一种高速铁路声屏障缺损检测方法及装置

1.本发明涉及高速铁路安全检测技术领域，具体涉及一种高速铁路声屏障缺损检测方法及装置。


背景技术：

2.高速铁路运行环境安全保障技术是高铁建设规划的关键技术之一。全程封闭的高速铁路运行环境为高速列车运行提供了安全保障。高速铁路运行环境设施包括防护栏、声屏障、无砟轨道道床、轨道部件、信号设备和供电系统等，其中，防护栏、声屏障出现异常无疑对行车安全具有直接和至关重要的影响，甚至危及旅客生命安全。以往，高速铁路声屏障缺损检测主要采用高速铁路沿线关键区段安装的固定式摄像设备拍摄的视频数据进行检测。然而，受限于采集视野，这种方式不能掌控线路沿线全部情况，因此，利用安装在高速综合检测车的车载摄像设备拍摄车前方线路环境及沿线两侧防护栏、声屏障的视频数据，再进行缺损状态检测是一种有效的方法。目前，世界各国综合检测车均配备了高速铁路运行环境视频检测系统。通过安装在列车上的视频采集设备获取视频图像，在视频图像上实时叠加线路名、里程和速度等线路信息，并进行存储；通过对视频数据进行人工分析来完成高速铁路运行环境的检测，及时发现影响列车运行安全的各种异常情况。然而，对视频数据的分析工作还停留在依靠人工观察进行线路环境异常状态的判别，包括声屏障缺损、设备侵限、异物侵入线路区间等。
3.近年来，基于图像处理和计算机视觉智能识别技术已经被广泛应用于高速铁路设施外观状态异常检测，实现了轨道图像的采集和存储，方便后续的人工浏览，不具有自动分析能力。随着图像处理、模式识别和计算机视觉技术的发展，各种用于轨道设施异常状态自动化检测的智能分析系统相继面世，基于人工设计特征和机器学习的检测模型已被应用于轨道检测的各个方面。然而，受限于人工特征建模方法对图像的特征表示能力不足，现有方法均存在对不同线路适应的泛化性不够、在开放式环境下检出率不足等问题。针对这些问题，国内外研究人员开始尝试使用深度学习神经网络进行高速铁路场景图像的智能分析。尽管基于图像的智能检测技术已取得了突破性的成果，但在自动驾驶、复杂场景下的视频监控等领域，基于视频的智能检测技术有着更为广泛的需求。视频检测与图像检测相比有更多的难点和更高的要求。视频中的目标对象可能会存在模糊、遮挡、形态变化多样性、光照变化多样性等问题，仅利用图像检测技术并不能得到很好的检测结果。此外，视频中包含了大量的视频帧，直接使用基于图像的检测方法可能会带来巨大的计算量。
4.传统的视频智能检测方法通常使用手工设计特征的方式构造目标对象的特征，然后再以模板匹配的方式对视频进行检测、识别等后续操作。然而，当目标对象出现遮挡、光照变化、形态变化时，手工设计的特征无法实时适应。此外，手工设计的特征只能表达目标对象的部分特质，极易受到外界干扰，并且，随着检测任务需求逐渐复杂，特征模型的构造也越来越困难。这些局限性导致传统的视频目标检测方法的无法满足实际检测任务需求。
5.目前，基于深度学习的视频智能检测技术已经取得了令人瞩目的研究和应用进
展，但应用于高速铁路声屏障缺损检测任务时仍然存在以下3个方面的不足：
6.1)采集的高速铁路运行环境视频数据量过大，不利用传输和存储；
7.2)视频数据处理时间较长，无法满足对检测效率的要求；
8.3)高速铁路声屏障缺损样本图像稀缺，不利于训练监督式的深度卷积神经网络。


技术实现要素：

9.针对现有技术中的问题，本发明提供一种高速铁路声屏障缺损检测方法及装置，具体包括以下技术方案：
10.第一方面，本发明提供一种高速铁路声屏障缺损检测方法，包括：
11.综合巡检车挂载数码摄像机和惯性组件，拍摄高速铁路运行环境视频数据和车体姿态数字信号模拟数据；
12.基于多源数据配准的车体姿态补偿方法，对采集得到的高速铁路运行环境视频数据和车体姿态数字信号模拟数据进行配准；
13.基于像素清晰度评价的最优拼接模型，对高速铁路运行环境视频进行全景图拼接；
14.采集得到的正常声屏障图像，训练基于无监督学习的高速铁路声屏障异常检测网络，对拼接的全景图进行声屏障缺损检测。
15.其中，在基于像素清晰度评价的最优拼接模型，对高速铁路运行环境视频进行全景图拼接之前，还包括：
16.将所述高速铁路运行环境视频数据进行无损的信息抽取，得到全景图格式数据。
17.其中，所述基于多源数据配准的车体姿态补偿方法，对采集得到的高速铁路运行环境视频数据和车体姿态数字信号模拟数据进行配准，包括：
