一种基于图像识别的地铁防淹门状态监测方法与流程

本发明涉及图像识别领域，具体涉及一种基于图像识别的地铁防淹门状态监测方法。

背景技术：

1、由于地铁系统具有高时效、高运量的特色，各国主要城市将地铁网作为公共交通出行和运输的骨干网络，是大多数通勤族的首选。而地铁系统主要是在地下开凿隧道以构成轨道路网，但构建路网时并无法使隧道完全避开如断层带、过河段、出土段或路网交会处等可能的涌水点，加上近年来气候渐趋极端，出现暴雨并酿成洪灾的机率相对提高，会对乘坐地铁出行的人员造成人身安全威胁和财产损失。为了避免这一灾难，一些城市地铁线路采用升降式防淹门、液压摆臂式防淹门等，都是为了避免暴雨天气地铁被淹以及造成不必要的人员伤害与财产损失。

2、由上述可知，升降式防淹门在现代化地铁系统具有重要性和必要性，其防灾减灾作用明显，但如何在高可靠度、高安全性及高时效性等条件下控制防淹门的启闭，亟需设计更加科学和智能的方法。

3、在无法精确预知灾害发生时机的状况下，地铁系统在营运时间内，其隧道中当然维持着列车的正常运行，而一旦关闭防水闸门后即将整段的隧道完全封闭。尽管灾害防制措施必须及时且有效地执行，但必须在灾害状况被有效确认后为之，以避免误触或恶意启动之情况发生，因而升降式防淹门的闸门控制必须避免发生过犹不及的状况，始终能确保系统的稳定性与可靠度，如果需要满足此要求，可以采用深度学习等智能学习算法和模型。升降式防淹门状态检测与深度学习相结合来防治灾害，可以大大提高检测效率，通过自动化手段控制防淹门的启动，节省大量的人力物力资源。

技术实现思路

1、有鉴于此，本发明的目的是提供一种基于图像识别的地铁防淹门的状态监测方法。用于克服现有技术中存在的升降式防淹门闸门控制的种种弊端。

2、本发明的目的是通过以下技术方案实现的：

3、一种基于图像识别的地铁防淹门状态监测方法，所述方法包括：

4、s1、对地铁防淹门的状态图进行采集，并将多张地铁防淹门原始图像进行预处理，形成深度神经网络图像分类模型，并对该模型进行训练；

5、s2、将该模型用于防淹门现场所获得的实时现场图像的识别中，一旦发现防淹门所在处的水位出现异常情况，则发出预警信号并采取进一步的避险措施。

6、s3、采用本发明提出的reslnet网络进行地铁升降式防淹门状态图像的识别分类；

7、s4、基于迁移学习的场景，在大规模数据集imagenet上进行模型训练，并将其迁移到地图防淹门图像数据集，实现地图防淹门状态的准确识别分类，具体模型参见图4。

8、s5、为提升模型的分类准确率，对采集到的升降式防淹门状态图像采用数据增强技术进行数据增强，获得丰富的训练样本用于模型训练，提升模型的鲁棒性和泛化能力。

9、s501、所述数据增强技术包括比例缩放、水平/垂直翻转和图像随机裁剪。

10、s502、在进行模型训练以及防淹门现场所获得的实时现场图像的处理中，通过opencv库处理多张防淹门图像，并实现特征提取。

11、s6、通过opencv处理的步骤如下：

12、s601、在opencv中利用resize(·)函数重新设置大小，统一输入地铁升降式防淹门图像大小；

13、s602、retval＝img[y:y+h,x:x+w].copy()函数对输入的地铁升降式防淹门图像进行随机裁剪，作为一种选择，可以设置裁剪的大小为330，将输入的图随机裁剪为330*330(超低分辨率，占用空间小)的图像，其中x，y为像素值，是地铁升降式防淹门图像裁剪矩形区域的坐标值，w，h为像素值，是地铁升降式防淹门图像裁剪矩形区域的宽度、高度；

14、s603、利用im1＝opcv.flip(im,1)和im2＝opcv.flip(im,0)函数对随机裁剪后的地铁升降式防淹门图像分别依照默认的旋转概率进行水平/垂直翻转，其中opcv表示图像识别方法库，im为地铁升降式防淹门图像，0表示绕x轴翻转，1表示绕y轴翻转；

