车载接触网图像智能识别方法及装置与流程

1.本发明涉及接触网图像识别技术领域，尤其涉及车载接触网图像智能识别方法及装置。


背景技术：

2.自1961年我国第一条电气化铁路建成之后，铁路运输业的不断发展壮大，高速铁路近年来更是成为我国走出国门，走向世界的一张靓丽名片。电气化铁路安全稳定运行对牵引供电系统要求较高，我国研发出铁路供电安全检测监测系统（6c）为其保驾护航，6c系统已成功在国内各铁路干线应用，显著提升了铁路供电系统的检测精度与效率，已成为电气化铁路安全运行的重要保障。其中接触网安全巡检装置（2c）是 6c 系统的重要组成部分，是保障列车行驶安全的重要环节。
3.接触网运行质量至关重要，运行不良，将影响铁路运输安全。接触网在户外受接触网本身质量（器件寿命）、气候、雨水（酸雨）、飞鸟、外侵物的干扰和影响，若未能及时处理，随事态逐步扩大，存在严重供电隐患和影响铁路运输安全。
4.目前铁路供电系统接触网安全巡检系统（2c）对进行接触网图像采集，一次2c巡检产生约10gb的视频数据，每一帧视频都需要人工分析。这种需要大量人力对海量视频进行逐张分析的工作方式，导致了工作量巨大、识别效率低、缺陷检出率低、资源投入大、分析周期长的工作现状。同时因职工业务水平良莠不齐，以及视觉疲劳等原因，经常出现设备缺陷遗漏、误判的问题，威胁铁路运行安全。
5.目前，在国内接触网运行质量巡检主要采用人工巡检、2c巡检和人工分析模式。
6.人工巡检：工人徒步巡检劳动强度大，巡检里程有限，且需要携带便携式辅助巡检设备。
7.2c巡检：采用便携式2c装置需要人工添乘获取接触网工况视频，但只能记录视频文件，无法记录交路、车站、区间、公里标、杆号、经纬度等信息，需要人工对存在隐患的缺陷“人工定位”。
8.人工分析：将2c巡检视频拷贝到地面计算机，人工分析视频，判定接触网运行存在的隐患。人工分析劳动强度大，视觉容易疲劳，极易出现漏判；增加了运用成本，这对接触网运行品质的监测提出了更高的要求。
9.目前现有技术采用2c 人工分析模式虽能解决接触网巡检需求，但人工劳动强度大，视觉容易疲劳，极易出现漏判。
10.本发明发提出车载接触网图像智能识别方法及装置，无需人工添乘，无需人工分析，采用图像深度学习技术，智能识别接触网存在的安全隐患，自动对存在隐患的缺陷精确定位，实现数据集中管理。


技术实现要素：

11.本发明提供车载接触网图像智能识别方法及装置。
12.本发明通过以下技术方案实现：车载接触网图像智能识别方法，包括图像识别技术和深度学习算法，所述图像识别技术和深度学习算法构成接触网图像智能识别方法，基于接触网图像智能识别方法对铁路接触网存在的安全隐患进行智能识别，自动对接触网存在的安全隐患精确定位，其中，安全隐患包括车载网自身的质量、车载网周边的环境、外侵物对车载网的干扰。
13.进一步的，包括吊弦检测方法，所述吊弦检测方法采用包含卷积层、rpn网络、rol pooling层、分类层和定位层的网络模型进行吊弦检测；其中由图像特征提取模块实现特征图提取，所述图像特征提取模块通过卷积、池化、归一化和relu 四个重复操作提取原图特征，采用16个卷积层进行卷积的过程中增加边界填充和滤波器步长的条件得到对应原图点位的等比例缩放特征图；使用3
×
3的滤波器对等比例缩放特征图进行滤波，使滤波器的每个位置处产生一个锚框即采用面积一定的方法通过3 个基本长度和 3 个基本比例在等比例缩放特征图上得到9个区域候选锚框， 将产生的9个区域候选锚框的坐标乘以16得到区域候选锚框在原图所框的区域，由区域候选锚框和原图框组成rpn网络；rpn网络输出多个roi，roi进入由全连接层组成且网络超参数固定的roi pooling层，roi pooling层将roi统一分成大小为h7
×
7的等份并对每一份进行max pooling，得到大小为h7
×