18.基于消失点检测算法从高速铁路运行环境视频数据中抽取姿态角信息；
19.将所述姿态角信息和车体姿态数字信号模拟数据组成输入信号，输入至深度学习配准网络中进行训练，深度学习配准网络训练稳定得到波形的配准参数。
20.其中，所述采集得到的正常声屏障图像，训练基于无监督学习的高速铁路声屏障异常检测网络，包括：
21.正常状态的声屏障图像输入到编码器得到深度特征，并利用解码器将所述深度特征映射成图像，得到重建图像；
22.将正常状态的声屏障图像和重建图像输入至深度卷积神经网络中，得到两幅图像各自对应的深度特征；
23.基于正常状态的声屏障图像和重建图像计算图像的重建误差损失，根据两幅图像各自对应的深度特征计算深度特征相似性度量损失；
24.将所述重建误差损失和所述深度特征相似性度量损失进行叠加，得到高速铁路声屏障异常检测网络的总体损失。
25.其中，所述对拼接的全景图进行声屏障缺损检测，包括：
26.将全景图输入高速铁路声屏障异常检测网络，得到全景图和重建图像各自对应的深度特征；
27.计算所述深度特征之间的差异，若所述深度特征之间的差异大于预设值，则所述
全景图为异常状态。
28.第二方面，本发明提供一种高速铁路声屏障缺损检测装置，包括：
29.采集单元，用于综合巡检车挂载数码摄像机和惯性组件，拍摄高速铁路运行环境视频数据和车体姿态数字信号模拟数据；
30.配准单元，用于基于多源数据配准的车体姿态补偿方法，对采集得到的高速铁路运行环境视频数据和车体姿态数字信号模拟数据进行配准；
31.拼接单元，用于基于像素清晰度评价的最优拼接模型，对高速铁路运行环境视频进行全景图拼接；
32.检测单元，用于采集得到的正常声屏障图像，训练基于无监督学习的高速铁路声屏障异常检测网络，对拼接的全景图进行声屏障缺损检测。
33.进一步的，还包括：
34.优化单元，用于将所述高速铁路运行环境视频数据进行无损的信息抽取，得到全景图格式数据。
35.第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的高速铁路声屏障缺损检测方法的步骤。
36.第四方面，本发明提供一种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所述的高速铁路声屏障缺损检测方法的步骤。
37.由上述技术方案可知，本发明提供一种高速铁路声屏障缺损检测方法及装置，通过综合巡检车挂载数码摄像机和惯性组件，拍摄高速铁路运行环境视频数据和车体姿态数字信号模拟数据；基于多源数据配准的车体姿态补偿方法，对采集得到的高速铁路运行环境视频数据和车体姿态数字信号模拟数据进行配准；基于像素清晰度评价的最优拼接模型，对高速铁路运行环境视频进行全景图拼接；采集得到的正常声屏障图像，训练基于无监督学习的高速铁路声屏障异常检测网络，对拼接的全景图进行声屏障缺损检测，实现了无监督条件下车载动态检测高速铁路声屏障缺损的目的，在一定程度上保障了高速铁路运行安全，具有较好的实用价值。
附图说明
38.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，还可以根据这些附图获得其他的附图。
39.图1为本发明实施例中的高速铁路声屏障缺损检测方法的流程示意图；
40.图2为本发明实施例中列车运行过程中姿态变化示例图；
41.图3为本发明实施例中惯性组件输出的车体姿态数据波形图；
42.图4为本发明实施例中基于深度学习的异源数据配准模型；
43.图5为本发明实施例中前向运动视频的全景环带采样模型示意图；
44.图6为本发明实施例中像素清晰度定义示意图；
45.图7为本发明实施例中基于无监督学习的声屏障异常检测网络示意图；
46.图8为本发明实施例中的高速铁路声屏障缺损检测装置的第二种结构示意图；
47.图9为本发明实施例中的电子设备的结构示意图。
具体实施方式
48.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
49.本发明提供一种高速铁路声屏障缺损检测方法的实施例，参见图1，所述高速铁路声屏障缺损检测方法具体包含有如下内容：
50.s1：综合巡检车挂载数码摄像机和惯性组件，拍摄高速铁路运行环境视频数据和车体姿态数字信号模拟数据；
