信息遥感图像输入到步骤S5得到的 检测模型中， 深度学习网络对输入的图像进 行目标语义分割， 通过卷积提取目标高维特征， 然后采用logistic函数获取像素点属于每个危险源的概率， 选取概率值最高的一类， 将该 像素点赋予该类别的像素值， 进而得到危险源的种类， 并且通过图像中不同类别危险源像 素值所占个数和单个 像素点尺寸， 获取不同危险源的面积； S7， 通过危险源的性质和面积划分重点区域， 实现轨道交通周边 危险源检测。 2.按照权利要求1所述的一种基于深度学习的轨道交通周边危险源检测方法， 其特征 在于， 步骤S3所述畸变校正通过径向畸变校正和切向畸变校正实现； 所述图像拼接通过图 像中心点 坐标及图像尺寸进行坐标匹配， 将相邻图像按照坐标点进行配准， 实现图像拼接 。 3.按照权利要求1所述的一种基于深度学习的轨道交通周边危险源检测方法， 其特征 在于， 所述步骤S5中， 深度学习网络为特征 交叉融合注 意力hyperseg网络， 其数据处理步骤 如下： 首先对输入的图像进行卷积操作， 通过特征图m和卷积核C进行卷积操作， 获取图像的i 层特征图fi， 卷积方程如下式： fi＝m*C,i＝1,2,3,. .....,n    (1) 其中， *代 表卷积操作； 而后， 获取多个层级的特征图后， 将相邻 两层的特征图和中间的特征图进行特征融合， 将融合的特 征通过注意力模块进行重点特 征提取获得 特征Si； 将第n‑1层特征通过上采样的方式获得分割掩码， 每一层特征图在进行上采样前先进 行块卷积获取区域特征， 块卷积的权重ωn通过第n层特征fn进行卷积学习获得， 从第 n‑1层 特征开始进行上采样， 每次上采样后与Si进行contact连接， 再继续进行上采样， 最终获得 分割掩码。 4.根据权利要求3所述的一种基于深度学习的轨道交通周边危险源检测方法， 其特征 在于， 所述的特 征融合方法包括以下步骤： 第一步， 将i ‑1层的特征 图进行padding后再做卷积操作， 使得卷积后的特征图尺寸和 第i层相同， 并且通过控制卷积核数量， 使得卷积后的特征图channel数与第i层相同， 获得权　利　要　求　书 1/2 页 2 CN 114898204 A 2的特征图为Li‑1， 将i+1层的特征图进 行上采样操作， 上采样方式通过双线性插值进 行， 使得 上采样后的特征图尺寸和第i层相同， 并且通过控制卷积核数量， 使得上采样后的特征图 channel数与第i层相同， 获得的特 征图为Li+1； 第二步， 将所述Li‑1、 fi和Li+1按顺序进行contact操作， 得到[Li‑1,fi,Li+1]组合， 而后， 通 过卷积对contact后的特征图[ Li‑1,fi,Li+1]进行特征提取， 实现多尺度特征的重提取， 将浅 层特征图中的小目标 特征融合到深层高维特 征图中， 得到融合特 征Li。 5.根据权利要求3所述的一种基于深度学习的轨道交通周边危险源检测方法， 其特征 在于， 所述的注意力模块的处 理步骤为： 第一步， 将输入的融合特 征Li分别进行最大值池化和平均池化， 池化方式如下式： Fi＝max pooling(Li)    (2) Gi＝averagepooling(Li)    (3) 而后将Fi和Gi进行contact连接， 连接如下式： hi＝Contact(Fi,Gi)    (4) 将连接的特 征图进行 卷积操作， 得到， ji＝C1×1(hi)    (5) 后通过sigmo id函数进行重点特 征区域激活， 得到ki， ki＝sigmoid(ji)    (7) 将激活区域与输入的融合特 征Li进行乘积， 实现特 征重点区域加权， 加权方式如下式： li＝ki×Li    (8)。 6.根据权利要求1所述的一种基于深度学习的轨道交通周边危险源检测方法， 其特征 在于， 步骤S1和S6中所述的一定范围是以钢轨中轴线为中心， 左右各外延20 0‑2000米范围。 7.根据权利要求1所述的一种基于深度学习的轨道交通周边危险源检测方法， 其特征 在于， 步骤S2中所述的危险源种类主 要包括： 违法施工类， 危险物品类、 上跨并行类、 河道桥梁类、 开采爆破类、 违建违占类、 堆放隐 患类、 倒落隐患类、 树 植隐患类、 硬 漂浮物类、 轻漂浮物类。 8.根据权利要求1所述的一种基于深度学习的轨道交通周边危险源检测方法， 其特征 在于， 步骤S2中所述的危险等级 按照危险源易变性和聚集 面积分级。 9.根据权利要求1所述的一种基于深度学习的轨道交通周边危险源检测方法， 其特征 在于， 步骤S 6中所述的地理信息遥感图像 分辨率为： 无人机图像 分辨率为优于0.1m， 航飞图 像分辨率为0.2‑0.5m， 卫星图像分辨 率为0.5‑1m。 10.根据权利要求1所述的一种基于深度学习的轨道交通周边危险源检测方法， 其特征 在于， 步骤S4所述的标注工具为labelme或者其它数据标注软件； 步骤S5所述的训练超参数 包括优化 函数、 学习率及模型权 重。权　利　要　求　书 2/2 页 3 CN 114898204 A 3