一种基于深度学习的进站铁路货运列车车厢计数方法

摘要

本发明涉及铁路运输安全控制领域，更具体地，本发明涉及一种基于深度学习的进站铁路货运列车车厢计数方法。所述方法包括：提取铁路货运列车进站视频流中的图像帧以构建铁路货运列车数据集；构建高斯模型，并对所述铁路货运列车数据集预测，获得第一预测结果和第二预测结果；将所铁路货运列车进站视频流中的图像帧输入到预设的目标检测模型中，获得第一检测结果和第二检测结果；响应于列车车厢数与车厢间隙数不相等，计算目标框的检测结果准确度、列车车厢计数准确度和车厢间隙计数准确度，获(56)对比文件曹福来 等.基于体素栅格的矿区敞车车厢自动定位与分割的研究《.矿业研究与开发》.2023,195-201.王豪男 等.基于交叉并行卷积神经网络的货物列车车厢号识别系统《.制造业自动化》.2019,第41卷(第3期),4-7.赵耘华.基于物联网的货运站列车探测识别系统设计研究《.上海铁道科技》.2016,68-70.

权利要求

1.一种基于深度学习的进站铁路货运列车车厢计数方法，其特征在于，包括以下步骤：提取铁路货运列车进站视频流中的图像帧以构建铁路货运列车数据集，所述铁路货运列车数据集包括列车车厢候选框和车厢间隙候选框；

基于候选框面积构建高斯模型，并对所述铁路货运列车数据集预测，获得第一预测结果和第二预测结果，所述第一预测结果为候选框属于列车车厢候选框的概率，所述第二预测结果为候选框属于车厢间隙候选框的概率；

将铁路货运列车进站视频流中的图像帧输入到预设的目标检测模型中，获得第一检测结果和第二检测结果，所述第一检测结果为列车车厢目标框对应的置信度和分类概率，所述第二检测结果为车厢间隙目标框对应的置信度和分类概率；

响应于列车车厢数与车厢间隙数相等，检测结果正确；

响应于列车车厢数与车厢间隙数不相等，计算目标框的检测结果准确度，所述目标框包括列车车厢目标框与车厢间隙目标框，基于所述目标框的检测结果准确度计算列车车厢计数准确度和车厢间隙计数准确度，以获取列车车厢数。

2.根据权利要求1所述的一种基于深度学习的进站铁路货运列车车厢计数方法，其特征在于，所述目标框的检测结果准确度满足关系式：其中， 表示第i个目标框的检测结果准确度， 表示第i个目标框的置信度，表示第i个目标框的分类概率， 表示第i个目标框属于对应的高斯模型的概率。

3.根据权利要求1所述的一种基于深度学习的进站铁路货运列车车厢计数方法，其特征在于，所述列车车厢计数的准确度和车厢间隙计数的准确度均满足关系式：其中， 表示第j个类别计数的准确度， 表示第j个类别中第i个目标框的检测结果准确度，k表示第j个类别目标框的个数， 表示第j个类别目标框检测结果准确度的方差。

4.根据权利要求1所述的一种基于深度学习的进站铁路货运列车车厢计数方法，其特征在于，所述预设的目标检测模型的构建包括：基于所述铁路货运列车数据集训练目标检测模型，获得候选框的位置坐标和分类概率，所述候选框包括列车车厢候选框和车厢间隙候选框；

使用优化算法优化目标检测模型参数，损失函数使用回归损失、置信度损失和分类损失；

响应于目标检测模型出现随着训练次数的增加，在测试集上的测试效果变差的情况，停止训练；

基于模型评价指标的精确率和召回率选择最优的目标检测模型。

5.根据权利要求1所述的一种基于深度学习的进站铁路货运列车车厢计数方法，其特征在于，所述获得列车车厢数包括：计算得到列车车厢计数准确度和车厢间隙计数准确度；

响应于列车车厢计数准确度大于车厢间隙计数准确度，列车车厢计数为实际列车车厢数；

响应于列车车厢计数准确度小于车厢间隙计数准确度，车厢间隙计数为实际列车车厢数。

6.根据权利要求1所述的一种基于深度学习的进站铁路货运列车车厢计数方法，其特征在于，还包括：基于聚类算法将所述列车车厢候选框聚类为设定数量的聚类簇，并将所述车厢间隙候选框聚类为所述设定数量的聚类簇，分别用yolov5的三个输出层进行预测大、中、小物体，基于所述设定数量的聚类簇完成初始锚框长宽的设定。