51.在本步骤中，综合巡检车采集的不同方向高速铁路运行环境视频。参见图2，在检测中，轨道几何不平顺常常引发列车晃动，例如两轨之间的高度差将导致列车绕着z轴侧滚；轨道平面的上升或下降将导致列车绕着y轴起伏；而轨道的侧弯将导致列车绕着x轴偏转。
52.需要注意的是，安装的数码摄像机与车体之间为刚性连接，即没有任何减振装置。因此，列车晃动必然引起摄像设备的摇晃，这将导致获取的视频内容并不稳定，视频场景存在晃动，使得生成的全景图中存在明显的扭曲失真，影响后续的智能分析。
53.s2：基于多源数据配准的车体姿态补偿方法，对采集得到的高速铁路运行环境视频数据和车体姿态数字信号模拟数据进行配准；
54.通过跟踪视频中钢轨的消失点的轨迹，可以计算出摄像机随着车体晃动产生的三个姿态角，即左右偏转角pan、上下俯仰角度tilt、以及旋转侧滚角roll。但实际应用中，消失点的追踪收成像质量、光照条件以及列车转弯影响较大，且推导的相机姿态角精度有限，这就制约了高速铁路全景图的进一步应用。
55.基于综合巡检车上的精确的惯性组件，包括陀螺仪和加速度计，可以精确获取车体的姿态，如图3所示。虽然目前高速综合巡检车配备有统一的里程定位系统，但由于惯组与视频在数据采集上的异源性，硬件时延，速度编码器累计误差等都会导致二者的里程计数存在误差。因此如何将惯组采集的车体姿态信息精确关联到视频帧中，是首先要解决的一个难题。
56.在本步骤中，基于高速铁路运行环境视频数据和车体姿态数字信号模拟数据这两种数据格式，研究基于深度学习的异源数据的匹配方法。如图4所示，基于消失点检测算法从高速铁路运行环境视频数据中抽取姿态角信息；将所述姿态角信息和车体姿态数字信号模拟数据组成输入信号，输入至深度学习配准网络中进行训练，深度学习配准网络训练稳定得到波形的配准参数(dx,dy)。
57.s3：基于像素清晰度评价的最优拼接模型，对高速铁路运行环境视频进行全景图拼接；
58.在本步骤中，如图5所示，对于一段帧数为n的前向运动视频，st为从第t帧图像抽取的采样环带，rt为st在物理空间场景中的对应采样区域。定义如下：
59.st:环形采样带，由外部采样环osrt(绿色)和内部采样环isrt(红色)组成；
60.rt:st在物理空间场景中的采样区域；
61.构造拼接区域：从视频序列中提取一组环带序列{s1,s2,s3,...，s
n
}，满足
[0062][0063]
全景拼接：t(
·
)为图像几何校正。
[0064]
基于以上定义，前向运动视频的全景拼接可以描述为：从视频序列中提取一组环带序列{s1,s2,s3,
…
，s
n
}，并满足任意相邻的空间采样区域之间既不重叠也无间隔，即全景环带对物理空间的“完全采样”。将满足条件的环带序列进行几何修正后合并在一起就生成了全景图像。因此，从前向运动的视频中生成全景图的关键为题在于如何在每帧图像中确定拼接外框osrt(绿色)和拼接内框isrt(红色)的位置。
[0065]
为了保证全景图具有最佳的分辨率，拼接外框osrt的位置应位于具有较大空间分辨率的图像边缘处。但对于高速铁路而言，列车高速运行条件下，往往导致采集的图像中产生显著的运动模糊(摄像机移动但高速铁路场景中景物不动会产生全局运动模糊)，在钢轨延伸无穷远处可能产生失焦模糊。这就要求在定位拼接外框位置时对图像分辨率和运动模糊进行折中处理，权衡二者之间的关系，以确定不均匀矩形采样的最优拼接外框位置。
[0066]
对于高速铁路而言，为了保证生成全景图的质量，本项目提出拼接清晰度的概念，建立拼接清晰度优化模型来确定最佳的拼接位置。如图6中红框表示第k
‑
1帧图像f
k
‑1的拼接外框esr
k
‑1，绿框表示第k帧图像f
k
的拼接外框esr
k
，橙色框表示第k+1帧图像f
k+1
的拼接外框esr
k
‑1，第k帧图像中一个像素点受前一帧(第k
‑
1帧)和后一帧(第k+1帧)的影响，定义摄像机从帧f
k
‑1移动到帧f
k+1
通过帧f
k
时像素(x
j
,y
u
)的位移为：
[0067][0068]
δl
k,j
＝d(h
k
(x
j
,y
u
,1)
t
,(x
j
,y
u
,1))；
[0069]
式中单应性矩阵h是将像素位置映射到另一像素位置。d(
·
)为求两像素点之间的欧氏距离。在连续3帧短时间内，可认为有
[0070]
h
k
‑1≈h
k
[0071]
为满足分辨率和模糊度的要求，定义视频帧中像素的清晰度，用来描述相邻3帧之间像素的绝对位移。对于帧f
