一种列车信息的识别方法和识别系统与流程

1.本技术涉及信息识别领域，特别涉及一种列车信息的识别方法和识别系统。


背景技术：

2.目前铁路系统中，货运列车种类繁多、型号复杂，而且车辆流动量大，流动地域也十分广阔，因此管理、监控、统计、追踪车辆的运营情况，是一项非常复杂的工作，并且在整个铁路运输过程中，车辆检查、车辆转运、装卸货等都不允许出错，而车厢号是所有工作的唯一识别单元，对其识别工作贯穿各个环节。目前主要依靠人工对车厢信息进行登记、核实，工作量大、效率低且无法保证准确率，要想提高铁路的运行效率，首先要解决的是必须及时、准确掌握列车的组成及车辆的流动情况，自动识别行驶中的列车的类型、车厢编号、载重、自重、容积、换长、定检期等车辆信息，以及列车行驶方向、行驶速度信息。现有技术中，安装有铁道部货车电子标签的国铁车辆，采取射频技术自动读取电子标签中的车辆信息，首先存在车辆信息不全、跳号、芯片易损坏、丢失等问题；其次车厢信息只在定期检修时才更新到电子标签中，车厢信息不能及时更新；再次部分国铁车辆、自备车未安装电子标签，因此目前仍需大量人工干预，对车厢信息进行登记、核实工作，极其耗费人力资源。


技术实现要素：

3.本技术的目的是提供一种列车信息的识别方法和识别系统，能够自动化识别列车的车辆信息。
4.为解决上述技术问题，本技术提供一种列车信息的识别方法，具体技术方案如下：获取目标列车对应的图像数据；将包含数据内容的区域作为标注区，过滤所述图像数据，得到包含所述标注区的信息帧；将所述信息帧输入至信息识别模型，以残差网络作为骨干网络，将所述标注区作为显著特点，分层提取所述标注区中的图片特征；构建所述图片特征的特征金字塔；对所述特征金字塔进行全卷积网络计算，得到所述目标列车的车辆信息。
5.可选的，还包括：获取历史车厢图像数据集；对所述历史车厢图像数据集中的各图像数据进行标注，并根据预设识别度分类表确定图像数据对应的识别度；利用预设深度学习模型对包含所述识别度的所有图像数据进行训练，得到所述信息识别模型。
6.可选的对所述历史车厢图像数据集中的各图像数据进行标注：对所述历史车厢图像数据集中每个图像数据按照标注区的内容进行标注；其中，第一目标包括车厢编号区域、属性区域和定检期信息，第二目标包括字符信息，第三目标包
括车厢轴和车厢类型信息。
7.可选的，根据预设识别度分类表确定图像数据对应的识别度包括：根据所述图像数据的分辨率和无法识别的标注区数量确定图像数据对应的识别度。
8.可选的，将所述信息帧输入至信息识别模型，得到所述目标列车的车辆信息之后，还包括：上传所述车辆信息至上位机，以便所述上位机根据所述车辆信息编制列车信息表。
9.可选的，所述车辆信息包括车型、车厢编号、载重、自重、容积、换长、定检期、行驶速度和行驶方向中任一项或任意几项的组合。
10.本技术还提供一种列车信息的识别系统，包括：数据获取模块，用于获取目标列车对应的图像数据；数据处理模块，用于将包含数据内容的区域作为标注区，过滤所述图像数据，得到包含所述标注区的信息帧；特征提取模块，用于将所述信息帧输入至信息识别模型，以残差网络作为骨干网络，将所述标注区作为显著特点，分层提取所述标注区中的图片特征；特征结构构建模块，用于构建所述图片特征的特征金字塔；识别模块，用于对所述特征金字塔进行全卷积网络计算，得到识别结果。
11.本技术提供一种列车信息的识别方法，包括：获取目标列车对应的图像数据；将包含数据内容的区域作为标注区，过滤所述图像数据，得到包含所述标注区的信息帧；将所述信息帧输入至信息识别模型，以残差网络作为骨干网络，将所述标注区作为显著特点，分层提取所述标注区中的图片特征；构建所述图片特征的特征金字塔；对所述特征金字塔进行全卷积网络计算，得到所述目标列车的车辆信息。
