本發(fā)明涉及圖像分析，具體是一種基于深度學(xué)習(xí)的2c鐵路接觸網(wǎng)場(chǎng)景深度算法。

背景技術(shù)：

1、鐵路接觸網(wǎng)是指供電鐵路系統(tǒng)中的一種電氣設(shè)備，用于向行駛中的列車提供電力。它由一系列的導(dǎo)線和支撐結(jié)構(gòu)組成，安裝在鐵路軌道上方或側(cè)面。導(dǎo)線通常由銅或鋁制成，呈現(xiàn)懸掛或剛性的形式，沿著鐵路軌道的一側(cè)或兩側(cè)延伸。支撐結(jié)構(gòu)用于固定和支撐導(dǎo)線，并確保其與地面之間的適當(dāng)間距。鐵路接觸網(wǎng)通過(guò)供電裝置將電能傳輸?shù)綄?dǎo)線上，列車通過(guò)接觸網(wǎng)上懸掛的彈性接觸裝置(如受電弓)與導(dǎo)線接觸，從而獲得所需的電力。這種供電方式使得列車能夠在運(yùn)行過(guò)程中獲取動(dòng)力，并為其他列車設(shè)備(如照明、制動(dòng)、信號(hào)系統(tǒng)等)提供電能。

2、鐵路接觸網(wǎng)的設(shè)計(jì)和規(guī)范會(huì)根據(jù)不同的鐵路系統(tǒng)和國(guó)家而有所差異，以適應(yīng)不同的列車類型、速度要求和供電標(biāo)準(zhǔn)。在鐵路運(yùn)營(yíng)中，維護(hù)和管理接觸網(wǎng)的正常運(yùn)行是至關(guān)重要的，以確保電力傳輸?shù)目煽啃院桶踩?，同時(shí)減少對(duì)列車運(yùn)行的干擾和故障。

3、鐵路接觸網(wǎng)兩側(cè)的樹木或其他建筑，在惡劣天氣情況下很容易對(duì)接觸網(wǎng)產(chǎn)生干擾，例如樹木傾斜或直接傾倒在接觸網(wǎng)上，或者大雪天氣樹木被壓彎有趨于干擾接觸網(wǎng)的情況，這些風(fēng)險(xiǎn)均需要進(jìn)行提前監(jiān)測(cè)，而判斷鐵路接觸網(wǎng)周邊樹木物體的距離成為一個(gè)比較行之有效的方法，現(xiàn)有技術(shù)在計(jì)算距離時(shí)，采用了縱向視差的方法，該方法在計(jì)算支柱到相機(jī)的距離是比較準(zhǔn)確的，通過(guò)縱向距離計(jì)算橫向的危樹距離時(shí)，由于車載相機(jī)捕獲的連續(xù)圖像幀中，不同距離物體的像素點(diǎn)加速度通常是不一樣的?？拷鄼C(jī)的物體在圖像中的像素點(diǎn)位置會(huì)發(fā)生變化更快，即加速度更大。而遠(yuǎn)離相機(jī)的物體則會(huì)相對(duì)較慢地移動(dòng)，其像素點(diǎn)的加速度較小。相反，當(dāng)車輛減速或停止時(shí)，靠近相機(jī)的物體相對(duì)較慢地移動(dòng)，而遠(yuǎn)離相機(jī)的物體則更快地靜止。因此，使用等長(zhǎng)的距離在計(jì)算縱向的距離，是會(huì)產(chǎn)生很大誤差的，特別對(duì)于遠(yuǎn)處的物體。

4、縱向視差方法測(cè)距時(shí)，需要獲取測(cè)距目標(biāo)前后幾幀的圖像信息，程序計(jì)算每幀圖像所需要的時(shí)間平均在330ms左右，那么再完整的計(jì)算整個(gè)檢測(cè)目標(biāo)時(shí)間將超過(guò)1000ms，對(duì)于1s內(nèi)40多幀以上的幀數(shù)要求是無(wú)法滿足的。

5、針對(duì)上述問(wèn)題，我們提供了一種基于深度學(xué)習(xí)的2c鐵路接觸網(wǎng)場(chǎng)景深度算法，以解決上述所提到的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于深度學(xué)習(xí)的2c鐵路接觸網(wǎng)場(chǎng)景深度算法，以解決上述背景技術(shù)中提出的問(wèn)題。

