一种基于向量神经网络的接触网鸟窝识别方法及模型与流程

1.本发明涉及深度学习、深度卷积神经网络及铁路接触网异常识别技术领域，更具体地说涉及一种基于向量神经网络的接触网鸟窝识别方法及模型。


背景技术：

2.接触网是在电气化铁道中，沿钢轨上空“之”字形架设的，供受电弓取流的高压输电线，其负担着把从牵引变电所获得的电能直接输送给电力机车使用的重要任务，因此接触网的质量和工作状态将直接影响着电气化铁道的运输能力。铁路运输中，要求接触网无论在任何条件下，都能保证良好地供给电力机车电能，保证电力机车在线路上安全、高速地运行。
3.而在接触网的硬横梁、支柱等处，是鸟儿搭建窝巢频率较高的地方。每年的4月份至11月份，很多鸟儿喜欢将鸟窝筑在接触网线路的硬横梁或支柱上。部分鸟衔来的树枝较长，当该树枝掉落在接触线上时，极易将高速运行的受电弓折断，此外，这些鸟衔来的筑巢材料中常常会夹杂着铁丝等导电体，这些导电体容易造成接触网设备短路，从而危及铁路安全，严重时可以逼停列车，同时接触网上有其他异物存在时，也会折断受电弓。因此，接触网上存在鸟窝具有较为严重的安全隐患，如何高效和高准确的发现鸟窝具有非常重要的实际意义。
4.由于鸟窝在接触网的各个位置均有存在的可能，鸟窝的形态和接触网腕臂连接处具有相似性，现有的主要技术是通过收集存在鸟窝的图片和无鸟窝图片进行深度卷积网络训练判别，而卷积神经网络的感受野大小具有人为选择性质，选择不同尺寸的感受野，识别误差不同，较难准确的判别鸟窝；同时卷积神经网络的神经元输入和输出均为标量，标量特征简单，易过拟合，不能同时判别鸟窝的存在和鸟窝的形态。


技术实现要素：

5.为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种基于向量神经网络的接触网鸟窝识别方法及模型，其具有高效、高准确率的对接触网进行鸟窝异常情况的识别，适用于普速和高速铁路接触网，具有较强的普适性，具有重大的安全意义和实际应用价值。
6.为了实现以上目的，本发明采用的技术方案：一种基于向量神经网络的接触网鸟窝识别方法，包括以下步骤；图像获取步骤：获取待检测接触网图像，其中，所述待检测接触网图像的尺寸为128
×
128，本发明的目的，就是检测其图像中是否存在鸟窝。
7.卷积神经网络模型处理步骤：利用卷积神经网络模型对所述待检测接触网图像进行处理，并输出包含特征图的标量图像。本发明中，对所述待检测接触网图像进行处理并输出包含特征图的标量图像的
目的是对待检测接触网图像进行特征提取，达到多维度解析图像内容和结构的目的。
8.优选的，所述卷积神经网络模型对所述待检测接触网图像进行处理，并输出包含特征图的标量图像，包括：所述卷积神经网络模型至少包括c1模型和c2模型，所述c1模型将所述待检测接触网图像的尺寸按预设格式1提取并输出包含特征图的图像；所述c2模型对所述c1模型输出的图像按照预设格式2进一步提取并增加所述特征图，并输出标量图像。
9.c1模型和c2模型具体的处理如下：s21、c1模型处理将图像获取步骤中获取的待检测接触网图像，输入第一卷积神经网络模型（c1模型）中，将输入的图像的尺寸进行缩小并输出包含特征图的图像。
10.所述第一卷积神经网络模型中，卷积核为7
×
7，网络输入为128
×
128
×
3，其中3表示彩色图像3通道，网络输出为60
×
60
×
64，其中64表示特征图数量。
11.上述c1模型处理的目的是提取待检测接触网图像的浅层特征，64个特征图已经能够较好的表达图像特征，且为了控制最终设计模型参数总量，本发明在c1模型的输出层选择64作为输出特征图数量，但上述c1模型不限于输出64个特征图。
12.s22、c2模型处理将c1模型处理输出的图像，输入第二卷积神经网络模型（c2模型）中，将输入的图像的尺寸进行缩小和特征图进行增加后输出标量图像。
13.所述第二卷积神经网络模型中，卷积核为5
×
5，网络输入为60
×
60
×
64，网络输出为27
×
27
×
128，其中128为特征图数量，增加特征图数量，更加深入的提取图像特征，从更高的维度对图像内容进行分解。
14.上述c2模型处理的目的是增加图像特征提取的深入程度，提取待检测接触网图像的深层特征。