7w且具有建议框的特征图并输入至全连接层；roi pooling层产生的h
×
w的建议框经过全连接后进入分类层，分类层根据建议框输出一个概率向量，通过概率向量将建议框中的特征进行分类，同时建议框通过定位层进行bounding box回归，输出四个偏移量，产生精准的定位框实现图像定位。
14.进一步的，还包括鸟窝检测方法，所述鸟窝检测方法在图像预处理阶段采用图像剪裁将原始尺寸大小的图像裁剪为多份小图，变相将原图进行放大处理，提高鸟窝在原始图中所占的面积。
15.进一步的，还包括杆号检测方法，所述杆号检测方法采用crnn算法构成杆号特征提取部分和杆号特征处理部分，所述杆号特征提取部分由卷积神经网络和循环神经网络组成，所述卷积神经网络采用四层卷积模块提取图像卷积特征图，每层卷积模块包含1个卷积层和1个最大池化层，其中，卷积层采用3
×
3的卷积核，最大池化层的算子大小为 2
×
2 ，所述杆号特征提取部分提取到杆号的特征向量序列后，将特征向量序列输入到循环神经网络层。
16.进一步的，所述杆号检测方法采用推断结果方法对杆号识别结果进行矫正，所述推断结果方法将已知前根杆号设为，并将寄存标志更新为=，计算杆号的序列公差为，公差数值由依靠待检测线路上下行确定，则当前杆号为，同时更新寄存标志为=，由当前杆号迭代推断下一根杆号。
17.进一步的，还包括接触网异物检测方法，所述接触网异物检测方法利用异物与接触网的空间关系定位异物出现的潜在区域，具体包括基于元学习的分类方法利用有限异物样本和大量正常样本，构造交叉匹配训练策略，采用轻量级的卷积神经网络学习样本间的
特征相似性度量，通过比较潜在区域图像与正负样本的相似度大小进行样本分类。
18.进一步的，还包括侵界检测方法，所述侵界检测方法包括轨道关键区域的分割检测、入侵目标识别检测、入侵事件判定检测和终端数据统计；所述轨道关键区域的分割检测包括对轨道图片数据的收集、筛选、标注、增强、训练与测试，用于提供铁轨关键区域在图像中的位置信息，为入侵目标识别检测及入侵事件判定检测提供信息依据；所述入侵目标识别检测包括入侵常见目标数据的筛选、标注、数据增强、模型训练与改进及测试，用于提供铁轨关键区域图像数据中出现的入侵目标的类别和位置信息，入侵目标识别检测的数据与轨道关键区域的分割检测数据同时进入入侵事件判定检测；所述入侵事件判定检测用于对入侵目标识别检测的数据与轨道关键区域的分割检测数据进行分析与判定，通过入侵目标识别检测与轨道关键区域的分割检测的检测结果设计符合铁路系统规定的入侵检测执行逻辑判断图像数据是否发生入侵事件，并将检测结果整理输入至系统中的后台数据库中。
19.车载接触网图像智能识别装置，包括安装于车顶的i端视频模块、ii端视频模块、卫星定位模块、wlan模块、移动传输模块以及安装于车内的图像数据主机和电源控制主机，所述图像数据主机分别电连接i端视频模块、ii端视频模块、卫星定位模块、wlan模块、移动网络模块，所述图像数据主机无线连接车载接触网图像智能识别数据管理系统。
20.本发明的有益效果：本发明提出的车载接触网图像智能识别方法及装置通过智能识别装置实现吊弦检测、鸟窝检测、杆号检测、异物检测和侵界检测，无需人工添乘，无需人工分析，采用图像深度学习技术，智能识别接触网存在的安全隐患，自动对存在隐患的缺陷精确定位，对于指导接触网维修、保障铁路安全运行具有重大意义。
附图说明
21.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
22.图1为本发明提出的车载接触网图像智能识别方法及装置的车载设备结构图；图2为本发明提出的车载接触网图像智能识别方法及装置的吊弦检测流程图；图3为本发明提出的车载接触网图像智能识别方法及装置的吊弦检测网络基本机构图；图4为本发明提出的车载接触网图像智能识别方法及装置的roi pooling示意图；图5为本发明提出的车载接触网图像智能识别方法及装置的crnn示意图；图6为本发明提出的车载接触网图像智能识别方法及装置的元图像增强网络结构图；图7为本发明提出的车载接触网图像智能识别方法及装置的度量学习分类器结构图；图8为本发明提出的车载接触网图像智能识别方法及装置的嵌入模块与相似性度