2、為解決動(dòng)態(tài)視差和計(jì)算超時(shí)等問(wèn)題，本發(fā)明提出一個(gè)計(jì)算深度的深度學(xué)習(xí)方法，本發(fā)明使用深度學(xué)習(xí)技術(shù)來(lái)計(jì)算整個(gè)成像圖到相機(jī)的距離。通過(guò)分析圖像中的視覺特征、紋理和幾何信息，我們可以推斷出物體的深度信息。本發(fā)明不再依賴于縱向視差，而是通過(guò)學(xué)習(xí)和推斷來(lái)估計(jì)物體的真實(shí)距離。單目深度估計(jì)技術(shù)可以使用深度學(xué)習(xí)模型，如卷積神經(jīng)網(wǎng)絡(luò)或自編碼器，來(lái)進(jìn)行訓(xùn)練和推斷。本發(fā)明可以更準(zhǔn)確地計(jì)算橫向的物體距離，尤其適用于遠(yuǎn)處的物體。

3、為結(jié)局計(jì)算超時(shí)的問(wèn)題，為了滿足實(shí)時(shí)性要求，本發(fā)明對(duì)單目深度估計(jì)技術(shù)進(jìn)行了實(shí)時(shí)性優(yōu)化。本發(fā)明使用高性能的硬件設(shè)備，如圖形處理單元(gpu)或?qū)Ｓ玫纳疃葘W(xué)習(xí)加速器，來(lái)加速深度估計(jì)算法的推斷過(guò)程。此外，本發(fā)明對(duì)深度學(xué)習(xí)模型進(jìn)行了優(yōu)化和輕量化，以減少計(jì)算量和推斷時(shí)間。通過(guò)這些優(yōu)化措施，本發(fā)明可以在較短的時(shí)間內(nèi)完成整個(gè)深度估計(jì)過(guò)程，滿足實(shí)時(shí)性要求。

4、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于深度學(xué)習(xí)的2c鐵路接觸網(wǎng)場(chǎng)景深度算法，具體包括如下步驟：

5、步驟一：數(shù)據(jù)空間選型，采用深度相機(jī)獲取大量不同鐵路段場(chǎng)景的深度成像圖數(shù)據(jù)；

6、步驟二：對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行設(shè)計(jì)，網(wǎng)絡(luò)結(jié)構(gòu)包括采樣模塊、特征提取模塊和邊緣算法；

7、所述采樣模塊包括改進(jìn)編碼器，所述改進(jìn)編碼器包括四個(gè)采樣層，分別為s/2、s/4、s/8和s/16；

8、所述特征提取模塊包括改進(jìn)cnn卷積模塊；

9、所述邊緣算法包括如下步驟：

10、第一步：獲取邊緣圖：

11、經(jīng)過(guò)下采樣，得到4個(gè)尺度的特征圖，將s/16做一個(gè)卷積，得到新的特征圖s`/16，之后將s/16與s`/16進(jìn)行相減，得到邊緣圖l4，用同樣的方法，將s/8,s/4,s/2做同樣的操作，得到l3,l2,l1。

12、第二步：邊緣特征疊加：

13、將s/16做一個(gè)aspp，保持較大感受野的同時(shí)，保留更多的細(xì)節(jié)信息，之后做一個(gè)卷積得到r5，r5做一個(gè)上采樣，為疊加做準(zhǔn)備；做aspp后的特征圖做一個(gè)上采樣，之后做一個(gè)卷積；將l4，aspp上采樣卷積特真圖，r5下采樣圖三個(gè)同尺寸的圖進(jìn)行疊加，做一個(gè)卷積得到r4，通過(guò)以上方法，依次得到r3,r2,r1；

14、第三步：結(jié)果疊加：

15、d代表輸出結(jié)果，d5為r5，d4為r5上采樣后與r4的疊加，d3為d4上采樣后與r3結(jié)果的疊加，d2為d3上采樣后與r2的疊加，d1為d2上采樣后與r1的疊加，通過(guò)層層的疊加，特征與細(xì)節(jié)越來(lái)越清晰，d1為最終輸入結(jié)果。

16、作為本發(fā)明進(jìn)一步的方案：所述改進(jìn)cnn卷積模塊包括17層的結(jié)構(gòu)，其中15個(gè)特征提取層，1個(gè)平均池化層和1個(gè)fc層，并且運(yùn)用了resnet的算法。