15.v1模型处理步骤：利用向量网络层模型将所述包含特征图的标量图像转换为向量图像，并输出向量s1。该步骤中，将标量图像转换为向量图像的目的是从高维空间分析低维特征，更全面的表达特征语义。
16.优选的，该步骤中，将所述标量图像的尺寸按照预设格式3提取包含特征图的向量图像，并进行维度升维，从而得到输出向量s1。也即，将卷积神经网络模型处理步骤输出的标量图像，输入到向量网络层模型（v1模型）中转换为向量图像，并将所述向量图像的尺寸进行缩小和维度升维后输出向量s1。
17.所述向量网络层中，卷积核为3
×
3，网络输入为27
×
27
×1×
128，其中1表示标量维度为1维，网络输出为12
×
12
×8×
16，其中8表示v1的向量维度为8维。
18.优选的，所述维度升维，包括：将所述特征图按照预设比例等份分割，并将每个分割后的特征图对应位置的值串联，得到多维度的特征向量s0；将所述特征向量s0进行向量的非线性变换，得到所述向量s1。
19.具体的，将输入的1
×
128的维度转为8
×
16方法如下：
在128个特征图中，按照8等份分割128个特征图，并将每个分割后的特征图中对应位置的值串联为8维度的特征向量s0，将特征向量s0进行向量的非线性变换，得到向量s1。
20.128个特征图中，按照8等份分割128个特征图，[0,7]，[8,15].... [120,127]。如[0,7]把序号0-7的特征图中对应位置的值串联为8维度的特征向量s0，s0在输入到v2之前进行向量的非线性变换，类似普通神经网络的激活函数，非线性变换函数如下：，其中，等式右边第一项为尺度压缩项，第二项为向量s0的单位向量，s0为8维度的特征向量，s1为v1模型的输出向量。
[0021]
本发明中， c1模型处理步骤、c2模型处理步骤和v1模型处理步骤中，输出图像的尺寸如下：，其中，为输出图像尺寸，为输入图像尺寸，为卷积核尺寸，为步长，stride=2。
[0022]
v2模型处理判别鸟窝步骤：利用向量全连接网络模型，根据向量s1计算得到向量s2，并根据向量s2判断是否存在鸟窝。
[0023]
优选的，该步骤中，将向量s1形状变换为一维向量，将所述一维向量输入全连接网络模型中，以实现将向量减少，并进一步提升维度。
[0024]
上述步骤中，将向量s1形状变换成大小为12
×
12
×8×
16一维向量，将一维向量输入全连接网络中，输出结果向量s2，s2大小为11。
[0025]
其中，11维度特征=[是否有鸟窝、鸟窝的树枝方向度数0、30、60、90、120、150、180、鸟窝的尺寸、鸟窝的坐标x、y]。
[0026]
也即，将v1模型处理步骤输出的向量s1经过形状变换后，输入向量全连接网络模型（v2模型）中，将向量减小以及维度升维后输出向量s2，并根据向量s2判别是否存在鸟窝。
[0027]
上述c1模型、c2模型、v1模型和v2模型的训练采用传统的bp算法。
[0028]
训练过程：分别构建上述11个不同维度属性特征和特征的组合的鸟窝样本训练向量神经网络，并以训练后的向量神经网络的输出结果s2向量中的第一维度特征（是否有鸟窝）作为一级判别方法；其余10维度的特征作为二级判别方法，根据两级判别结果，综合确定鸟窝检测结果，具体如下：一级判别：输出向量s2的第一维度值为0代表没有鸟窝，为1代表可能有鸟窝存在。
[0029]
二级判别：1.输出向量s2的第二维度到第七维度的值中（鸟窝树枝的角度）至少有2个不为0；2.第九维度（鸟窝尺寸）值大于0；3.第十、十一维度的值（鸟窝坐标）大于0；当且仅当上述3个条件都满足时判定为真实鸟窝，否则为误报鸟窝。
[0030]
本发明通过上述鸟窝判别方法，以提高鸟窝判别准确率。为提高鸟窝被识别出的覆盖率，可以将满足上述3个判别条件中的任意2个作为判定为真实鸟窝的条件，但准确率
相比3个条件都满足更低。
[0031]
基于上述接触网鸟窝识别方法，本发明另一方面，还提供了一种基于向量神经网络的接触网鸟窝识别模型，包括图像获取子模型、卷积神经网络模型和向量网络模型；所述图像获取子模型用于获取待检测接触网图像；所述卷积神经网络模型用于处理所述接触网图像，并输出包含特征图的标量图像；所述向量网络模型用于将卷积神经网络模型输出的标量图像转换为向量图像。
[0032]