k
中的像素(x
j
,y
u
)，其拼接清晰度定义为：
[0072][0073]
式中δl
k
‑
1,j
表示从帧f
k
‑1到帧f
k
的位移，δl
k,j
表示从帧f
k
到帧f
k+1
的位移，σ为常数，当(x
j
,y
u
)的帧间运动较小时，h
k
‑1和h
k
接近单位矩阵i，因此接近于1，表明以(x
j
,y
u
)为中心的图像块很可能锐化。否则很小，表示该图像块可能包含大的运动模糊。
[0074]
定义4个方向的拼接线和的清晰度为：
[0075]
[0076][0077][0078][0079]
式中需满足以下数学模型：
[0080][0081][0082]
上式表示满足场景几何结构约束条件下，拼接外框的4条拼接线清晰度总和最大，4条拼接线清晰度总和达到极大值情况下求到x
l
、y
u
、x
r
和y
d
即为外框拼接线最优位置。而y
u
、x
r
和y
d
与x
l
有关，则可得到以下拼接最优化模型：
[0083][0084][0085]
将高速铁路的视频拼接问题就转化为上述优化问题来求解，实现图像的拼接。
[0086]
s4：采集得到的正常声屏障图像，训练基于无监督学习的高速铁路声屏障异常检测网络，对拼接的全景图进行声屏障缺损检测。
[0087]
高铁运行环境视频是通过车载摄像机进行采集，检测列车运行过程中，不同季节、天气等外界因素会对视频的图像质量造成影响。此外，高速铁路声屏障异常检测任务的异常形态并不能预知，因此，无法通过特征建模的方法构造特征模板，传统的图像分类方法不能得到很好的检测效果。
[0088]
随着深度学习技术的发展，基于有监督深度学习的图像识别方法已逐渐成熟，识别性能得到大幅的提升。然而，在高速铁路声屏障异常检测任务中，异常样本的获取非常困难，样本数量非常少，直接通过深度网络进行特征学习并不能对目标异常状态进行有效地表达，检测结果准确率较低。
[0089]
基于自编码器(autoencoder)的图像异常检测方法只使用正常图像进行训练，使自编码器可以重建出正常图像，当输入异常图像时，该图像与重建图像之间的重建误差会较大，则可识别出异常图像。然而，异常状态属于图像的高级语义特征，而自编码器的重建
误差是依据两幅图像的像素差异进行度量，因此，该方法的检测结果不稳定。此外，自编码器对图像噪声、模糊以及光照条件变化都比较敏感，输入图像的任何微小变化都可能造成差异较大的重建结果。
[0090]
为解决上述问题，本研究提出基于无监督学习的声屏障异常检测网络，该网络在自编码器的基础上，增加了一个两分支的深度卷积神经网络，用于提取输入图像和重建图像的深度特征，并对两种深度特征进性相似性度量。该网络不仅要求重建图像与输入图像的重建误差最小，还要求重建图像的深度特征与输入图像的深度特征之间的距离最小，即，相同类别图像的高级语义特征相同，以降低自编码器对图像噪声、模糊、光照条件变化等外界因素的敏感度，达到提升目标异常检测的精度的目的。网络整体架构如图7所示。
[0091]
网络训练阶段，首先，将正常状态的声屏障图像x输入到编码器得到深度特征，并利用解码器将深度特征映射成图像，得到重建图像x'。然后，将图像x和重建图像x'输入到一个两分支的深度卷积神经网络中，得到两幅图像的深度特征f(x)和f(x')，该两分支深度卷积神经网络的权重参数是共享的。最后，使用x和x'计算图像的重建误差损失，使用f(x)和f(x')计算深度特征相似性度量损失，将两种损失相加，作为优化网络模型的总体损失。
[0092]
实际使用时，输入一张待检测声屏障图像，先利用自编码器得到重建图像，再提取两幅图像的深度特征，最后，计算深度特征之间的差异。由于模型训练阶段只使用了正常状态图像，当待检测图像为异常时，重建图像的深度特征与待检测图像的深度特征之间的差异必然很大，即可获知待检测图像为异常状态。
[0093]
在上述模型中，重建误差损失函数使用l1距离，即，当重建图像的每个像素与输入图像的每个像素都相同时，两幅图像之间的重建误差最小。深度特征相似性度量损失函数通常使用l2距离，即，当两个深度特征向量属于同一类别时，其欧式距离最小。因此，上述模型的整体损失函数定义如下：
[0094][0095][0096][0097]
f(x)＝w
t
x+b＝||w||||x||cos(θ)+b；
[0098]
式中，n为训练样本总数，x