12.本技术在获取目标列车对应的图像数据后，先对图像数据中存在有效信息的标注区进行标注，从而过滤图像数据中的不具备信息识别价值的非标注区。此后利用信息识别模型对信息帧进行模型识别，直接输出目标列车的车辆信息，无需人工记录操作，节约列车信息识别所需的人力资源，同时利用信息识别模型提高了识别准确度，保证车厢信息的识别准确性，为铁路车辆的科学化管理提供信息支撑。
13.本技术还提供一种列车信息的识别系统，具有上述有益效果，此处不再赘述。
附图说明
14.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
15.图1为本技术实施例所提供的一种列车信息的识别方法的流程图；图2为本技术实施例所提供的一种列车信息的识别过程的示意图；图3为本技术实施例所提供的一种列车信息的识别系统的结构图；图2中，21为列车，22为摄像机，23为补光灯。
具体实施方式
16.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
17.请参考图1，图1为本技术实施例所提供的一种列车信息的识别方法的流程图，该识别方法包括：s101：获取目标列车对应的图像数据；本步骤旨在获取目标列车对应的图像数据。在此对于如何获取该图像数据不作具体限定，可以利用目标列车轨道两侧的摄像机所拍摄的图像数据，也可以利用其他高速相机等等。此外，由于目标列车在被拍摄时通常处于行驶状态，即所获取到的图像数据可能为视频数据，也可能为图片数据，或者二者兼有。
18.而采用目标列车轨道两侧的摄像机进行图像数据获取时，需要在检测到目标列车通过时，方可获取相应的图像数据。当轨道处于空轨状态时不执行列车信息的识别过程。
19.当然，可以理解的是，若图像数据为视频数据，本步骤默认包含对视频数据的处理过程，例如对视频数据进行解析，以数据帧为单位得到相应的图片数据等。
20.s102：将包含数据内容的区域作为标注区，过滤所述图像数据，得到包含所述标注区的信息帧；在得到图像数据后，对图像数据进行标注，得到相应的标注区。标注区指包含相应数据内容的区域。由于目标列车表面大部分不包含车辆信息的区域，为了减少数据处理量，仅将包含数据内容的区域作为标注区并加以处理。
21.在进行标注时，可以按照事先划分好的标注区内容进行分类。在此对于标注区的分类过程不作限定。例如图像数据主要分为三类：车厢类型、连接轴和喷涂信息，而喷涂信息可以包括车厢编号信息、车厢属性信息图像和车厢定检期中的至少一种，则可以按照如上方式逐一确定图像数据中的标注区。
22.在标注时，也可以按照预设标注顺序，例如按从左到右，从上到下顺序进行。
23.在对图像数据标注后，过滤图像数据，从而去除图像数据中的非标注区，而标注区中包含了目标列车的车辆信息，即可得到包含车辆信息的信息帧。在此对于本实施例中的车辆信息的具体内容不作限定，车辆信息包括车型、车厢编号、载重、自重、容积、换长、定检期、行驶速度和行驶方向等信息，也可以为其中任一项或者任几项的组合，具体可由本领域技术人员自行设定。
24.s103：将所述信息帧输入至信息识别模型，以残差网络作为骨干网络，将所述标注区作为显著特点，分层提取所述标注区中的图片特征；s104：构建所述图片特征的特征金字塔；s105：对所述特征金字塔进行全卷积网络计算，得到所述目标列车的车辆信息。此后将信息帧输入至信息识别模型，利用信息识别模型对信息帧进行识别，得到目标列车的车辆信息。
25.具体的，本步骤中，可以将信息帧输入至信息识别模型，以残差网络作为骨干网络，将标注区作为显著特点，分层提取标注区中的图片特征，此后构建图片特征的特征金字
塔，对特征金字塔进行全卷积网络计算，即可得到识别结果。信息识别模型中综合残差网络中的c2~c5层特征形成特征金字塔，c2、c3层主要关注小目标特征，c4、c5层主要关注大目标特征，因此综合后的特征金字塔会兼顾大目标和小目标识别特征。