7.根据权利要求1‑6任意一项所述的一种基于深度学习的进站铁路货运列车车厢计数方法，其特征在于，还包括多列货运列车车厢计数：同一辆列车的目标框会越过定义在图像中间竖直基准线的同一位置，统计目标框时统计越过相同位置的竖直基准线，从而对每辆列车车厢数进行精确计数。

说明书

一种基于深度学习的进站铁路货运列车车厢计数方法

技术领域

[0001] 本发明一般地涉及铁路运输安全控制领域。更具体地，本发明涉及一种基于深度学习的进站铁路货运列车车厢计数方法。

背景技术

[0002] 列车车厢计数是铁路公司日常工作之一，它对列车的运输管理、安全管理、进出站管理、统计分析、以及铁路公司的财务分析有重要意义。准确计数车厢可以帮助铁路管理部门对车辆进行有效的安全管理。在列车发车前、途中和到达目的地时，通过车厢计数可以确保列车的完整性，防止车辆脱落等安全问题，并且车厢计数对于运输调度和列车编组具有重要意义。知道列车的车厢数量，铁路公司可以根据货物或乘客的需求合理安排列车的编组，优化运输资源，提高运输效率。

[0003] 目前国内常采用铁路车号自动识别系统(ATIS)来进行车厢计数，在实际使用过程中，由于工作环境恶劣，该系统会因为电子标签损坏、丢失的原因造成车厢计数不准确的现象。部分站点选择使用人工计数的方法对列车车厢数进行统计，此方法存在人员工作强度大，计数不准的问题。

发明内容

[0004] 为解决上述一个或多个技术问题，本发明提出提取铁路货运列车进站视频流中的图像帧以构建铁路货运列车数据集；构建高斯模型，并对所述铁路货运列车数据集预测，获得第一预测结果和第二预测结果；将所铁路货运列车进站视频流中的图像帧输入到预设的目标检测模型中，获得第一检测结果和第二检测结果；响应于列车车厢数与车厢间隙数不相等，计算目标框的检测结果准确度、列车车厢计数准确度和车厢间隙计数准确度，获得列车车厢数。为此，本发明在如下的多个方面中提供方案。

[0005] 在一个实施例中，包括：提取铁路货运列车进站视频流中的图像帧以构建铁路货运列车数据集，所述铁路货运列车数据集包括列车车厢候选框和车厢间隙候选框；基于候选框面积构建高斯模型，并对所述铁路货运列车数据集预测，获得第一预测结果和第二预测结果，所述第一预测结果为候选框属于列车车厢候选框的概率，所述第二预测结果为候选框属于车厢间隙候选框的概率；将铁路货运列车进站视频流中的图像帧输入到预设的目标检测模型中，获得第一检测结果和第二检测结果，所述第一检测结果为列车车厢目标框对应的置信度和分类概率，所述第二检测结果为车厢间隙目标框对应的置信度和分类概率；响应于列车车厢数与车厢间隙数相等，检测结果正确；响应于列车车厢数与车厢间隙数不相等，计算目标框的检测结果准确度，所述目标框包括列车车厢目标框与车厢间隙目标框，基于所述目标框的检测结果准确度计算列车车厢计数准确度和车厢间隙计数准确度，以获取列车车厢数。

[0006] 在一个实施例中，所述列车车厢目标框与车厢间隙目标框的检测结果准确度均满足关系式：

[0007]

[0008] 其中， 表示第i个目标框的检测结果准确度， 表示第i个目标框的置信度， 表示第i个目标框的分类概率， 表示第i个目标框属于对应的高斯模型的概率。

[0009] 在一个实施例中，所述列车车厢计数的准确度和车厢间隙计数的准确度均满足关系式：

[0010]

[0011] 其中， 表示第j个类别计数的准确度， 表示第j个类别中第i个目标框的检测结果准确度，k表示第j个类别目标框的个数， 表示第j个类别目标框检测结果准确度的方差。

[0012] 在一个实施例中，所述预设的目标检测模型的构建包括：基于所述铁路货运列车数据集训练目标检测模型，获得候选框的位置坐标和分类概率，所述候选框包括列车车厢候选框和车厢间隙候选框；使用优化算法优化目标检测模型参数，损失函数使用回归损失、置信度损失和分类损失；响应于目标检测模型出现随着训练次数的增加，在测试集上的测试效果变差的情况，停止训练；基于模型评价指标的精确率和召回率选择最优的目标检测模型。

[0013] 在一个实施例中，所述获得列车车厢数包括：计算得到列车车厢计数准确度和车厢间隙计数准确度；响应于列车车厢计数准确度大于车厢间隙计数准确度，列车车厢计数为实际列车车厢数；响应于列车车厢计数准确度小于车厢间隙计数准确度，车厢间隙计数为实际列车车厢数。

