一种利用神经网络模型对铁路上道工具进行识别的方法与流程

本公开涉及图像识别，特别地涉及一种利用神经网络模型对铁路上道工具进行识别的方法。

背景技术：

1、鉴于我国铁路系统体系的现状及未来的发展需求，需要强化铁路系统的安全管理机制，但是当前有个各种因素限制铁路系统安全管理机制的发展，导致在对铁路上道作业人员安全管理方面存在较大问题，严重时可能导致铁路重大事故的发生，造成生命财产的重大损失。

2、随着铁路事业的蓬勃发展，铁路上道工具的品类和数量也日益繁多，考虑到维修现场的复杂性以及作业人员需要使用的上道工具种类的多样性，若因维修人员操作不当而导致上道工具遗落在铁路线路上，其后果将十分严重，因此对铁路上道工具管理系统的研究显得尤为重要。目前铁路从业人员主要运用工具箱对所携带的上道工具进行妥善的存放和管理。

3、一般的，在铁路上道工具识别方法中大多是依靠于专用检测带和安检通道门，工人需要将上道工具放于检测带上，通过安检通道门等设备以确保携带上道工具没有遗漏。这些庞大的设备不仅占地较大，且难以移动，需要专门的房间以安置检测设备。除此之外，还需要专门的人员参与检测，提升运作成本。需要工人在上道工具上贴装专用检测贴片。这些检测贴片包含定位模块，维修身份识别码(二维码)，个体编号等，并以这些贴片为目标进行检测。每个上道工具都需要粘贴，现场工作中会存在偶然需要大量工具的情况，这些情况发生时，粘贴检测贴片会降低工作效率。如果检测贴片丢失，即使上道工具已带出，也会识别为上道工具丢失。

技术实现思路

1、本公开提供一种利用神经网络模型对铁路上道工具进行识别的方法，以解决现有的铁路上道工具识别方法流程复杂，漏检误检风险高的问题。

2、第一方面，本公开提供了一种利用神经网络模型对铁路上道工具进行识别的方法，所述神经网络模型包括主干网络、注意力模块、颈部网络和头部网络，包括：

3、获取铁路上道工具的工具图像；

4、将所述工具图像输入至所述主干网络，提取所述工具图像的特征，得到图像特征信息；

5、将所述图像特征信息输入所述注意力模块，对所述图像特征信息进行图像特征增强，获得注意力增强特征图；

6、将所述注意力增强特征图依次输入所述颈部网络和所述头部网络，获得所述工具图像中所述铁路上道工具的位置和类别。

7、在一些实施例中，所述注意力模块包括通道注意力模块和空间注意力模块；

8、将所述图像特征信息输入所述注意力模块，对所述图像特征信息进行图像特征增强，获得注意力增强特征图的步骤包括：

9、将所述图像特征信息输入所述通道注意力模块，得到通道注意力特征图；

10、将所述图像特征信息输入所述空间注意力模块，得到空间注意力特征图；

11、基于所述通道注意力特征图与所述空间注意力特征图，得到所述注意力增强特征图。

12、在一些实施例中，将所述图像特征信息输入通道注意力模块，得到通道注意力特征图的步骤包括：

13、将所述图像特征信息输入通道注意力模块中进行最大池化操作和平均池化操作，获得对应的两个第一中间特征图；

14、将对应的两个第一中间特征图输入多层感知器，获得第一特征图；

15、将所述第一特征图输入激活函数，获得通道注意力向量；

16、将所述通道注意力向量与所述工具图像相乘，得到通道注意力特征图；

17、将所述图像特征信息输入空间注意力模块，得到空间注意力特征图的步骤包括：

18、将所述图像特征信息输入空间注意力模块中进行最大池化操作和平均池化操作，获得对应的两个第二中间特征图；

19、将对应的两个第二中间特征图沿通道维度进行连接，并输入卷积层，获得第二特征图；

20、将所述第二特征图输入激活函数，得到空间注意力向量；

21、将所述空间注意力向量与所述工具图像相乘，得到空间注意力特征图。

22、在一些实施例中，所述神经网络模型的训练过程，包括：

23、对铁路上道工具的工具图像进行标注，得到所述工具图像的标注框及其真实类别，所述标注框用于指示铁路上道工具的真实位置；

24、将工具图像输入至所述主干网络，提取所述工具图像的特征，得到图像特征信息；

25、将所述图像特征信息输入所述注意力模块，对所述图像特征信息进行图像特征增强，获得注意力增强特征图；

26、将所述注意力增强特征图依次输入所述颈部网络和所述头部网络，获得工具图像的预测框及其预测类别，所述预测框用于指示铁路上道工具的预测位置；

27、计算所述预测框及其预测类别、与所述标注框及其真实类别之间的损失值；

28、基于所述损失值更新主干网络、cbam模块、颈部网络和头部网络的参数。

29、在一些实施例中，将所述注意力增强特征图依次输入所述颈部网络和所述头部网络，获得所述工具图像中所述铁路上道工具的位置和类别的步骤包括：

30、将所述注意力增强特征图输入所述颈部网络，对注意力增强特征图进行不同尺度的整合，得到整合后的注意力增强特征图；

31、将整合后的注意力增强特征图输入所述头部网络，对整合后的注意力增强特征图进行特征识别，获得工具图像中铁路上道工具的位置和类别。

32、在一些实施例中，将所述工具图像输入至所述主干网络前，通过缩放、旋转或增强明暗度对比中的一种或多种预处理操作对所述工具图像进行预处理，获得预处理后的工具图像。

33、第二方面，本公开提供了一种利用神经网络模型对铁路上道工具进行识别的装置，包括：

34、图像获取模块，用于获取铁路上道工具的工具图像；

35、特征信息获取模块，用于将所述工具图像输入至所述主干网络，提取所述工具图像的特征，得到图像特征信息；

36、特征图获取模块，用于将所述图像特征信息输入所述注意力模块，对所述图像特征信息进行图像特征增强，获得注意力增强特征图；

37、识别模块，用于将所述注意力增强特征图依次输入所述颈部网络和所述头部网络，获得所述工具图像中所述铁路上道工具的位置和类别。

38、第三方面，本公开提供了一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现上述方面所述方法的步骤。

39、第四方面，本公开提供了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上述方面所述方法的步骤。

40、第五方面，本公开提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方面所述方法的步骤。

41、本发明的有益效果如下：

42、本公开提供的一种利用神经网络模型对铁路上道工具进行识别的方法，通过获取铁路上道工具的工具图像；将工具图像输入至主干网络，提取工具图像的特征，得到图像特征信息；将图像特征信息输入注意力模块，对图像特征信息进行图像特征增强，获得注意力增强特征图；将注意力增强特征图依次输入颈部网络和头部网络，获得工具图像中铁路上道工具的位置和类别；本发明通过将注意力模块引入神经网络模型提升了网络对小目标的识别能力，识别流程简单，降低了漏检误检的风险。