量模块构成图；图9为本发明提出的车载接触网图像智能识别方法及装置的铁道入侵检测系统图；图10为本发明提出的车载接触网图像智能识别方法及装置的铁道关键区域语义分割网络图；图11为本发明提出的车载接触网图像智能识别方法及装置的工作示意图一；图12为本发明提出的车载接触网图像智能识别方法及装置的工作示意图二。
具体实施方式
23.为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
24.实施例1参考图1、图11和图12，车载接触网图像智能识别装置，包括安装于车顶的i端视频模块、ii端视频模块、卫星定位模块、wlan模块、移动传输模块以及安装于车内的视频主机，所述视频主机分别电连接i端视频模块、ii端视频模块、卫星定位模块、wlan模块、移动传输模块，所述wlan模块连接第一图形处理主机，所述第一图形处理主机通过wlan连接局数据管理主机，局数据管理主机分别连接多个客户端，还包括第二图形处理主机，所述第二图形主机通过internet网络连接局数据管理主机。
25.车载接触网图像智能识别装置在实际运用中，具备两种运用方式，在线式和离线式。
26.在线式，在机车上安装车载接触网图像智能识别装置，图像数据主机进行实时检测和处理工作，将检测结果无线发送到车载接触网图像智能识别数据管理系统数据管理；离线式，便携式2c设备、3c设备通过人工导入或自动传输方式将全程视频等视频文件传输至车载接触网图像智能识别数据管理系统。
27.从视频模块获取数据，也就是软件系统直接连接摄像机，从摄像机中直接获取视频数据，软件通过相机提供的sdk直接获取视频流的方式，存储为本地视频文件，然后通过视频文件对视频数据获取，利用视频数据检测视频画面中存在的问题。将视频流存储在文件的同时，软件还将记录装置状态（位置、运行信息）数据，该数据按照特定的通讯方式发送至车载软件平台，常规会使用到usb/com/can通讯方式，数据中会包含机车运行中的标准数据，一般包含速度、车次号、交路号、车站号、公里标和gps定位等信息，该数据需要按照特定的格式存储，目的是为了视频文件在离线播放时，播放器可同时加载这些数据文件，为视频中的数据添加速度、车次号、交路号、车站号、公里标gps定位等信息。
28.在车载接触网图像智能识别数据管理系统拉取相机视频流的同时，系统自身需要具备第三方拉取视频流的接口，第三方拉取视频流是车载视频装置的必备功能，对画面进行预览。常规接入方式有，互联网接入和车载传输平台接入。按照规定的网络接口和传输协议获取摄像机的视频流。
29.在摄像机部件之下，设置有云台控制器，按照规定的协议能通过软件的控制终端对云台进行操作，实时调整摄像机啊的角度和位置，方便对摄像机的调节。
30.车载接触网图像智能识别数据管理系统获取到视频文件后，进行数据分析处理，在处理的过程中自我学习完善。将处理出来有异常情况的结果发送至服务器，同时学习数据也传输至服务器为后续的共享做素材，传输至服务器的方式一共有两种渠道，通过车载装置搭载的网络模块接入internet，将数据传输至服务器，或通过车载传输平台将数据进行传输，车载传输平台是一个机车专有的网络传输平台，主要是为了传输车载设备产生的记录数据，该网络平台与外网隔绝，是一个独立的网路，为了铁路安全的考虑。车载数据无论通过哪种方式发送至服务器，均只能采用tcp的传输方式，该协议的内容和规范可以自行制定。
