一种钢轨表面与接触网表面图像分割方法及装置与流程

本发明实施例涉及计算机视觉技术领域，具体涉及一种钢轨表面与接触网表面图像分割方法及装置。

背景技术：

在轨道交通领域，钢轨表面和接触网表面损伤分析具有重要意义，而提取钢轨表面和接触网表面区域是最基础的一步。

在钢轨表面以及接触网表面损伤分析过程中，从图片中将钢轨区域和接触网区域提取出来是很关键的一步，能不能提取准确直接影响钢轨表面和接触网表面损伤的判断。

鉴于此，如何提供一种钢轨表面与接触网表面图像分割方法，以实现高精度、强鲁棒的钢轨表面和接触网表面区域提取成为目前需要解决的技术问题。

技术实现要素：

由于现有方法存在上述问题，本发明实施例提出一种钢轨表面与接触网表面图像分割方法及装置。

第一方面，本发明实施例提出一种钢轨表面与接触网表面图像分割方法，包括：

获取目标图像；

将所述目标图像输入深度神经网络分割模型，输出钢轨区域的分割图和接触网区域的分割图；

其中，所述深度神经网络分割模型是基于获取样本图像对深度神经网络进行训练后得到的，所述深度神经网络是卷积网络，使用的卷积为5×3卷积。

第二方面，本发明实施例还提出一种钢轨表面与接触网表面图像分割装置，包括：

获取模块，用于获取目标图像；

分割模块，用于将所述目标图像输入深度神经网络分割模型，输出钢轨区域的分割图和接触网区域的分割图；

其中，所述深度神经网络分割模型是基于获取样本图像对深度神经网络进行训练后得到的，所述深度神经网络是卷积网络，使用的卷积为5×3卷积。

第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器、总线及存储在存储器上并可在第处理器上运行的计算机程序；

其中，所述处理器，存储器通过所述总线完成相互间的通信；

所述处理器执行所述计算机程序时实现上述方法。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，所述存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述方法。

由上述技术方案可知，本发明实施例提供的一种钢轨表面与接触网表面图像分割方法及装置，通过获取目标图像，将目标图像输入深度神经网络分割模型，输出钢轨区域的分割图和接触网区域的分割图，其中，深度神经网络分割模型是基于获取样本图像对深度神经网络进行训练后得到的，所述深度神经网络中的所有卷积均使用5×3卷积，由此，能够实现高精度、强鲁棒的钢轨表面和接触网表面区域的图像提取，速度快，适应能力强。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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，还可以根据这些图获得其他的附图。

图1为本发明一实施例提供的一种钢轨表面与接触网表面图像分割方法的流程示意图；

图2为本发明实施例的深度神经网络中的所有卷积使用5×3卷积的示意图；

图3为本发明一实施例提供的一种钢轨表面与接触网表面图像分割装置的结构示意图；

图4为本发明一实施例提供的电子设备的实体结构示意图。

具体实施方式

下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

图1示出了本发明一实施例提供的一种钢轨表面与接触网表面图像分割方法的流程示意图，如图1所示，本实施例的钢轨表面与接触网表面图像分割方法，包括：

s1、获取目标图像。

s2、将所述目标图像输入深度神经网络分割模型，输出钢轨区域的分割图和接触网区域的分割图。

其中，所述深度神经网络分割模型是基于获取样本图像对深度神经网络进行训练后得到的，所述深度神经网络是卷积网络，使用的卷积为5×3卷积(可参考图2)

可以理解的是，所述样本图像包括：钢轨图片样本和接触网图片样本；所述钢轨图片样本是通过获取钢轨图片，对钢轨图片进行人工标注分割后得到的标注有钢轨区域的分割图；所述接触网图片样本是通过获取接触网图片，对接触网图片进行人工标注分割后得到的标注有接触网区域的分割图。

可以理解的是，所述深度神经网络分割模型输出两个通道，所述深度神经网络分割模型输出的第一个通道负责钢轨区域的分割，当输入图片无钢轨区域时，所述第一个通道输出全黑分割图；所述深度神经网络分割模型输出的第二个通道负责接触网区域的分割，当输入图片无接触网区域时，所述第二个通道输出全黑分割图。

可以理解的是，由于钢轨区域和接触网区域在成像图片上具有结构相似的共性，都是竖条状区域，本实施例将钢轨区域和接触网区域的分割放到一个深度神经网络中进行，深度神经网络训练后获得的深度神经网络分割模型输出两张分割图，分别与之对应，同时针对两种目标物的竖条状区域特征，本实施例改进了神经网络中通常使用的3×3卷积，将所有的3×3卷积换成了5×3这种竖条状卷积核，由此，能够提升深度神经网络分割模型的分割精度。