15、s604、利用opcv.getrotationmatrix2d和opcv.warpaffine对翻转后的地铁升降式防淹门图像进行随机旋转，根据旋转角度和位移来计算放射矩阵，返回放射矩阵，作为后续warpaffine操作的输入。例如：传入参数是15度，就沿x轴正方向逆时针旋转45度，目的是让最终得到的图像不会丢失任何信息，具体参见实施例三；

16、s605、利用normalize(·)函数对旋转变换后的地铁升降式防淹门图像进行归一化处理，使模型训练时梯度对每张图片的作用都是平均的；

17、s606、利用reslnet网络实现特征提取，在图像分类数据集上进行预训练得到reslnet的网络结构和参数。

18、s7、在图像识别时，基于迁移学习的场景，通过优化损失函数、分类器函数拟合监控的防淹门图像样本，分析图像并识别防淹门状态。

19、s8、将经过特征提取之后的向量x分割成了n个低维嵌入xi(i∈[1,n])，通过模型对低维表示进行变换，分别与相应的权重进行点积运算得到(wi·xi)，将全部低维向量聚合得

20、

21、s9、reslnet网络利用聚合变换的思想，采用一个更通用的函数代替初等变换(wi·xi)，聚合转换可以表示为：

22、

23、其中，z(xi)是任意函数，z(xi)将x投影到一个嵌入表示中，然后进行转换；j表示要聚合的转换集的数量；

24、最后将上述聚合转换f(x)用作残差函数，得到：

25、

26、其中，y为输出特征。

27、s10、利用多分类支持向量机对输出特征y进行分类；

28、定义损失函数c，用来衡量对预估结果的不满意程度；当评分函数输出结果与真实结果之间差异越大，损失函数越大，反之越小；每个样本损失函数求和取平均。

29、ci为第i条数据样本的多类svm的损失函数:

30、

31、对于有n个训练样本对应n个标签的训练集数据，损失函数定义为：

32、

33、其中，ci为第i条数据样本的多类svm的损失函数，ki表示正确分类的标签，表示在正确分类标签上的评分，rq表示在不正确分类标签上的评分，n为样本个数；通过优化损失函数，svm分类器函数将图像样本拟合，使得大部分样本输出的结果符合目标函数大于0；图像离超平面越远，评分绝对值越大，表示分类正确。

34、s11、所述地铁防淹门的控制线路及防淹门图像采集装置与设于地铁站内的近端监控系统连接，所述近端监控系统与设置在站外的远端监控中心连接，所述远端监控中心还与地铁控制中心的号志系统连接，并执行基于迁移学习技术的地铁防淹门状态检测图像识别的算法。

35、s12、所述远端监控中心识别到任一地铁站的现场图像出现水位异常时，立即通报地铁控制中心的号志系统，在确定隧道净空后，以遥控方式关闭升降式防淹门；当远端遥控无法正常执行时，则授权近端监控台执行近端遥控关闭作业。

36、本发明的有益效果是：

37、(1)本发明将图像识别技术与地铁防淹门的预防机制相结合，当识别到升降式防淹门存在异常状态时，立刻采取相应的防护措施阻止风险扩大，实现地铁防淹门的智能化控制，有效提升了防淹门使用过程中的安全性和及时性。

38、(2)本发明提出reslnet深度学习网络区别于传统的resnet网络，模型的参数更少，可以在不增加计算代价的前提下，提高图像识别的准确率。此外，reslnet网络结构更简单，更具通用性。

39、(3)本发明考虑到地铁防淹门状态识别的特殊性，对应设计适合的图像识别模型对实时图像进行高效率、高准确性的识别作业，同时通过数据增强的方法，如比例缩放、水平/垂直翻转和图像随机裁剪等技术，降低了图像成像的要求，进一步提高了模型的鲁棒性和泛化能力。

40、(4)本发明采用了多层控制方式，地铁防淹门的控制线路及防淹门图像采集装置与设于地铁站内的近端监控系统连接，近端监控系统与设置在站外的远端监控中心连接，远端监控中心还与地铁控制中心的号志系统连接，可实现远程实时控制。

41、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和前述的权利要求书来实现和获得。