[0014] 在一个实施例中，还包括：基于聚类算法将所述列车车厢候选框聚类为设定数量的聚类簇，并将所述车厢间隙候选框聚类为所述设定数量的聚类簇，分别用yolov5的三个输出层进行预测大、中、小物体，基于所述设定数量的聚类簇完成初始锚框长宽的设定。

[0015] 在一个实施例中，还包括多列货运列车车厢计数：同一辆列车的目标框会越过定义在图像中间竖直基准线的同一位置，统计目标框时统计越过相同位置的竖直基准线，从而对每辆列车车厢数进行精确计数。

[0016] 本发明的具有以下有益效果：

[0017] 1.通过采集列车车厢数与车厢间隙数，并计算列车车厢计数准确度与车厢间隙计数准确度，使铁路货运列车车厢计数更加准确高效。

[0018] 2.能够在保证铁路货运列车车厢计数精确度的同时满足多辆铁路货运列车进行车厢计数工作，使计数工作更加高效。

附图说明

[0019] 通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

[0020] 图1是本发明实施例一种基于深度学习的进站铁路货运列车车厢计数方法的流程图。

具体实施方式

[0021] 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、完整地描述，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。

[0022] 应当理解，当本发明的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

[0023] 本发明提供了一种基于深度学习的进站铁路货运列车车厢计数方法。图1是根据本发明实施例的一种基于深度学习的进站铁路货运列车车厢计数方法的流程图。如图1所示，一种基于深度学习的进站铁路货运列车车厢计数方法包括步骤S1至S4，以下具体说明。

[0024] S1，提取铁路货运列车进站视频流中的图像帧以构建铁路货运列车数据集。

[0025] 在一个实施例中，通过相机拍摄铁路货运列车进站视频，将视频转化为图片，使用Python(Python Programming Language)语言中第三方工具labellmg(LabelImg Annotation Tool，图像标注工具)对图片中的列车车厢和车厢间隙进行标注，完成铁路货运列车数据集的构建。

[0026] 具体的，通过相机拍摄铁路货运列车进站视频，在不同的环境下进行拍摄，如一辆铁路货运列车经过、多辆铁路货运列车经过、下雨天、雾天、下雪天，以保证数据来源的多样性，使用python将将视频转化为图片，每隔10帧取一张图片，使用python第三方工具labelimg对图片中的列车车厢和车厢间隙进行标注，标注完成后保存为.txt文件，完成铁路货运列车数据集的构建。并对铁路货运列车数据集进行旋转、剪切、缩放、翻转等数据增强操作。

[0027] S2，构建高斯模型，并对铁路货运列车数据集预测，获得第一预测结果和第二预测结果，第一预测结果为候选框属于列车车厢候选框的概率，第二预测结果为候选框属于车厢间隙候选框的概率。

[0028] 在一个实施例中，对铁路货运列车数据集中列车车厢候选框和车厢间隙候选框分别进行聚类。

[0029] 示例性的，使用k‑means算法(K均值算法)将每种类别的候选框聚类成三个聚类簇，分别用在yolov5(目标检测器)的三个输出层中来进行预测大、中、小物体，根据聚类结果完成初始锚框的长宽设定。同时，对铁路货运列车数据集中列车车厢候选框和车厢间隙候选框分别进行建立高斯模型，得到列车车厢候选框的高斯模型，用来判断预测出的候选框属于列车车厢候选框的概率，得到车厢间隙候选框的高斯模型，用来判断预测出的候选框属于车厢间隙候选框的概率，高斯模型的建立根据候选框的面积。

[0030] S3，将铁路货运列车进站视频流中的图像帧输入到预设的目标检测模型中，获得第一检测结果和第二检测结果，第一预测结果为候选框属于列车车厢候选框的概率，第二预测结果为候选框属于车厢间隙候选框的概率。

[0031] 其中，预设的目标检测模型的构建包括：基于铁路货运列车数据集训练目标检测模型，获得候选框的位置坐标和分类概率，候选框包括列车车厢候选框和车厢间隙候选框；使用优化算法优化目标检测模型参数，损失函数使用回归损失、置信度损失和分类损失；响应于目标检测模型出现随着训练次数的增加，在测试集上的测试效果变差的情况，停止训练；基于模型评价指标的精确率和召回率选择最优的目标检测模型。