17、作為本發(fā)明進(jìn)一步的方案：所述步驟二中還包括計(jì)算損失值，計(jì)算損失值包括均方差公式，在損失函數(shù)的均方差公式中引入正則化懲罰項(xiàng)，計(jì)算損失值，調(diào)整訓(xùn)練過(guò)程中預(yù)測(cè)值與真實(shí)值之間的相關(guān)性。

18、作為本發(fā)明進(jìn)一步的方案：所述均方差公式為：

19、

20、公式中表示常規(guī)的均方差項(xiàng)，用于衡量預(yù)測(cè)值與真實(shí)值之間的差異，而則是引入的正則化懲罰項(xiàng)。該懲罰項(xiàng)具有負(fù)號(hào)，當(dāng)di與dj同符號(hào)時(shí)，該項(xiàng)為正，從而正常減小損失值；而當(dāng)di與dj為相反符號(hào)時(shí)，該項(xiàng)為負(fù)，從而對(duì)損失值進(jìn)行懲罰。

21、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

22、1、精確的深度估計(jì)：本發(fā)明在2c場(chǎng)景中能夠?qū)崿F(xiàn)高度準(zhǔn)確的深度估計(jì)，通過(guò)分析單個(gè)圖像，本發(fā)明能夠推斷出物體的距離和深度信息，從而提供準(zhǔn)確的場(chǎng)景感知和距離測(cè)量，這對(duì)于2c場(chǎng)景中的應(yīng)用非常關(guān)鍵，例如安全監(jiān)控、環(huán)境感知等；

23、2、實(shí)時(shí)性能：本發(fā)明具備實(shí)時(shí)性能，能夠在2c場(chǎng)景中快速而高效地進(jìn)行深度估計(jì)，本發(fā)明能夠在實(shí)時(shí)應(yīng)用中實(shí)時(shí)地處理圖像，并在短時(shí)間內(nèi)生成深度估計(jì)結(jié)果，這種實(shí)時(shí)性能對(duì)于需要即時(shí)反饋和實(shí)時(shí)決策的2c場(chǎng)景非常重要，如智能駕駛、實(shí)時(shí)安全監(jiān)控等；

24、3、魯棒性和適應(yīng)性：本發(fā)明在2c場(chǎng)景中表現(xiàn)出魯棒性和適應(yīng)性，本發(fā)明能夠適應(yīng)各種復(fù)雜場(chǎng)景和光照條件，并有效地應(yīng)對(duì)2c場(chǎng)景中的挑戰(zhàn)，如遮擋、紋理變化和光照變化等，這使得本發(fā)明能夠在不同的2c環(huán)境中保持穩(wěn)定的深度估計(jì)結(jié)果，提供可靠的場(chǎng)景感知；

25、4、高效的計(jì)算：本發(fā)明具備高效的計(jì)算能力，在計(jì)算資源有限的設(shè)備上進(jìn)行深度估計(jì)，本發(fā)明采用經(jīng)過(guò)優(yōu)化的算法或模型，以提高計(jì)算速度并降低功耗，這使得本發(fā)明能夠在2c場(chǎng)景中高效地進(jìn)行深度估計(jì)，適應(yīng)計(jì)算資源受限的情況。

26、說(shuō)明書附圖

27、圖1為本發(fā)明的總網(wǎng)絡(luò)結(jié)構(gòu)圖。

28、圖2為本發(fā)明中采樣部分的結(jié)構(gòu)示意圖。

29、圖3為本發(fā)明中改進(jìn)cnn卷積模塊的結(jié)構(gòu)示意圖。

30、圖4為本發(fā)明中卷積得到r5的部分結(jié)構(gòu)示意圖。

31、圖5為本發(fā)明中aspp后的特征圖做一個(gè)上采樣，之后做一個(gè)卷積的部分結(jié)構(gòu)示意圖。

32、圖6為本發(fā)明中結(jié)果疊加的部分結(jié)構(gòu)示意圖。

33、圖7為本發(fā)明中實(shí)施例鐵路接觸網(wǎng)場(chǎng)景原圖。

34、圖8為以圖7為輸入后d5的深度圖。

35、圖9為以圖7為輸入后d4的深度圖。

36、圖10為以圖7為輸入后d3的深度圖。

37、圖11為以圖7為輸入后d2的深度圖。

38、圖12為以圖7為輸入后d1的深度圖。