31.车载接触网图像智能识别数据管理系统在运行的时候，按设定的频率和方式对车载设备的每个部件进行检测查询，并记录检测查询的结果，记录主要的健康数据，行成装置的健康管理数据，将记录发送至服务器。
32.地面服务器端接收到车载设备发出的检测数据后，按照规定的格式和协议对数据写入数据库中。
33.进一步的，还包括设备健康状态管理，对车载装置的所有部件的状态采取实时数据监控采集，进行阶段性的向服务器报告当前设备状态，并在服务器web端形成设备健康数据。健康状态管理，是指对装置的所有部件设备的运行状态监控，并记录运行状态的数据，利用这些设备状态数据对设备进行分析、维护和管理。
34.车载接触网图像智能识别装置在运行中，录制视频，形成全程视频文件。录制视频文件的过程中，记录机车运行时的运行数据，视频文件和数据文件分开。形成独立的文件，两个文件之间存在必然的关联。可以通过内部构建的应用程序进行离线人工查看和分析。
35.录制的全程视频可以通过自行建立的本地网络系统传输至服务器，运营机车在回到机务段入库后，在通电的情况下机车通过本地网络系统，将录制的全程视频文件和运行记录文件传输至服务器，在机车关闭电源和网路断开的情况下，支持断点续传功能。
36.进一步的，还包括空中升级技术，该技术主要运用于车载装置系统运行的程序和图像处理的模型数据。在设备空闲或者首次开机时，自动检测服务器的数据版本或者服务器发布的升级命令。当满足了升级的条件时，软件自动升级，为了保证系统的稳定性，在下一次系统启动时生效，搭载该装置的机车，获取到视频文件后，对本地视频文件进行分析，在分析识别过程中进行深度学习，获得的新模型数据自动提交至服务器，服务器接收到数据后进行共享分发。
37.进一步的，还包括不间断电源ups，车载接触网图像智能识别装置在运行过程中，全部依靠机车提供的电能，机车长时间停车或者机车入库停车时，会关闭机车的电源，当机车电源关闭时，车载接触网图像智能识别装置的主电源将会被切断，为了装置能够正常结束当前的工作并关闭电源，装置加入了ups功能，当机车停止供电时，装置供电系统自动切换至ups供电状态，ups控制器向车载接触网图像智能识别装置主机部分发送机车电源掉电的状况。
38.车载接触网图像智能识别装置图像数据主机接收到机车电源掉电后，装置软件系统，立刻妥善处理当前的任务，例如不再增加新的任务、加速结束当前工作、传输还在等待中的数据等工作。等到这些工作完成处理后，根据ups剩余电能的情况，告诉ups控制器图像数据主机的状况，是否可以关闭电源，若ups控制器在持续响应中，装置主机按照通讯协议
告诉ups控制器在几分钟后关闭电源。ups控制器在响应该条通讯后，设备主机完成关机。达到时间后，ups控制器关闭设备电源，结束所有工作。
39.实施例2本实施例在实施例1的基础上提出车载接触网图像智能识别方法中的吊弦故障检测方法。
40.参考图2-图4，在接触网链型悬挂中，吊弦位于承力索和接触线之间，起着调节接触线高度和驰度的作用，对保证接触网安全运行起着至关重要的作用吊弦经常承受着弓网间力的冲击和电流的侵蚀，随着服役时间的增长及近年来列车不断提速，使得吊弦产生疲劳断裂、弯曲不受力等多种缺陷吊弦影响弓网间的正常受流，严重时甚至发生弓网事故，危及列车行车安全其状态的及时正确检测，对于指导接触网维修、保障铁路安全运行具有重大意义。
41.接触网吊弦图片比较大，吊弦占整幅图像比例比较小，同时存在过度曝光、对比度较低等问题，人工很难做到对于海量吊弦图片的高效可靠检测。随着计算机算力的提升与深度学习理论的完善，利用图像处理及深度学习等相关新的计算机自动检测技术来解决现有的吊弦检测问题必将成为大势所趋。
42.接触网吊弦的检测实际就是对需要检测的吊弦图像进行确认的一个过程，其流程如图2，其中吊弦位置的提取采用深度学习的方法进行，采用特别设计的网络进行吊弦的位置检测。该网络模型如图3，包含卷积层，rpn网络，roi pooling层，分类层与定位层。该网络通过学习的方法来寻找可能性区域，实现了端到端的操作而不需要人手动进行区域的搜索。