进一步的是，所述卷积神经网络模型包括c1模型和c2模型；所述c1模型，用于将所述待检测接触网图像的尺寸按预设格式1提取并输出包含特征图的图像；所述c2模型，用于对所述c1模型输出的图像按照预设格式2进一步提取并增加所述特征图，并输出标量图像。
[0033]
进一步的是，所述向量网络模型包括向量网络层模型和向量全连接网络模型；所述向量网络层模型，用于将所述标量图像的尺寸按照预设格式3提取包含特征图的向量图像，并进行维度升维，从而得到输出向量s1；所述向量全连接网络模型，用于将向量s1形态变换为一维向量，同时进一步提升维度，得到向量s2，并根据所述向量s2判断是否存在鸟窝。
[0034]
本发明的有益效果：本发明提供的接触网鸟窝识别方法，提出了基于向量神经网络的鸟窝识别模型及参数，提出了卷积层标量特征转换为向量特征的公式方法，提出了输出向量模长和各维属性对应鸟窝有无以及方向性特征的识别方法，相比传统的标量神经网络，本发明的向量神经网络具有可解释性和较高的准确率，在一个网络中可同时能输出鸟窝的多种参数，比如鸟窝的有无，鸟窝的方向形态等，具有高效、高准确率的对接触网进行鸟窝异常情况的识别，适用于普速和高速铁路接触网，具有较强的普适性，具有重大的安全意义和实际应用价值。
附图说明
[0035]
图1为本发明方法的示意图；图2为本发明接触网鸟窝识别模型的示意图。
具体实施方式
[0036]
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。
[0037]
实施例1一种基于向量神经网络的接触网鸟窝识别方法，如图1所示，包括以下步骤：s1、图像获取：获取待检测接触网图像，其中，所述待检测接触网图像的尺寸为128
×
128，本实施例的目的，就是检测其图像中是否存在鸟窝。
[0038]
s2、卷积神经网络模型处理：利用卷积神经网络模型对所述待检测接触网图像进行处理，并输出包含特征图的标量图像。
[0039]
s3、v1模型处理：利用向量网络层模型将所述包含特征图的标量图像转换为向量图像，并输出向量s1。
[0040]
s4、v2模型处理判别鸟窝：利用向量全连接网络模型，根据向量s1计算得到向量s2，并根据向量s2判断是否存在鸟窝。
[0041]
实施例2本实施例在实施例1的基础上，对卷积神经网络模型处理作进一步的阐述，所述卷积神经网络模型对所述待检测接触网图像进行处理，并输出包含特征图的标量图像，包括：所述卷积神经网络模型至少包括c1模型和c2模型，所述c1模型将所述待检测接触网图像的尺寸按预设格式1提取并输出包含特征图的图像；所述c2模型对所述c1模型输出的图像按照预设格式2进一步提取并增加所述特征图，并输出标量图像。
[0042]
c1模型和c2模型具体的处理如下：s21、c1模型处理将图像获取步骤中获取的待检测接触网图像，输入第一卷积神经网络模型（c1模型）中，将输入的图像的尺寸进行缩小并输出包含特征图的图像。所述第一卷积神经网络模型中，卷积核为7
×
7，网络输入为128
×
128
×
3，其中3表示彩色图像3通道，网络输出为60
×
60
×
64，其中64为特征图数量。
[0043]
s22、c2模型处理将c1模型处理输出的图像，输入第二卷积神经网络模型（c2模型）中，将输入的图像的尺寸进行缩小和特征图进行增加后输出标量图像。所述第二卷积神经网络模型中，卷积核为5
×
5，网络输入为60
×
60
×
64，网络输出为27
×
27
×
128，其中128为特征图数量。
[0044]
实施例3本实施例在实施例2的基础上，对v1模型处理作进一步的阐述，该步骤中，将所述标量图像的尺寸按照预设格式3提取包含特征图的向量图像，并进行维度升维，从而得到输出向量s1。也即，将卷积神经网络模型处理步骤输出的标量图像，输入到向量网络层模型（v1模型）中转换为向量图像，并将所述向量图像的尺寸进行缩小和维度升维后输出向量s1。
[0045]
所述向量网络层中，卷积核为3
×
3，网络输入为27
×
27
×1×
128，其中1表示标量维度为1维，网络输出为12
×
12
×8×
16，其中8表示v1的向量维度为8维。
[0046]
具体的，将输入的1
×
128的维度转为8
×
