(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 202210824003.1 (22)申请日 2022.07.12 (71)申请人 南京云创大 数据科技股份有限公司 地址 210000 江苏省南京市秦淮区永智路6 号南京白下高新技术产业园区四号楼 A栋9层 (72)发明人 刘鹏　张真　汪良楠　张堃　曹骝　 (74)专利代理 机构 南京中盟科创知识产权代理 事务所 (特殊普通合伙) 32279 专利代理师 孙丽君 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/33(2017.01) G06V 10/44(2022.01)G06V 10/75(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于小样本目标检测的轨道交通检测 方法 (57)摘要 本发明公开了一种基于小样本目标检测的 轨道交通检测方法， 该方法包括以下步骤； S1、 接 收轨道交通巡检任务， 获取轨道交通巡检区域； S2、 获取轨道交通巡检区域内宏观上的测试图像 及参考图像， 并采用图像帧前后对比算法对测试 图像及参考图像进行对比， 实现对轨道交通宏观 的筛选； S3、 根据筛选 结果进行自适应微观切换， 完成变化区域的筛选； S4、 采用小样本目标检测 算法对变化区域的具体形态进行识别。 本发明能 够在轨道交通沿线检测是否有沉积， 宏观是轨道 旁边检测是否有车、 人经过， 微观是检测是否有 石头、 裂缝等， 通过宏观与微观上的配合， 准确的 得到轨道交通变化区域及识别变化区域的具体 形态。 权利要求书2页 说明书6页 附图1页 CN 115100175 A 2022.09.23 CN 115100175 A 1.一种基于小样本目标检测的轨道交通检测方法， 其特 征在于， 该 方法包括以下步骤； S1、 接收轨道交通巡检任务， 获取轨道交通巡检区域； S2、 获取轨道交通巡检区域内宏观上的测试图像及参考图像， 并采用图像帧前后对比 算法对测试图像及参 考图像进行对比， 实现对轨道交通宏观的筛 选； S3、 根据筛 选结果进行自适应微观切换， 完成变化区域的筛 选； S4、 采用小样本目标检测算法对变化区域的具体形态进行识别。 2.根据权利要求1所述的一种基于小样本目标检测的轨道 交通检测方法， 其特征在于， 所述S2中采用图像帧前后对比算法对测试图像及参考图像进 行对比， 实现对铁轨宏观的筛 选还包括以下步骤： 完成测试图像与参 考图像对比的准备工作； 通过孪生神经网络分别对测试图像及参 考图像的特 征进行提取； 利用全卷积网络对提取的测试图像及参考 图像的特征进行整合相加， 并利用softmax 进行分类， 得到变化图像。 3.根据权利要求2所述的一种基于小样本目标检测的轨道 交通检测方法， 其特征在于， 所述完成测试图像与参 考图像对比的准备工作还 包括以下步骤： 设定测试图像与参 考图像的大小为 w×h×d； 设定变化的类别标签从集 合l＝1， 2…， N对齐到变化图Iw×h； 其中， N是定义的语义变化的类别数， w表示 图像的宽度、 h表示 图像的高度， d表示 图像 的通道数。 4.根据权利要求3所述的一种基于小样本目标检测的轨道 交通检测方法， 其特征在于， 所述孪生神经网络包括 ResNet残差块、 卷积层及反卷积层， 所述卷积层的卷积核 大小为1× 1。 5.根据权利要求4所述的一种基于小样本目标检测的轨道 交通检测方法， 其特征在于， 所述采用图像帧前后对比算法对测试图像及参考图像进行对比之前若训练数据有限， 则进 行迁移学习， 其中， 所述迁移学习还 包括以下步骤： 采用ResNet5 0作为预训练模型； 利用反卷积网络的concate将预训练模型的输出做和， 并利用1 ×1的卷积核将维度减 少至N； 使用softmax分类 器进行分类， 得到的变化图像的大小为 w×h×N； 其中， w表示图像的宽度、 h表示图像的高度， N是定义的语义变化的类别数。 6.根据权利要求1所述的一种基于小样本目标检测的轨道 交通检测方法， 其特征在于， 所述S4中采用小样本目标检测算法对变化区域的具体形态进行识别还 包括以下步骤： 获取变化区域的图像和支持集， 将变化区域的图像和支持集输入共享特征提取器， 并 生成查询和支持特 征； 将查询和支持特 征输入密集关系蒸馏模块， 并经 过一个3×3的卷积被编码为键和值； 在获取查询特 征和支持特 征的键/值图后， 进行关系蒸馏。 7.根据权利要求6所述的一种基于小样本目标检测的轨道 交通检测方法， 其特征在于， 所述在获取查询特 征和支持特 征的键/值图后， 进行关系蒸馏还 包括以下步骤： 通过测量查询特征的关键映射和支持特征的关键映射之间的相似性得到支持特征的权　利　要　求　书 1/2 页 2 CN 115100175 A 2软权重， 即以非局部方式执 行像素级相似性， 公式如下： F(kqi,ksj)＝φ(kqi)Tφ'(ksj)； 其中， i和 j是查询和支持位置的索引， φ、 φ'表示两个不同的线性变换， 参数在训练过 程中通过反向传播学习， 形成一个动态学习的相似度函数， kqi,ksj是查询特征的关键映射 和支持特 征的关键映射， T为非零自然数。 8.根据权利要求7所述的一种基于小样本目标检测的轨道 交通检测方法， 其特征在于， 所述像素级相似性计算之后， 通过 试行softmax 归一化以输出最终权 重： 其中， exp为以自然常数 e为底的指数函数。 通过加权求和与产生的软权重来检索支持特征的值， 并将支持特征的值与查询特征的 值连接起 来， 输出公式为： y＝concat[vq,W*vs]； 其中， *表示矩阵内积， W为最终权重， vq,vs是支持特征 的值与查询特征的值， 支持特征 有N个， 并带来了N个键值对， 对N个输出 结果进行求和获得最终结果， 即细化的查询特 征。 9.根据权利要求6所述的一种基于小样本目标检测的轨道 交通检测方法， 其特征在于， 所述将查询和支持特征输入密集关系蒸馏模块， 并经过一个3 ×3的卷积被编码为键和值 时， 键用来度量 查询特征和支持特 征的相似度， 值则存放具体的信息 。 10.根据权利要求9所述的一种基于小样本目标检测的轨道交通检测方法， 其特征在 于， 所述获得最终结果之后， 将细化的查询特 征输入RPN网络， 并输出区域建议； 以区域建议及特征为输入， 通过RoIAlign输出尺度分别为4 ×4、 8×8及12×12的三个 分辨率的特征图， 其中， 大分辨率的特征图来检测小物体， 小分辨率的特征图来检测大物 体， 并得到全面的特 征； 每个特征包括两个块， 第一个块包含全局平均池化， 第二个块包含两个连续的全连接 层； 每个特征的权重经过softmax 归一化， 则聚合特 征的最终输出为 三个特征的加权求和。权　利　要　求　书 2/2 页 3 CN 115100175 A 3