i
为第i个训练样本图像，x'
i
为重建图像，f(x)为提取样本x的深度特征向量，w为权重参数，b为偏置项。该损失函数不仅要求图像重建误差小，还要求重建图像的深度特征与输入图像的深度特征相似，即，相同类别图像的高级语义特征相同。
[0099]
从上述描述可知，本发明实施例提供的高速铁路声屏障缺损检测方法，通过综合巡检车挂载数码摄像机和惯性组件，拍摄高速铁路运行环境视频数据和车体姿态数字信号模拟数据；基于多源数据配准的车体姿态补偿方法，对采集得到的高速铁路运行环境视频数据和车体姿态数字信号模拟数据进行配准；基于像素清晰度评价的最优拼接模型，对高速铁路运行环境视频进行全景图拼接；采集得到的正常声屏障图像，训练基于无监督学习的高速铁路声屏障异常检测网络，对拼接的全景图进行声屏障缺损检测，实现了无监督条件下车载动态检测高速铁路声屏障缺损的目的，在一定程度上保障了高速铁路运行安全，
具有较好的实用价值。
[0100]
在本发明的一实施例中，在基于像素清晰度评价的最优拼接模型，对高速铁路运行环境视频进行全景图拼接之前，还包括：
[0101]
将所述高速铁路运行环境视频数据进行无损的信息抽取，得到全景图格式数据。
[0102]
在本步骤中，构建高速铁路运行环境视频的全景拼接模型，将海量的视频数据进行无损的信息抽取，得到轻量级的全景图格式，以降低视频数据的存储和访问开销，将视频转化为一种更适合于人工检视或计算机进行分析处理的形式；之后基于生成的全景图像，提出基于无监督学习的高速铁路声屏障异常检测网络，实现高速铁路声屏障缺损的自动识别。
[0103]
本发明实施例提供一种能够实现所述高速铁路声屏障缺损检测方法中全部内容的高速铁路声屏障缺损检测装置的具体实施方式，参见图8，所述高速铁路声屏障缺损检测装置具体包括如下内容：
[0104]
采集单元10，用于综合巡检车挂载数码摄像机和惯性组件，拍摄高速铁路运行环境视频数据和车体姿态数字信号模拟数据；
[0105]
配准单元20，用于基于多源数据配准的车体姿态补偿方法，对采集得到的高速铁路运行环境视频数据和车体姿态数字信号模拟数据进行配准；
[0106]
拼接单元30，用于基于像素清晰度评价的最优拼接模型，对高速铁路运行环境视频进行全景图拼接；
[0107]
检测单元40，用于采集得到的正常声屏障图像，训练基于无监督学习的高速铁路声屏障异常检测网络，对拼接的全景图进行声屏障缺损检测。
[0108]
进一步的，还包括：
[0109]
优化单元，用于将所述高速铁路运行环境视频数据进行无损的信息抽取，得到全景图格式数据。
[0110]
本发明提供的高速铁路声屏障缺损检测装置的实施例具体可以用于执行上述实施例中的高速铁路声屏障缺损检测方法的实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
[0111]
从上述描述可知，本发明实施例提供的高速铁路声屏障缺损检测装置，通过综合巡检车挂载数码摄像机和惯性组件，拍摄高速铁路运行环境视频数据和车体姿态数字信号模拟数据；基于多源数据配准的车体姿态补偿方法，对采集得到的高速铁路运行环境视频数据和车体姿态数字信号模拟数据进行配准；基于像素清晰度评价的最优拼接模型，对高速铁路运行环境视频进行全景图拼接；采集得到的正常声屏障图像，训练基于无监督学习的高速铁路声屏障异常检测网络，对拼接的全景图进行声屏障缺损检测，实现了无监督条件下车载动态检测高速铁路声屏障缺损的目的，在一定程度上保障了高速铁路运行安全，具有较好的实用价值。
[0112]
本申请提供一种用于实现所述高速铁路声屏障缺损检测方法中的全部或部分内容的电子设备的实施例所述电子设备具体包含有如下内容：
[0113]
处理器(processor)、存储器(memory)、通信接口(communications interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现相关设备之间的信息传输；该电子设备可以是台式计算机、平板电脑及移动终端
等，本实施例不限于此。在本实施例中，该电子设备可以参照实施例用于实现所述高速铁路声屏障缺损检测方法的实施例及用于实现所述高速铁路声屏障缺损检测装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
[0114]
