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

技术特征：
1.一种基于向量神经网络的接触网鸟窝识别方法，其特征在于，包括以下步骤：获取待检测接触网图像；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；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；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。2.根据权利要求1所述的接触网鸟窝识别方法，其特征在于：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。3.根据权利要求2所述的接触网鸟窝识别方法，其特征在于，所述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，包括：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。4.根据权利要求3所述的接触网鸟窝识别方法，其特征在于，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。5.根据权利要求4所述的接触网鸟窝识别方法，其特征在于，所述利用向量全连接网络模型，根据向量s1计算得到向量s2，包括：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。6.根据权利要求4所述的接触网鸟窝识别方法，其特征在于，所述非线性变换采用的函数如下：，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，s1为向量网络层模型的输出向量。7.根据权利要求5所述的接触网鸟窝识别方法，其特征在于，所述向量s1为8维向量，向量总数为12
×
12
×
16；所述向量s2为11维度向量，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]。8.根据权利要求7所述的接触网鸟窝识别方法，其特征在于，在所述根据向量s2判断是否存在鸟窝之后，还包括：根据向量s2中的11维度特征，验证鸟窝真实性；当向量s2的第二维度到第七维度中的值至少有2个不为0、第九维度值大于0和第十、十
一维度的值大于0，3个条件全部满足时，则判定为真实鸟窝，否则为误报鸟窝。9.一种根据权利要求1-8任意一项所述的接触网鸟窝识别方法的接触网鸟窝识别模型，其特征在于，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。10.根据权利要求9所述的接触网鸟窝识别模型，其特征在于，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。11.根据权利要求9所述的接触网鸟窝识别模型，其特征在于，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。

技术总结
本发明公开了一种基于向量神经网络的接触网鸟窝识别方法及模型，涉及铁路接触网异常识别技术领域，包括以下步骤：获取待检测接触网图像；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；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；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。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。于普速和高速铁路接触网。于普速和高速铁路接触网。


技术研发人员：张金鑫 袁磊 董建明 喻杨洋 李想 黄成亮
受保护的技术使用者：成都唐源电气股份有限公司
技术研发日：2022.03.14
技术公布日：2022/6/10