本发明实施例提供的一种钢轨表面与接触网表面图像分割方法，通过获取目标图像，将目标图像输入深度神经网络分割模型，输出钢轨区域的分割图和接触网区域的分割图，其中，深度神经网络分割模型是基于获取样本图像对深度神经网络进行训练后得到的，所述深度神经网络中的所有卷积均使用5×3卷积，所述样本图像包括：钢轨图片样本和接触网图片样本，钢轨图片样本是通过获取钢轨图片并对钢轨图片进行人工标注分割后得到的标注有钢轨区域的分割图，接触网图片样本是通过获取接触网图片并对接触网图片进行人工标注分割后得到的标注有接触网区域的分割图，由此，能够实现高精度、强鲁棒的钢轨表面和接触网表面区域的图像提取，速度快，适应能力强。

进一步地，在上述实施例的基础上，在所述步骤s2之前，本实施例所述方法还可以包括图中未示出的步骤p1-p2：

p1、获取样本图像。

其中，所述样本图像包括：钢轨图片样本和接触网图片样本；所述钢轨图片样本是通过获取钢轨图片，对钢轨图片进行人工标注分割后得到的标注有钢轨区域的分割图；所述接触网图片样本是通过获取接触网图片，对接触网图片进行人工标注分割后得到的标注有接触网区域的分割图。

在具体应用中，可以通过随机采样的方式获取样本图像，可控制获取的钢轨图片样本和接触网图片样本的比例大概在1:1，可以让后面根据样本图像对深度神经网络进行训练而获得的深度神经网络分割模型能在钢轨区域分割和接触网区域分割性能上较为均等。

p2、根据所述样本图像，对深度神经网络进行训练，获得训练好的深度神经网络分割模型，所述深度神经网络分割模型输出两个通道，第一个通道负责钢轨区域的分割，第二个通道负责接触网区域的分割。

在具体应用中，根据所述样本图像，对深度神经网络进行训练时，可通过均方误差损失函数计算损失，并通过误差反传和梯度下降法进行模型学习。

由此，本实施例能够获得训练好的深度神经网络分割模型，以利用该深度神经网络分割模型，获得目标图像中钢轨区域与接触网区域的图像分割结果(钢轨区域的分割图和接触网区域的分割图)。

进一步地，在上述实施例的基础上，在所述步骤s1获取样本图像之后，在所述步骤p2根据所述样本图像，对深度神经网络进行训练，获得训练好的深度神经网络分割模型之前，所述方法还可以包括：

将所述样本图像的分辨率缩放到预设分辨率(例如256×128)；

对缩放到预设分辨率后的样本图像进行数据扩增操作；

相应地，所述步骤p2中的“根据所述样本图像，对深度神经网络进行训练，获得训练好的深度神经网络分割模型”，可以具体包括：

根据数据扩增操作后的样本图像，对深度神经网络进行训练，获得训练好的深度神经网络分割模型。

具体地，所述数据扩增操作，可以包括：随机旋转和平移，模拟光照随机变化，添加各种类型的随机图像噪声等操作。

可以理解的是，对缩放到预设分辨率后的样本图像进行数据扩增操作，是为了增加获得的深度神经网络分割模型输出效果的鲁棒性和泛化能力。

本发明实施例提供的一种钢轨表面与接触网表面图像分割方法，能够实现高精度、强鲁棒的钢轨表面和接触网表面区域的图像提取，速度快，适应能力强。

图3示出了本发明一实施例提供的一种钢轨表面与接触网表面图像分割装置的结构示意图，如图3所示，本实施例的钢轨表面与接触网表面图像分割装置，包括：获取模块31和分割模块32；其中：

所述获取模块31，用于获取目标图像；

所述分割模块32，用于将所述目标图像输入深度神经网络分割模型，输出钢轨区域的分割图和接触网区域的分割图；

其中，所述深度神经网络分割模型是基于获取样本图像对深度神经网络进行训练后得到的，所述深度神经网络是卷积网络，使用的卷积为5×3卷积(可参考图2)。

可以理解的是，所述样本图像包括：钢轨图片样本和接触网图片样本；所述钢轨图片样本是通过获取钢轨图片，对钢轨图片进行人工标注分割后得到的标注有钢轨区域的分割图；所述接触网图片样本是通过获取接触网图片，对接触网图片进行人工标注分割后得到的标注有接触网区域的分割图。

可以理解的是，由于钢轨区域和接触网区域在成像图片上具有结构相似的共性，都是竖条状区域，本实施例将钢轨区域和接触网区域的分割放到一个深度神经网络中进行，深度神经网络训练后获得的深度神经网络分割模型输出两张分割图，分别与之对应，同时针对两种目标物的竖条状区域特征，本实施例改进了神经网络中通常使用的3×3卷积，将所有的3×3卷积换成了5×3这种竖条状卷积核，由此，能够提升深度神经网络分割模型的分割精度。