26.本技术实施例在获取目标列车对应的图像数据后，先对图像数据中存在有效信息的标注区进行标注，从而过滤图像数据中的不具备信息识别价值的非标注区。此后利用信息识别模型对信息帧进行模型识别，直接输出目标列车的车辆信息，无需人工记录操作，节约列车信息识别所需的人力资源，同时利用信息识别模型提高了识别准确度，保证车厢信息的识别准确性，为铁路车辆的科学化管理提供信息支撑。
27.进一步，在本实施例的基础上，将信息帧输入至信息识别模型，得到目标列车的车辆信息之后，还可以上传车辆信息至上位机，以便上位机根据车辆信息编制列车信息表。由于本实施例可以识别目标列车的车辆信息，因此可以将其应用至列车的信息汇总，得到列车信息表，其可以包含列车的通行时间、车厢信息等，便于汇总掌控列车的运行信息。
28.在上述实施例的基础上，本实施例对信息识别模型作进一步描述，在此提供一种信息识别模型的生成过程，具体如下：s201：获取历史车厢图像数据集；首先获取历史车厢图像数据集，在此对于历史车厢图像数据集中图像数据的具体数量不作限定，容易理解的是，作为学习样本的历史车厢图像数据集越多，则最终生成的信息识别模型越精确。例如可以采用不少于10万张或者20万张的历史车厢图像数据集作为学习样本进行训练。
29.s202：对所述历史车厢图像数据集中的各图像数据进行标注，并根据预设识别度分类表确定图像数据对应的识别度；本步骤中需要对历史车厢图像数据集每个图像数据进行标注，可以对所述车厢图像数据集每个图像数据按照标注区的内容进行标注。第一目标包括车厢编号区域、属性区域和定检期信息，第二目标包括字符信息，第三目标包括车厢轴和车厢类型信息。通过将标注区分类，可以在此后利用信息识别模型识别指定目标数据时提高相应的图像识别效率。例如若针对属性区域进行识别，其属于第一目标，属于信息识别模型中已训练的一种类型，则可以针对第一目标进行专项信息识别。
30.在标注后，需要确定各图像数据对应的识别度。在此对于预设识别度分类表的分类标准不作限定，其可以根据图像数据的分辨率和无法识别的标注区数量确定图像数据对应的识别度。若为图像数据分辨率，指图像数据中目标列车的清晰度，由于目标列车在高速行驶过程中所拍摄到的图像数据可能包含光斑或者残影等影响信息识别的因素，因此可以根据图像数据分辨率确定对应的识别度。也可以根据无法识别的标注区进行识别度定义，可能存在图像数据分辨率较高，但标注区内容识别困难的图像数据，此时即可按照无法识别的标注区定义图像数据的识别度，当然无法识别的标注区数量越多，其识别度越低。还可以将图像数据分辨率和无法识别的标注区数量共同作为识别度的判定标准，下文提供一种优选的预设识别度分类表：对每个图像数据按照预设识别度分类表进行识别度评分，评分区间为0
‑
10分，评分标准如下：10分，标注区域完整，位置在画面中间，整体很清晰，周围没有光斑或其他杂质，各
标注区均清晰；9分，标注区域完整，能清晰看出每个标注区，周围有光斑或其他杂质；8分，标注区域完整，1
‑
2个标注区不够清晰，但能识别出来,个别字符不完整或有阴影但能识别出来；7分，标注区域完整，3
‑
4个标注区不够清晰但能识别出来；6分，标注区域完整，整体比较模糊，但可识别；5分，含1个标注区不能识别出来；4分，含2个标注区不能识别出来；3分，含3个标注区不能识别出来；2分，含4个标注区不能识别出来；1分，超过一半标注区不能识别；0分，趋于空白，只能识别1
‑
2个字符。
31.当然上文为本实施例提供的一种较为具体的识别度确定方法。本领域技术人员可以利用预设识别度分类表其他变形，例如包含预设识别度分类表的图像识别度确定模型对图像数据进行识别度判定，在此不一一举例限定。
32.在利用信息识别模型得到目标列车的车辆信息时，可以先确定各信息帧的识别度，选择识别度较高的信息帧进行识别。
33.s203：利用预设深度学习模型对包含所述识别度的所有图像数据进行训练，得到所述信息识别模型。
34.可以利用matrix
‑