图9为本申请实施例的电子设备9600的系统构成的示意框图。如图9所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图9是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
[0115]
一实施例中，高速铁路声屏障缺损检测功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：
[0116]
综合巡检车挂载数码摄像机和惯性组件，拍摄高速铁路运行环境视频数据和车体姿态数字信号模拟数据；基于多源数据配准的车体姿态补偿方法，对采集得到的高速铁路运行环境视频数据和车体姿态数字信号模拟数据进行配准；基于像素清晰度评价的最优拼接模型，对高速铁路运行环境视频进行全景图拼接；采集得到的正常声屏障图像，训练基于无监督学习的高速铁路声屏障异常检测网络，对拼接的全景图进行声屏障缺损检测。
[0117]
在另一个实施方式中，高速铁路声屏障缺损检测装置可以与中央处理器9100分开配置，例如可以将高速铁路声屏障缺损检测配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现高速铁路声屏障缺损检测功能。
[0118]
如图9所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图9中所示的所有部件；此外，电子设备9600还可以包括图9中没有示出的部件，可以参考现有技术。
[0119]
如图9所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
[0120]
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
[0121]
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。
[0122]
该存储器9140可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为eprom等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
[0123]
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如
消息传送应用、通讯录应用等)的各种驱动程序。
[0124]
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
[0125]
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
[0126]
本发明的实施例还提供能够实现上述实施例中的高速铁路声屏障缺损检测方法中全部步骤的一种计算机可读存储介质，所述计算机可读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实施例中的高速铁路声屏障缺损检测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
[0127]
综合巡检车挂载数码摄像机和惯性组件，拍摄高速铁路运行环境视频数据和车体姿态数字信号模拟数据；基于多源数据配准的车体姿态补偿方法，对采集得到的高速铁路运行环境视频数据和车体姿态数字信号模拟数据进行配准；基于像素清晰度评价的最优拼接模型，对高速铁路运行环境视频进行全景图拼接；采集得到的正常声屏障图像，训练基于无监督学习的高速铁路声屏障异常检测网络，对拼接的全景图进行声屏障缺损检测。
[0128]
本发明是参照根据本发明实施例的方法、装置(系统)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。
[0129]
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。
[0130]
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。
[0131]
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。