16方法如下：128个特征图中，按照8等份分割128个特征图，[0,7]，[8,15].... [120,127]。如[0,7]把序号0-7的特征图中对应位置的值串联为8维度的特征向量s0，s0在输入到v2之前进行向量的非线性变换，类似普通神经网络的激活函数，非线性变换函数如下：，其中，等式右边第一项为尺度压缩项，第二项为向量s0的单位向量，s0为8维度的特征向量，s1为v1模型的输出向量。
[0047]
本发明中， c1模型处理步骤、c2模型处理步骤和v1模型处理步骤中，输出图像的
尺寸如下：，其中，为输出图像尺寸，为输入图像尺寸，为卷积核尺寸，为步长，stride=2。
[0048]
实施例4本实施例在实施例3的基础上，对v2模型处理判别鸟窝作进一步的阐述，该步骤中，将向量s1形状变换为一维向量，将所述一维向量输入全连接网络模型中，以实现将向量减少，并进一步提升维度。
[0049]
上述步骤中，将向量s1形状变换成大小为12
×
12
×8×
16一维向量，将一维向量输入全连接网络中，输出结果向量s2，s2大小为11。
[0050]
其中，11维度特征=[是否有鸟窝、鸟窝的树枝方向度数0、30、60、90、120、150、180、鸟窝的尺寸、鸟窝的坐标x、y]。
[0051]
也即，将v1模型处理步骤输出的向量s1经过形状变换后，输入向量全连接网络模型（v2模型）中，将向量减小以及维度升维后输出向量s2，并根据向量s2判别是否存在鸟窝。
[0052]
上述c1模型、c2模型、v1模型和v2模型的训练采用传统的bp算法。
[0053]
训练过程：分别构建上述11个不同维度属性特征和特征的组合的鸟窝样本训练向量神经网络，并以训练后的向量神经网络的输出结果s2向量中的第一维度特征（是否有鸟窝）作为一级判别方法；其余10维度的特征作为二级判别方法，两级判别结果综合确定鸟窝检测结果，具体如下：一级判别：输出向量s2的第一维度值为0代表没有鸟窝，为1代表可能有鸟窝存在。
[0054]
二级判别：1.输出向量s2的第二维度到第七维度的值中（鸟窝树枝的角度）至少有2个不为0；2.第九维度（鸟窝尺寸）值大于0；3.第十、十一维度的值（鸟窝坐标）大于0；当且仅当上述3个条件都满足时判定为真实鸟窝，否则为误报鸟窝。
[0055]
本发明通过上述鸟窝判别方法，以提高鸟窝判别准确率。为提高鸟窝被识别出的覆盖率，可以将满足上述3个判别条件中的任意2个作为判定为真实鸟窝的条件，但准确率相比3个条件都满足更低。
[0056]
实施例4一种基于向量神经网络的接触网鸟窝识别模型，如图2所示，包括图像获取子模型、卷积神经网络模型和向量网络模型；所述图像获取子模型用于获取待检测接触网图像；所述卷积神经网络模型用于处理所述接触网图像，并输出包含特征图的标量图像；所述向量网络模型用于将卷积神经网络模型输出的标量图像转换为向量图像。
[0057]
优选的，所述卷积神经网络模型包括c1模型和c2模型；所述c1模型，用于将所述待检测接触网图像的尺寸按预设格式1提取并输出包含特征图的图像；所述c2模型，用于对所述c1模型输出的图像按照预设格式2进一步提取并增加所
述特征图，并输出标量图像。
[0058]
优选的，所述向量网络模型包括向量网络层模型（v1模型）和向量全连接网络模型（v2模型）；所述向量网络层模型（v1模型），用于将所述标量图像的尺寸按照预设格式3提取包含特征图的向量图像，并进行维度升维，从而得到输出向量s1；所述向量全连接网络模型（v2模型），用于将向量s1形态变换为一维向量，同时进一步提升维度，得到向量s2，并根据所述向量s2判断是否存在鸟窝。
[0059]
本发明提出了基于向量神经网络的鸟窝识别模型及参数，提出了卷积层标量特征转换为向量特征的公式方法，提出了输出向量模长和各维属性对应鸟窝有无以及方向性特征的识别方法，相比传统的标量神经网络，本发明的向量神经网络具有可解释性和较高的准确率，在一个网络中可同时能输出鸟窝的多种参数，比如鸟窝的有无，鸟窝的方向形态等，具有高效、高准确率的对接触网进行鸟窝异常情况的识别，适用于普速和高速铁路接触网，具有较强的普适性，具有重大的安全意义和实际应用价值。
[0060]
以上对本发明的实施方式进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种等同变型或替换，这些等同或替换均包含在本发明权利要求所限定的范围内。