43.图像特征提取模块包含了卷积、池化、归一化和relu 四个重复的操作来提取原图的特征，选择使用 vgg16 模型，以 vgg16 模型的参数来说明该卷积层。该网络包含 16个卷积层，同时在卷积的过程中通过边界填充和滤波器步长的条件，通过计算可以得到特征图的大小，这样，原图和特征图之间就有了固定的缩放比例，特征图上的点就可以全部对应到原图的点上。
44.rpn 网络用来产生候选吊弦位置，为了产生 rpn 网络，对特征图使用3
ꢀ×ꢀ
3的滤波器对特征图再次滤波，同时在滤波器的每个位置，产生了一个锚框（anchor），就是在特征图的每一个点都产生 9 个区域候选框，这 9 个候选框通过给定 3 个基本长度和 3 个基本比例得到，采用的是面积一定的方法，即对于每种基本长度来说，将产生 3 种长宽比例的 anchor，它们的面积都等于基本长度的平方。同时，在数据库里记录这 9 个区域候选框的坐标，原图和特征图之间的坐标存在着 16 倍的关系，只要将特征图所产生的框的坐标乘以 16，就可以得到区域候选框在原图所框的区域。
45.roi pooling 层由全连接层组成，网络的超参数是固定的，该层对于输入的建议框，不论大小，统一地分成大小为h7
×
7的等份，对每一份进行 max pooling，这样不论原图大小为多大，输入到全连接层的总是大小为h7
×
7w的特征图，图4为roi pooling 层示意图。
46.faster r-cnn 训练，通过对2c设备采集回来的视频，提取部分作为训练样本，人工标注多张图像， 将标注过后的图像送入网络中不断训练学习，得到一个较好的模型参数保存，该模型参数可用来对新图像进行检测使用。
47.实施例3本实施例在实施例1和2的基础上提出车载接触网图像智能识别方法中的鸟窝检测方法。
48.鸟窝检测的算法与吊弦故障检测的算法一致，与吊弦故障检测的区别在于预处理阶段，鸟窝所占的面积，相较于整张采集到的图形来说相对占比较小，如果不加以更改就进行模型训练得到的模型效果会比较差，本方案采用图像裁剪的方法。根据图像的原始尺寸大小裁剪为多份小图，变相将原图进行了放大处理，得到裁剪后的图像中，鸟窝所占的面积相较于原始图来说提高了很多，最终得到一个不错的检测效果。
49.实施例4参考图5，本实施例在实施例1和2的基础上提出车载接触网图像智能识别方法中的杆号检测方法。
50.杆号检测的定位算法与吊弦故障检测的算法一致，与吊弦故障检测的区别在于后处理阶段，除了进行定位外，还需要对杆号进行读取，并判断杆号的缺损情况。本方案中采用基于 ctc 中最典型的算法crnn，杆号特征提取部分使用主流的卷积结构mobilenet，并引入双向 lstm(long short-term memory) 用来增强上下文建模，网络结构如图5，杆号特征提取部分由卷积神经网络和循环神经网络先后处理特征。首先采用四层的卷积模块提取图像卷积特征图，每个卷积模块包含 1 个卷积层和 1 个最大池化层。其中，卷积层采用33的卷积核，最大池化层的算子大小为 22 。提取到特征向量序列后，将序列输入到循环神经网络层。
51.当图像中号牌距离采集装置较远导致图像模糊，或号牌本身被遮挡或污损时，对于单张支柱号图像，序列识别算法可能会有识别差错。利用连续帧的多张同一支柱号图像字符识别结果综合判断当前支柱的支柱号，对连续帧的图像识别结果进行加权，同时结合识别结果本身的准确率综合得到当前支柱最终的识别结果；另一方面，由于单侧支柱号为一连续序列，视线路上下行不同递增或递减，故可根据上根支柱号推断出当前支柱号。一旦当前支柱号牌异常，则可采用推断结果对支柱号识别结果进行矫正。
