(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 202210934028.7 (22)申请日 2022.08.04 (71)申请人 中国铁道科 学研究院集团有限公司 铁道建筑研究所 地址 100081 北京市海淀区大柳树路2号 二 区303幢 申请人 铁科检测有限公司 　 中国国家铁路集团有限公司 　 中国铁道科 学研究院集团有限公司 　 铁科 （成都） 检测技 术有限公司 (72)发明人 姚京川　孙新宇　袁慕策　郭继亮　 简国辉　梁志广　刘伯奇　冯楠　 郑佳怡　(74)专利代理 机构 北京慕达星云知识产权代理 事务所 (特殊普通合伙) 11465 专利代理师 符继超 (51)Int.Cl. G06V 20/10(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/24(2022.01) G06V 10/26(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种铁路沿线彩钢房自动提取方法 (57)摘要 本发明公开了一种铁路沿线彩钢房自动提 取方法， 包括： S1、 获取试验区域的铁路沿线遥感 影像， 进行预处理， 得到训练样本； S2、 构建基于 卷积神经网络的目标提取模型； 目标提取模型包 括编码结构和解码结构； S3、 利用训练样本对目 标提取模型进行训练； 在训练阶段， 利用编码结 构提取训练样本的多尺度特征； 利用解码结构 对 多尺度特征进行尺寸还原； 不断对目标提取模型 进行评估和参数优化， 直至满足预设优化目标； S4、 利用训练好的目标提取模型自动提取目标区 域铁路沿线遥感影像中的彩钢房， 并进行地理编 码， 得到彩钢房提取结果。 本发明提取精度高， 能 实现铁路沿线彩钢房的自动提取， 且能有效改善 孔洞问题和边 缘不平滑问题。 权利要求书2页 说明书6页 附图2页 CN 115359351 A 2022.11.18 CN 115359351 A 1.一种铁路沿线彩钢房自动提取 方法， 其特 征在于， 包括： S1、 获取试验区域的铁路沿线遥感影 像， 进行预处理， 得到训练样本； S2、 构建基于卷积神经网络的目标提取模型； 所述目标提取模型包括编码结构和解码 结构； S3、 利用所述训练样本对所述目标提取模型进行训练； 在训练阶段， 利用所述编码结构提取所述训练样本的多尺度特征； 利用所述解码结构 对所述多尺度特征进行尺寸还原； 不断对所述 目标提取模型进行评估和 参数优化， 直至满 足预设优化目标； S4、 利用训练好的目标提取模型自动提取目标区域铁路沿线遥感影像中的彩钢房， 并 进行地理编码， 得到彩钢房提取 结果。 2.根据权利要求1所述的一种铁路沿线彩钢房自动提取 方法， 其特 征在于， S1包括： S11、 按照监测计划采集满足预设空间分辨 率的试验区域铁路遥感影 像； S12、 对试验区域的铁路遥感影像进行图像配准、 融合和几何精校正处理， 得到具有地 理编码信息的遥感影 像； S13、 对S12处理后的铁路遥感影像数据进行裁剪， 得到图像块， 且任意两个相邻所述图 像块间的重 叠率不小于30％； S14、 对各个所述图像块进行超像素分割， 利用半监督分类方式对分割结果进行分类， 并对半监 督分类结果进行修 正和标注， 得到标注样本； S15、 对所述标注样本进行裁 剪、 旋转、 对称和归一 化操作， 得到最终的所述训练样本 。 3.根据权利要求1所述的一种铁路沿线彩钢房自动提取方法， 其特征在于， S2中， 所述 编码结构的基础架构为ResNet ‑101网络结构， 包含多个编码模块； 所述解码结构包含多个 堆叠的反卷积层； 所述编码模块和所述反卷积层的数量相同， 且每个所述编码模块和每个 所述反卷积层一 一对应连接 。 4.根据权利要求3所述的一种铁路沿线彩钢房自动提取方法， 其特征在于， 每个所述编 码模块包括： 卷积层、 池化层和归一化层； 其中， 所述池化层为最大值池化层和均值池化层 组成的组合池化层； 所述组合池化层的输出为 最大值池化 值与均值池化 值的相加值。 5.根据权利要求4所述的一种铁路沿线彩钢房自动提取方法， 其特征在于， 所述归一化 层的计算公式为： 其中， γ为缩放参数， β 为偏置参数； X为像素值， E|x|为像素值均值， Var[x]为像素值的 标准差， ε为超参数。 6.根据权利要求3所述的一种铁路沿线彩钢房自动提取方法， 其特征在于， S3中， 训练 阶段包括： 将所述训练样本依次输入所述编码结构的多层编码模块， 得到训练样本的多级尺度的 下采样特 征图； 从所述编码结构的最后 一层编码模块得到的下采样特征图开始， 利用所述解码结构的 多个反卷积层一一对相同尺度下的所述下采样特征图进行上采样， 得到与所述训练样本原权　利　要　求　书 1/2 页 2 CN 115359351 A 2尺寸相同的融合特 征图； 利用Softmax分类 器得到所述融合特 征图中每 个像素属于彩钢房的概 率值。 7.根据权利要求6所述的一种铁路沿线彩钢房自动提取方法， 其特征在于， S3中， 在判 定像素类别时， 采用0.7作为阈值， 若得到的概率值大于或等于0.7， 则 该像素属 于彩钢房， 若得到的概 率值小于0.7， 则该像素属于背景。 8.根据权利要求6所述的一种铁路沿线彩钢房自动提取方法， 其特征在于， 所述目标提 取模型的损失函数为： 其中， yi表示像素 标签值， y ’i表示该像素值的类别预测概 率。 9.根据权利要求6所述的一种铁路沿线彩钢房自动提取方法， 其特征在于， 所述融合特 征图至少包括： 彩钢房的初级位置、 纹 理和高级语义信息 。 10.根据权利要求1所述的一种铁路沿线彩钢房自动提取方法， 其特征在于， S4还包括： 根据目标区域铁路沿线遥感影像中的彩钢房的地理编码， 得到彩钢房的地理坐标， 根据地 理坐标计算彩钢房的面积。权　利　要　求　书 2/2 页 3 CN 115359351 A 3