[0032] 在一个实施例中，使用铁路货运列车数据集训练目标检测模型yolov5，输入为铁路货运列车图片和图片对应的标签，输出为图片中列车车厢候选框的位置坐标和车厢间隙候选框的位置坐标，以及每个候选框对应类别的分类概率，模型使用Adam算法优化模型参数，损失函数使用回归损失、置信度损失和分类损失，当模型训练次数达到设定的最大训练次数，或模型出现随着训练次数的增加模型的性能下降（性能下降指模型在测试集上的测试效果变差）的情况停止训练。根据模型的评价指标F1准则选择最优的目标检测模型。

[0033] 其中，输入新的图像，使用训练好的最优模型对图像进行目标检测，得到图像中列车车厢的目标框、每个目标框对应的置信度和分类概率，以及车厢间隙的目标框、每个目标框对应的置信度和分类概率，当铁路货运列车通过摄像头拍摄区域后可以得到该列车一共有多少车厢和车厢间隙。

[0034] 具体地，列车车厢和车厢间隙的计数过程如下：

[0035] 输入新的图像或视频到训练好的目标检测模型中，在图像的中间设置一条竖直的基准线，当检测到的目标框整体越过该基准线时，对该目标框对应的类别计数加1。

[0036] 在一个实施例中，列车从图像中的右边往左边行驶，当一个列车车厢的目标框从右边往左边完全通过设置的基准线时，列车车厢的个数加1，当铁路货运列车完全通过该摄像头拍摄的区域后，可以得到通过的列车车厢目标框个数有多少及每个目标框对应的置信度（表示目标框中包含物体的概率，在本发明中表示目标框中包含列车车厢或车厢间隙的概率）、类别概率，以及车厢间隙目标框个数有多少、每个目标框对应的置信度、类别概率。至此，得到通过站台货运列车的车厢个数和车厢间隙个数。

[0037] S4，根据步骤S3得到的车厢个数和车厢间隙个数，响应于列车车厢数与车厢间隙数相等，检测结果正确；响应于列车车厢数与车厢间隙数不相等，计算目标框的检测结果准确度，目标框包括列车车厢目标框与车厢间隙目标框，基于目标框的检测结果准确度计算列车车厢计数准确度和车厢间隙计数准确度，从而获得列车车厢数。

[0038] 具体的，列车车厢数与车厢间隙数相等，检测结果正确，其中，铁路货运列车的车厢数和车厢间隙数是相等的，其中车头和第一个车厢的间隙也是车厢间隙，即使有多辆铁路货运列车同时通过站台，整体的车厢数和车厢间隙数也是相等的。

[0039] 具体的，列车车厢数与车厢间隙数不相等，根据检测到的列车车厢目标框、其对应的置信度和分类概率以及车厢间隙检测到的目标框、对应的置信度和分类概率判断哪个计数更为准确。具体计算过程如下：首先，根据检测到的目标框和车厢候选框、车厢间隙候选框对应的高斯模型得到每个目标框属于其对应高斯模型的概率，然后计算每个目标框的检测结果准确度，计算公式如下：

[0040]

[0041] 其中， 表示第i个目标框的检测结果准确度， 表示第i个目标框的置信度， 表示第i个目标框的分类概率， 表示第i个目标框属于对应的高斯模型的概率。目标框的置信度越高，分类概率越高，属于对应的高斯模型的概率越高，则目标框的检测结果准确度越高。分别计算列车车厢每个目标框的准确度，得到列车车厢目标框的准确度序列，分别计算车厢间隙每个目标框的准确度，得到车厢间隙目标框的准确度序列，根据准确度序列分别计算出列车车厢计数的准确度和车厢间隙计数的准确度，计算公式如下：

[0042]

[0043] 其中， 表示第j个类别计数的准确度， 表示第j个类别中第i个目标框的检测结果准确度，k表示第j个类别目标框的个数， 表示第j个类别目标框检测结果准确度的方差。

[0044] 得到列车车厢计数的准确度和车厢间隙计数的准确度后，比较两个计数准确度的大小，大的即为货运列车车厢计数的最终结果。

[0045] 其中，还包括：如果进站铁路货运列车较多，可以根据铁路货运列车所处的位置对每辆铁路货运列车的车厢数进行精确计数。

[0046] 在一个实施例中，同一时刻进站的货运列车较多，使用上述方法对不同货运列车进行精确计数，只需要在统计目标框时统计越过相同位置的竖直基准线，因为同一辆列车的目标框会越过定义在图像中间竖直基准线的同一位置，因此，上述方法可以在多辆货运列车同时经过站台的情况下，对每辆列车车厢数进行精确计数。

[0047] 以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

[0048] 以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。