52.高速铁路行驶线路按照行驶方向分为上行线和下行线。中国铁路总公司规定列车行驶方向为进京方向或者是由支线向干线行驶称为上行线，反之，行驶方向为离京方向或由干线向支线行驶成为下行线。线路一侧的支柱号为以 2 为公差的等差数列，又因上下行线路不同分为递增数列或递减数列。利用支柱号这种前后连续的特点，在已知前根支柱的支柱号后便可以推断出当前支柱的支柱号。设已知前根支柱号为label，并将寄存标志更新为=。支柱号序列公差为，公差数值由依靠待检测线路上下行确定。则当前支柱的支柱号为：，一旦当前支柱号确定后，更新寄存标志=，并按照上式迭代推断下一根支柱的支柱号。在具体使用中，需要根据单线与复线状况进行调整。
53.实施例5参考图6-图8，本实施例在实施例1的基础上提出车载接触网图像智能识别方法中的接触网异物检测方法。
54.接触网系统的工作环境导致其容易受到异物侵入，从而威胁安全供电。异物检测一般先定位异物出现的潜在区域，然后对潜在区域分进行类判断是否存在异物。然而，接触网异物检测是典型的少样本问题，含有异物的样本图像较少，正负样本量极不平衡。通常认为，深层的神经网络是通过每类物体的大量训练进行特征的识别辨认物体，之所以无法处理少样本问题的原因在于训练数据过少而网络参数很多，往往会导致模型过拟合。
55.采用元（meta learning）学习方法。元学习通过构造大量学习任务使模型获得可转移的先验知识，利用先验知识使得模型本身学会学习，如元学习中的度量学习方法，通过大量任务训练模型使得模型具备比较样本间特征的相似性的能力，通过比较相似性大小进行分类而不是像通用分类方法那样直接识别特征进行分类。采用元学习方法解决少样本问题，可以利用有限的样本提供的信息使模型具备学习的能力，端到端的轻量级网络结构可以快速训练，且泛化能力强，具备一定通用性。
56.除此之外，还增加样本量，除了对已有样本进行图像增强外，采用生成式对抗网络（gan, generative adversarial networks ）生成仿真样本。生成的仿真图像与真实异物图像融合，以进一步改善少样本的元学习分类器的分类准确度。
57.对于高铁接触网异物检测，先利用异物与接触网的空间关系定位异物出现的潜在区域，进而利用基于元学习的分类方法对区域进行是否含有异物的分类。具体而言，首先利用有限的异物样本和大量的正常样本，构造一种交叉匹配训练策略构造大量学习任务，然后采用轻量级的卷积神经网络学习样本间的特征相似性度量，通过比较潜在区域图像与正负样本的相似度大小进行样本分类。此外，采用基于 big gan的元图像增强网络，将 big gan 的生成图像与真实的异物图像融合以补充异物样本量，从而提升分类器准确率，所采用的元图像增强网络结构图如下图6，元图像增强网络结构，主要包含两部分：图像融合网络 f 和相似性度量网络c（元学习分类器），下面分别说明，模型融合网络f 将真实异物图像 i 与其对应的仿真图像融合为新的合成图像=；仿真图像生成，通常 gan 具有生成器g 与判别器 d 两部分，输入噪声信号 z～n(0,1)， 通过训练好的生成器合成图像g(z) 。采用 imagenet-2012 数据集对元图像增强网络中的生成器进行预训练以便在对异物稀缺的样本生成更稳定的图像，由于异物样本量少，为避免少量图像进行对抗学习训练时的不稳定可能导致的模型崩溃，元图像增强网络不采用判别器。对输入信号和生成器微调，使得生成器g 由随机初始化的输入向量 z 输出的图像与g(z) 距离最小，采用曼哈顿距离作为衡量图像间距离的度量，生成器的损失函数如式：；；；和。
58.图像融合，借鉴块增强法和基于网格的线性组合，将图像划分为3
×
3的网格，每个网格的融合权重由卷积神经网络学习得到，将两张图像按照公式 融合，其中，w为网格融合权；计算融合权重的卷积神经网络提取图像i与i_g的特征向量并连接，采用全连接层产生对应于3
×