lirsnet深度学习模型，该模型以残差网络(resnet)为骨干网络，分层(c2~c5)提取图片特征；并根据所识别信息（车厢间隔、标记信息区域等大目标和信息字符等小目标）的显著特点，选取c3~c5层图片特征为基础，构建特征金字塔(fpn)，使得参与模型训练的图片特征的视野范围既能够涵盖第一目标至第三目标，实现大小目标的全覆盖。模型在图片特征金字塔的基础上，分别对目标类别和目标位置进行全卷积网络计算，得出最终识别结果。
35.为了实现上述目的，下文对本技术的一种具体应用过程进行描述，参见图2，包括：摄像机22，交换机，图像处理单元，上位机，输出单元。
36.其中，摄像机22用于获取行驶货运列车高清视频信号，还可以包括补光灯23，适用黑暗环境拍摄到清晰视频。视频信号作为图像数据通过交换机传送至图像处理单元。摄像机22可以包含多个，安装在货运列车轨道两旁，参见图2所示，对行驶来的货运列车21进行拍摄，获取高清视频。
37.交换机用于将摄像机22所拍摄到的高清视频信号传输至图像处理单元。
38.图像处理单元用于对接收到的图像数据进行分析识别，得到货运列车的车辆信息。具体的，利用深度学习模型计算引擎以残差网络为骨干网络，根据所识别信息的显著特点，选取特定目标特征层，分别对目标类别和目标位置进行全卷积网络计算，得出最终识别结果，发送至上位机。
39.上位机用于对货运列车的各车辆信息进行综合，汇总成整列货运列车信息配置表，由输出单元将整列货运列车信息配置表提供给业务应用系统。容易理解的是，交换机、图像处理单元、上位机和输出单元并不必须设于轨道附件，由于可以通过交换机远程传输
摄像机22获取的高清视频信号，因此交换机，图像处理单元，上位机和输出单元可均位于本地，以便于用户在本地得到最终识别到的车辆信息。
40.下面对本技术实施例提供的列车信息的识别系统进行介绍，下文描述的识别系统与上文描述的列车信息的识别方法可相互对应参照。
41.图3为本技术实施例所提供的一种列车信息的识别系统的结构图，本技术还提供一种列车信息的识别系统，包括：数据获取模块，用于获取目标列车对应的图像数据；数据处理模块，用于将包含数据内容的区域作为标注区，过滤所述图像数据，得到包含所述标注区的信息帧；特征提取模块，用于将所述信息帧输入至信息识别模型，以残差网络作为骨干网络，将所述标注区作为显著特点，分层提取所述标注区中的图片特征；特征结构构建模块，用于构建所述图片特征的特征金字塔；识别模块，用于对所述特征金字塔进行全卷积网络计算，得到识别结果。
42.基于上述实施例，作为优选的实施例，还包括：模型训练模块，用于获取历史车厢图像数据集；对所述历史车厢图像数据集中的各图像数据进行标注，并根据预设识别度分类表确定图像数据对应的识别度；利用预设深度学习模型对包含所述识别度的所有图像数据进行训练，得到所述信息识别模型。
43.基于上述实施例，作为优选的实施例，模型训练模块包括：标注单元，用于对所述车厢图像数据集每个图像数据按照标注区的内容进行标注；其中，第一目标包括车厢编号区域、属性区域和定检期信息，第二目标包括字符信息，第三目标包括车厢轴和车厢类型信息。
44.基于上述实施例，作为优选的实施例，模型训练模块包括：识别度确定单元，用于根据所述图像数据的分辨率和无法识别的标注区数量确定图像数据对应的识别度。
45.基于上述实施例，作为优选的实施例，还可以包括：信息统计模块，用于将所述信息帧输入至信息识别模型，得到所述目标列车的车辆信息之后，上传所述车辆信息至上位机，以便所述上位机根据所述车辆信息编制列车信息表。
46.说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
47.本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。
48.还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意
在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。