(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 202210728626.9 (22)申请日 2022.06.24 (71)申请人 浙江网新智能技 术有限公司 地址 310006 浙江省杭州市临安区青山湖 街道胜联路8 88号105室 (72)发明人 张煜菲　袁锦辉　李邺　尤新　 (74)专利代理 机构 杭州华鼎知识产权代理事务 所(普通合伙) 33217 专利代理师 秦晓刚 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/26(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于强化特 征提取的轨道分割方法 (57)摘要 本发明公开了一种基于强化特征提取的轨 道分割方法， 采集轨道图片后经深度学习网络模 型进行处理， 深度学习网络模型参照resnet 50和 Unet网络设计出了混合改进网络模型， 在该混合 改进网络模型中， 轨道图片分为原图和标注图， 原图和标注 图按照设定比例随机分配分成训练 集和测试集； 并且resnet50中加入聚合模块和 BAM注意力机制， 通过聚合模块， 聚合遥感图像空 间信息， 获得分类内和类间的上下文关系， 再通 过BAM注意力机制使网络 学习到轨道部分的特征 值。 本发明采用resnet50与Unet的结合网络， 能 更好的结合图像的背景语义信息， 进行多尺度的 分割， 且使得Unet网络更好的运用于其他数据 集。 权利要求书1页 说明书5页 附图4页 CN 115170989 A 2022.10.11 CN 115170989 A 1.一种基于强化特征提取的轨道分割方法， 采集轨道图片后经深度 学习网络模型进行 处理， 其特征在于， 所述深度学习网络模型参照resnet50和Unet网络设计出了混合改进网 络模型， 在该混合改进网络模型中， 轨道图片分为原图和标注图， 原图和标注图按照设定比 例随机分配 分成训练集和测试集； 并且 所述resnet50中加入聚合模块和BAM注 意力机制， 通 过聚合模块， 聚合遥感图像空间信息， 获得分类内和 类间的上下文关系， 再通过BAM注意力 机制使网络学习到 轨道部分的特 征值。 2.根据权利要求1所述的一种基于强化特征提取的轨道分割方法， 其特征在于： 原图和 标注图按照9： 1或8 :2的比例随机分配分成训练集和 测试集。 3.根据权利要求1所述的一种基于强化特征提取的轨道分割方法， 其特征在于： 以 resnet50为主干模型， 加上Unet的上采样部分构成resnet5 0与Unet的混合改进网络模型。权　利　要　求　书 1/1 页 2 CN 115170989 A 2一种基于强化特征提取的轨道分割方 法 技术领域 [0001]本发明属于 轨道交通 技术领域， 具体涉及轨道分割技 术。 背景技术 [0002]铁路在长期的运行过程中， 轨道不仅受自然条件的影响， 还有火车车辆的动力作 用对铁路的影响。 上述所说对铁路的影响因素可能会损害轨道， 从而降低铁路运输的安全 性， 会对运输效率和人们 出行造成一定不良影响， 所以及时对铁路轨道进行维修和养护至 关重要。 [0003]由于铁路数量众多， 若单单依靠人工进行维护和修养会导致运作效率低下， 且人 工维护劳动强度大， 工人本身的身体素质和技术素质也成为了影响因素， 无法做到高效率 维修。 针对这一点， 近年来无人机遥感技术有了很大进步， 采用无人机对轨道区域进 行定期 或不定期的巡检成为一种发展趋势。 但同时无人机遥感技术也存在缺点， 它采集的图像涉 及的视野范围广， 内容丰富， 分辨率高， 且对铁路的维修种类复杂， 包括改善轨枕、 道床、 道 岔、 路基以及道口的状态等， 这些就要求技术人员可以精确的分割出铁路轨道部 分， 这样才 能做到及时发现问题并对轨道损害部分进行维修和养护。 [0004]对轨道分割这一需求来说就属于深度学习图像语义分割领域。 目前在图像分割方 面较为经典的就是卷积神经网络模型。 王志鹏， 童磊等人提出了一种铁路轨道 区域分割提 取方法， 首先用无人机搭载可见光相机采集铁路沿线场景地物图像， 并将其作为数据集， 然 后构建铁路沿线场景分割模 型， 并将训练集放入模 型进行训练。 模型训练完成后， 采用测试 集中的图像输入到铁路沿线场景分割模 型中， 得到相应的分割好的灰度图像LBL， 对图像和 LBL应用双矩形法， 完成轨道区域和相应标签图像的提取。 黄永祯， 赵晟初等人提出了一种 轨面语义分割方法， 将获取 的轨道图像输入至预先训练好的轨面语义分割模型中， 获取所 述轨道图像中每个像素点对应的分类概率， 所述分类概率用于表征每个像素点是轨面特征 的概率， 根据所述轨道图像中每个像素点对应的分类概率和预设分类概率阈值， 得到所述 轨道图像的轨面分割图像。 [0005]但是单纯的卷积网络不能精确的分割出轨道边缘， 并且对轨道的分割存在空缺现 象， 对于图像中较远处部 分不能精确分割。 并且无人机遥感技术的成像会受到天气， 光线遮 挡物等等的影响， 这对于图像分割来说都是难点。 发明内容 [0006]针对现有技术的缺陷， 本发明所要解决的技术问题就是提供一种基于强化特征提 取的轨道分割方法， 提高轨道图片分割精度。 [0007]为解决上述 技术问题， 本发明采用如下技 术方案： [0008]一种基于强化特征提取的轨道分割方法， 采集轨道图片后经深度学习网络模型进 行处理， 所述深度学习网络模型参照resnet50和Unet网络设计出了混合改进网络模型， 在 该混合改进网络模型中， 轨道图片分为原图和标注图， 原图和标注图按照设定比例随机分说　明　书 1/5 页 3 CN 115170989 A 3