3的网格中 9 个单元的权重，最后，对于每张真实图像。对融合网络中的卷积神经网络采用在imagenet 上预训练过的 resnet-18。
59.度量学习分类器，异物roi区域的相似性度量学习模型包含嵌入模块和相似性度量模块，两模块均采用轻量级的卷积神经网络构成。嵌入模块负责提取各样本集合图像特征，相似性度量模块负责学习一种非线性的相似性度量方式来替代传统人工设计的线性度量方式，如欧式距离、马氏距离、余弦相似度等。图7中的独热码表示了分类后相应的类别信息,具体的嵌入模块与相似性度量模块构成如图8所示。考虑到异物检测不少情况下，由于遮挡等因素，往往只能检测到部分区域，因此，讲输入图像缩放至较大的 252x252 尺寸以保留更多细节。负责提取特征的嵌入模块采用较深的卷积神经网络，共包含 6个卷积模块和 2 个池化模块，同时引入类似残差网络的跳跃连接结构以防止退化问题。相似性度量模块构成相对简单，包含用于学习度量方式的 2 个卷积模块和用于输出得分的 2 个全连接层。每个卷积模块包含 64 个3x3 的卷积核，并采用批标准化正则化输出，采用relu激活函数非线性输出，池化模块采用2x2 的最大池化层。
60.最后，将relu函数的输出送入全连接层，采用sigmoid函数转化为关系得分。
61.实施例6本实施例在实施例1的基础上提出车载接触网图像智能识别方法中的侵界检测方法。
62.参考图9-图10，在目前的铁路系统场景下，关键区域（包括桥梁、隧道及咽喉区域）不允许外来人员上道，但经常会发生人员等外物私自入侵铁路关键领域，导致重大事故的发生。
63.入侵检测系统的框架由轨道关键区域分割、入侵目标识别检测、入侵事件判定检测和终端数据统计平台四部分组成。入侵系统结构如图9，描述了整个入侵检测系统框架的实现过程。
64.第一部分为轨道关键区域的分割检测，其中包括了轨道图片数据的收集、筛选、标注、增强、训练与测试，该部分为入侵监测系统提供了需要重点关注的铁轨关键区域在图像中的位置信息，为后续的入侵目标识别检测及入侵事件判定提供信息依据；系统的第二部分为入侵目标识别检测，其中包括了入侵常见目标数据的筛选、标注、数据增强、模型的训练与改进及测试，该部分为入侵检测系统提供了更为重要的在图像数据中出现的入侵目标的类别及位置信息， 这部分的检测数据与轨道关键区域分割检测的检测数据同时送入第三部分的入侵事件逻辑判定，根据铁路系统中的入侵事件规则界定是否发生入侵事件；
第三部分为入侵事件判定检测，这部分主要进行对前两部分的检测数据进行分析与判定，运用前两部分的检测结果设计符合铁路系统规定的入侵检测执行逻辑判断是否图像数据中是否发生了入侵事件，并将检测结果整理输入至系统中的后台数据库中，该部分为系统提供检测结果的数据库，是入侵检测的结果输出。
65.第四部分为终端数据统计平台，其中包括了数据库的统计分析与终端平台设计，该部分是入侵检测系统的结果展示，可以很好的为人员提供一个良好的数据分析处理平台。
66.其中，侵界区域分割在铁路系统中，判定为入侵事件的标准为是否有外界异物出现在轨道关键区域内，通过视频流进行判别入侵事件的基础在于对铁轨关键区域的识别检测。在已有的视频图像中，铁路的形状各异呈现不规则的多边形特征特别是在咽喉区域，铁轨的交错纵横更是复杂多变，用于区域分割的模型需要拥有极高的精度和像素级别的检测，因此对轨道关键区域的检测需要采用语义分割高精度的图像任务。
67.对侵入区域的分割，一般选用全卷积神经网络，采用的语义分割网络结构如图10所示。关键区域的设置，可根据具体要求进行确定；侵入目标识别检测，可以采用上文中所提出的基于元学习的小样本检测算法进行检测。该检测网络输出入侵目标的位置；侵入事件的判定，如果侵入目标位于关键区域内，则判定发生了一次侵界事件，送入数据库进行保存。
68.以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。