[发明专利]一种基于DSSNN神经网络的铁路场景图像语义分割方法

说明书

本发明公开了一种基于DSSNN神经网络的铁路场景图像语义分割方法，包括以下步骤：步骤1：构建DSSNN神经网络；步骤2：获取铁路场景图像数据集，制作图像语义标签，采用标签图像和原始图像通过以TensorFlow为后端的Keras深度学习框架和平台对DSSNN神经网络进行训练，得到训练模型；步骤3：将铁路场景图像输入训练模型，得到铁路场景的语义分割图；本发明提供一种端对端、编码‑解码结构的神经网络模型，能够快速准确地得到铁路场景的语义分割结果，适用于背景错综复杂地铁路场景，无需人工选取特征，鲁棒性好，同时能够通过语义分割准确对铁路场景关键部件进行定位，有利于下一步地关键部件状态检测工作，能有效地减轻铁路巡检人员的工作量。

技术领域

本发明涉及机车监控与铁路运营安全领域，具体涉及一种基于DSSNN神经网络的铁路场景图像语义分割方法。

背景技术

评价铁路运行的最基本的标准就是列车运行的稳定性和安全性，随着中国铁路的大提速和现代高铁的大力建设，铁路运行的稳定性和安全性也被摆在更加突出的位置，铁路场景的安全巡检工作也变得至关重要。

传统的利用图像处理技术完成铁路场景中关键部件的异常检测方法，例如边缘检测、阈值分割等，能够对局部具体位置的关键部件进行检测；但是随着对高铁运营能力的不断提高，这些传统方式在快速处理铁路场景异常检测时并不高效，且不能适应背景错综复杂的铁路场景，同时也不具备普适性；因此，一种能够适应背景复杂、抗噪能力强、鲁棒性高的关键部位定位和异常状态检测方法显得至关重要；随着计算机视觉技术的快速发展，特别是以深度学习方式为主的图像处理技术得到进一步发展和应用；其中一种重要方面是图像语义分割的研究和应用，图像语义分割的目的是将图像中的像素点进行分类。

发明内容

本发明提供一种鲁棒性强、普适性高、能够对关键部件进行准确定位和分割的基于DSSNN神经网络的铁路场景图像语义分割方法。

本发明采用的技术方案是：一种基于DSSNN神经网络的铁路场景图像语义分割方法，包括以下步骤：

步骤1：构建DSSNN神经网络；

步骤2：获取铁路场景图像数据集，制作图像语义标签，采用标签图像和原始图像通过以TensorFlow为后端的Keras深度学习框架和平台对DSSNN神经网络进行训练，得到训练模型；

步骤3：将铁路场景图像输入训练模型，得到铁路场景的语义分割图，实现对铁路场景的语义分割和关键部位定位；

其中DSSNN神经网络包括卷积块、空洞卷积块、求和块、反卷积块和对称连接块；卷积块用于提取图像特征；空洞卷积块用于扩大卷积感受并减少特征损失；求和块用于将空洞卷积块中的特征进行融合提高分割精度；反卷积块用于提取图像特征同时还原图像尺寸；对称连接块用于将卷积块中的特征图和反卷积块的特征图进行融合，补充卷积块中丢失的图像特征和图像中细小且被忽略的特征；

铁路场景图像经过卷积块后输入空洞卷积块，空洞卷积块处理后输入求和块将每个空洞卷积块的每个块中的结果求和相加；输入反卷积块对图像处理然后输入对称连接块使分割图像得到修复；最后对特征进行分类，完成图像语义分割。

进一步的，所述卷积块输出结果如下：

N＝(W-F+2×P)/S＝1

式中：N为卷积后输出图像尺寸，W为输入图片大小，F为卷积核大小，P为填充的像素数，S为卷积步长。

进一步的，所述空洞卷积块中空洞卷积核的计算公式如下：

Kernel_extend＝Original_kernel_shape+I×(kernel_shape-1)