(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211355480.4 (22)申请日 2022.11.01 (71)申请人 北京交通大 学 地址 100044 北京市海淀区西直门外上园 村3号 (72)发明人 赵宏伟　邬俊　王卓　 (74)专利代理 机构 北京市商 泰律师事务所 11255 专利代理师 邹芳德 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/764(2022.01) G06V 10/766(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于相对位置感知的高铁接触网防鸟刺识 别方法及系统 (57)摘要 本发明提供一种基于相对位置感知的高铁 接触网防鸟刺识别方法及系统， 属于计算机视觉 技术领域， 包括： 获取高铁接触网巡检图像； 利用 预先训练好的目标检测模型， 对获取的所述高铁 接触网巡检图像进行处理， 得到防鸟刺识别结 果； 其中， 所述预先训练好的目标检测模型由训 练集训练得到， 所述训练集包括多张高铁接触网 巡检图像以及标注所述高铁接触网巡检图像中 防鸟刺的标签。 本发明聚焦于高速铁路接触网巡 检场景， 充分利用行业背景知识， 通过对支持装 置(大目标)与防鸟刺部件(小目标)间相对位置 关系进行细粒度刻画与表示建模， 提升了模型对 防鸟刺小目标的识别精度， 计算复杂度低， 可辅 助人工巡检， 提升了巡检人员工作效率。 权利要求书2页 说明书10页 附图2页 CN 115511876 A 2022.12.23 CN 115511876 A 1.一种基于相对位置感知的高铁 接触网防鸟刺识别方法， 其特 征在于， 包括： 获取高铁 接触网巡检图像； 利用预先训练好的目标检测模型， 对获取的所述高铁接触网巡检图像进行处理， 得到 防鸟刺识别结果； 其中， 所述预先训练好的目标检测模型由训练集训练得到， 所述训练集包 括多张高铁 接触网巡检图像以及标注所述高铁 接触网巡检图像中防鸟刺的标签。 2.根据权利要求1所述的基于相对位置感知的高铁接触网防鸟刺识别方法， 其特征在 于， 所述目标检测模型的训练过程包括： 采集高铁接触网巡检图像， 得到原始数据集； 对原 始数据集中的高铁接触网巡检图像进 行手工标注， 得到标记样本集； 设定模型的网络结构； 设定模型 的输出锚框样 式； 设定模型 的损失函数； 基于上述设定， 利用标记样本集， 根据模 型输出与真实标记， 运用随机梯度下降算法优化模型的损失函数， 得到最优的模型参数。 3.根据权利要求2所述的基于相对位置感知的高铁接触网防鸟刺识别方法， 其特征在 于， 所述目标检测模型设定的网络结构包括： 骨干网络， 用于获取输入图像的多层次特征金字塔， 其中浅层金字塔对应图像的初级 视觉特征， 顶层金字塔对应高级语义特 征； 颈部网络， 通过跨层次特征交叉， 提升金字塔表征能力， 使得每层金字塔兼具初级视觉 特征和高级语义信息； 头部网络， 根据提升后的特 征金字塔， 预测图像中防鸟刺部件及其 边界框。 4.根据权利要求2所述的基于相对位置感知的高铁接触网防鸟刺识别方法， 其特征在 于， 对原始数据集中的高铁接触网巡检图像进行手工标注， 包括： 对巡检图像中的腕臂支撑 装置和防鸟刺两类目标进行手工标注， 保存为独立的标注文件， 与巡检图像一起构成标记 样本集； 其中， 标注文件记录 了目标类别及其 边界框的宽高和中心点 坐标。 5.根据权利要求2所述的基于相对位置感知的高铁接触网防鸟刺识别方法， 其特征在 于， 所述目标检测模型 所使用的损失函数为： 其中， 表示支撑装置与防鸟刺双目标的分类损失， 表示双目标边界框的回归 损失， 表示支撑装置预测边界框与防鸟刺预测边界框之间的相对位置损失， α、 β、 γ为 超参数， 用于调节损失函数中各项比重； 分类损失 定义为目标真实类标签与模型预测的类标签之间的交叉熵损失； 回归损 失 定义为目标真实边界框偏移量与模型 预测边界框偏移量之间的平方损失； 相对位置损失 定义为： 其中， A是由支撑装置预测框内所有像素组成的集合， B是由防鸟刺预测框内所有像素 组成的集合， | ·|表示集合中元素个数； 当B 包含于A时， 相对位置损失为零； 当A中元素数目 多于B中元素数目、 且二者不存在包含关系时， 相对位置损失定义为二者并集元素数目与A 元素数目之差； 当A包 含于B时， 相对位置损失定义 为二者元素数目之差的常数倍。权　利　要　求　书 1/2 页 2 CN 115511876 A 26.根据权利要求1所述的基于相对位置感知的高铁接触网防鸟刺识别方法， 其特征在 于， 所述目标检测模型的在线预测过程， 包括： 通过第一阈值剔除预测置信度较低的预测 框； 同时， 当两个预测框的交并比超出第二阈值时， 采用非最大值抑制策略删选二者中预测 置信度较低的框； 其中， 预测置信度定义 为： O＝IoU1×IoU2 其中， IoU1为防鸟刺真实框与防鸟预测框的交并比， IoU2为支撑装置预测框与防鸟刺预 测框的交并比， 分别定义如下； 其中， C表示防鸟刺真实框内所有像素组成的集合， D表示支撑装置预测框与防鸟刺预 测框的最小外 接矩形内所有像素组成的集 合。 7.一种基于相对位置感知的高铁 接触网防鸟刺识别系统， 其特 征在于， 包括： 获取模块， 用于获取高铁 接触网巡检图像； 检测模块， 用于利用预先训练好的目标检测模型， 对获取的所述高铁接触网巡检图像 进行处理， 得到防鸟刺识别结果； 其中， 所述预先训练好的目标检测模型由训练集训练得 到， 所述训练集包括多张高铁接触网巡检图像以及标注所述高铁接触网巡检图像中防鸟刺 的标签。 8.一种非暂态计算机可读存储介质， 其特征在于， 所述非暂态计算机可读存储介质用 于存储计算机指 令， 所述计算机指 令被处理器执行时， 实现如权利要求 1‑6任一项所述的基 于相对位置感知的高铁 接触网防鸟刺识别方法。 9.一种计算机程序产品， 其特征在于， 包括计算机程序， 所述计算机程序当在一个或多 个处理器上运行时， 用于实现如权利要求1 ‑6任一项所述的基于相对位置感知的高铁接触 网防鸟刺识别方法。 10.一种电子设备， 其特征在于， 包括： 处理器、 存储器以及计算机程序； 其中， 处理器与 存储器连接， 计算机程序被存储在 存储器中， 当电子 设备运行时， 所述处理器执行所述存储 器存储的计算机程序， 以使电子设备执行实现如权利要求1 ‑6任一项所述的基于相对位置 感知的高铁 接触网防鸟刺识别方法的指令 。权　利　要　求　书 2/2 页 3 CN 115511876 A 3