可以理解的是，所述深度神经网络分割模型输出两个通道，所述深度神经网络分割模型输出的第一个通道负责钢轨区域的分割，当输入图片无钢轨区域时，所述第一个通道输出全黑分割图；所述深度神经网络分割模型输出的第二个通道负责接触网区域的分割，当输入图片无接触网区域时，所述第二个通道输出全黑分割图。

本发明实施例提供的一种钢轨表面与接触网表面图像分割装置，通过获取模块获取目标图像，分割模块将目标图像输入深度神经网络分割模型，输出钢轨区域的分割图和接触网区域的分割图；其中，所述深度神经网络分割模型是基于获取样本图像对深度神经网络进行训练后得到的，所述深度神经网络中的所有卷积均使用5×3卷积，所述样本图像包括：钢轨图片样本和接触网图片样本；所述钢轨图片样本是通过获取钢轨图片，对钢轨图片进行人工标注分割后得到的标注有钢轨区域的分割图；所述接触网图片样本是通过获取接触网图片，对接触网图片进行人工标注分割后得到的标注有接触网区域的分割图，由此，能够实现高精度、强鲁棒的钢轨表面和接触网表面区域的图像提取，速度快，适应能力强。

进一步地，在上述实施例的基础上，本实施例所述装置还可以包括图中未示出的：

样本获取模块，用于获取样本图像；

训练模块，用于根据所述样本图像，对深度神经网络进行训练，获得训练好的深度神经网络分割模型，所述深度神经网络分割模型输出两个通道，第一个通道负责钢轨区域的分割，第二个通道负责接触网区域的分割。

其中，所述样本图像包括：钢轨图片样本和接触网图片样本；所述钢轨图片样本是通过获取钢轨图片，对钢轨图片进行人工标注分割后得到的标注有钢轨区域的分割图；所述接触网图片样本是通过获取接触网图片，对接触网图片进行人工标注分割后得到的标注有接触网区域的分割图。

在具体应用中，所述样本获取模块可以通过随机采样的方式获取样本图像，可控制获取的钢轨图片样本和接触网图片样本的比例大概在1:1，可以让后面根据样本图像对深度神经网络进行训练而获得的深度神经网络分割模型能在钢轨区域分割和接触网区域分割性能上较为均等。

在具体应用中，所述训练模块在根据所述样本图像对深度神经网络进行训练时，可通过均方误差损失函数计算损失，并通过误差反传和梯度下降法进行模型学习。

由此，本实施例能够获得训练好的深度神经网络分割模型，以利用该深度神经网络分割模型，获得目标图像中钢轨区域与接触网区域的图像分割结果(钢轨区域的分割图和接触网区域的分割图)。

进一步地，在上述实施例的基础上，本实施例所述装置还可以包括图中未示出的：

图像缩放模块，用于将所述样本图像的分辨率缩放到预设分辨率(例如256×128)；

数据扩增模块，用于对缩放到预设分辨率后的样本图像进行数据扩增操作；

相应地，所述训练模块，可用于

根据数据扩增操作后的样本图像，对深度神经网络进行训练，获得训练好的深度神经网络分割模型，所述深度神经网络分割模型输出两个通道，第一个通道负责钢轨区域的分割，第二个通道负责接触网区域的分割。

具体地，所述数据扩增操作，可以包括：随机旋转和平移，模拟光照随机变化，添加各种类型的随机图像噪声等操作。

可以理解的是，对缩放到预设分辨率后的样本图像进行数据扩增操作，是为了增加获得的深度神经网络分割模型输出效果的鲁棒性和泛化能力。

本发明实施例提供的钢轨表面与接触网表面图像分割装置，能够实现高精度、强鲁棒的钢轨表面和接触网表面区域的图像提取，速度快，适应能力强。

本实施例的钢轨表面与接触网表面图像分割装置，可以用于执行前述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

图4示出了本发明一实施例提供的一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器401、存储器402、总线403及存储在存储器402上并可在处理器401上运行的计算机程序；

其中，所述处理器401和存储器402通过所述总线403完成相互间的通信；

所述处理器401执行所述计算机程序时实现上述方法实施例所提供的方法，例如包括：获取目标图像；将所述目标图像输入深度神经网络分割模型，输出钢轨区域的分割图和接触网区域的分割图；其中，所述深度神经网络分割模型是基于获取样本图像对深度神经网络进行训练后得到的，所述深度神经网络是卷积网络，使用的卷积为5×3卷积。

本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法实施例所提供的方法，例如包括：获取目标图像；将所述目标图像输入深度神经网络分割模型，输出钢轨区域的分割图和接触网区域的分割图；其中，所述深度神经网络分割模型是基于获取样本图像对深度神经网络进行训练后得到的，所述深度神经网络是卷积网络，使用的卷积为5×3卷积。

本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置/系统。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

需要说明的是，在本文中，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。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

本发明的说明书中，说明了大量具体细节。然而能够理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。