一种可适应于夜间环境的站台安全位置警报方法及系统

本技术涉及站台安全领域，尤其涉及一种可适应于夜间环境的站台安全位置警报方法及系统。

背景技术：

1、随着高速铁路的发展，快捷、便利等优点使得高铁成为主要出行交通工具之一，轨道安全成为重要问题。通过使用传感器和技术手段，对轨道交通线路的状态、设备性能以及周边环境进行检测以确保轨道交通安全、高效运行。

2、而在现有技术到当中，随着高铁站的建设也逐渐增加，要么采用人工检测来对列车站台上的安全位置进行检测，但往往会存在人工无法全面检测的情况，并且也会较高的检测成本，要么采用yolo检测模型来对列车站台上的安全位置进行检测，但往往会出现定位精度相当较低的情况，并且在夜间环境的识别度也相对较低。

技术实现思路

1、本技术实施例的主要目的在于提出一种可适应于夜间环境的站台安全位置警报方法及系统，能够提高夜间环境下的列车站台安全位置的识别精度，并且提高了对处于列车站台上的行人的安全保障能力。

2、为实现上述目的，本技术实施例的第一方面提出了一种可适应于夜间环境的站台安全位置警报方法，包括：

3、获取目标站台实时图像；

4、基于rt-detr站台训练模型对目标站台实时图像进行图像实例分割，得到目标区域划分集合；目标区域划分集合包括站台边缘区域和轨道区域，站台边缘区域包括上下列车区域和非上下列车区域；

5、基于rt-detr站台训练模型对目标站台实时图像的行人位置和列车位置进行检测，得到目标行人位置和目标列车位置；

6、当目标行人位置进入或处于轨道区域，控制对应的警报装置发生警报；

7、当目标行人位置进入或处于站台边缘区域并且目标列车位置未进站，控制警报装置发生警报；

8、当目标行人位置进入或处于上下列车区域并且目标列车位置已进站，不控制警报装置发生警报；

9、当目标行人位置进入或处于非上下列车区域并且目标列车位置已进站，控制警报装置发生警报。

10、进一步，在一些实施例中，基于rt-detr站台训练模型对目标站台实时图像进行图像实例分割，得到目标区域划分集合之前，站台安全位置警报方法还包括：

11、获取站台图像原始训练样本集；

12、根据双随机数据增强算法，对站台图像原始训练样本集进行数据增强，得到站台图像增强训练样本集；双随机数据增强算法包括随机选择算法、第一数据增强算法和第二数据增强算法；

13、初始化rt-detr站台原始模型；

14、根据站台图像增强训练样本集，对rt-detr站台原始模型进行训练，得到rt-detr站台训练模型。

15、进一步，在一些实施例中，根据双随机数据增强算法，对站台图像原始训练样本集进行数据增强，得到站台图像增强训练样本集，包括：

16、基于随机选择算法将站台图像原始训练样本集划分为第一站台图像原始训练样本集和第二站台图像原始训练样本集；

17、基于第一数据增强算法对第一站台图像原始训练样本集进行数据增强，得到第一站台图像增强训练样本集；

18、基于第二数据增强算法对第二站台图像原始训练样本集进行数据增强，得到第二站台图像增强训练样本集；

19、将第二站台图像增强训练样本集和第二站台图像增强训练样本集进行合并，得到站台图像增强训练样本集。

20、进一步，在一些实施例中，基于第一数据增强算法对第一站台图像原始训练样本集进行数据增强，得到第一站台图像增强训练样本集，包括：

21、根据随机像素矩阵生成算法，对第一站台图像原始训练样本集的各个子集随机生成增强区域，得到增强区域样本集；

22、根据hsv颜色空间结构，将增强区域样本集的各个子集的亮度维度参数进行数值下调，得到第一站台图像增强训练样本集。

23、进一步，在一些实施例中，根据随机像素矩阵生成算法，对第一站台图像原始训练样本集的各个子集随机生成增强区域，得到增强区域样本集，包括：

24、根据第一站台图像原始训练样本集，确认第一站台图像原始训练样本集的各个子集的像素大小和像素位置，得到第一站台图像原始训练样本集的图像区域信息集合；

25、根据随机像素矩阵生成算法，在图像区域信息集合的各个子集区域内生成随机像素大小的方位矩阵，得到增强区域样本集。

26、进一步，在一些实施例中，基于第二数据增强算法对第二站台图像原始训练样本集进行数据增强，得到第二站台图像增强训练样本集，包括：

27、根据hsv颜色空间结构，将第二站台图像原始训练样本集的各个子集的亮度维度参数进行数值下调，得到第二站台图像增强训练样本集。

28、进一步，在一些实施例中，根据站台图像增强训练样本集，对rt-detr站台原始模型进行训练，得到rt-detr站台训练模型，包括：

29、根据激活函数，在rt-detr站台原始模型中对站台图像增强训练样本集进行参数推理，得到rt-detr站台原始模型的训练输出数据；

30、根据多元交叉熵损失函数，对训练输出数据进行损失计算，得到rt-detr站台原始模型的梯度损失数据；

31、根据随机梯度下降优化算法，基于梯度损失数据对rt-detr站台原始模型的参数进行反向迭代优化，得到rt-detr站台训练模型。

32、为实现上述目的，本技术实施例的第二方面提出了一种站台安全位置警报系统，包括：

33、数据获取模块，用于获取目标站台实时图像；

34、数据分割模块，用于基于rt-detr站台训练模型对目标站台实时图像进行图像实例分割，得到目标区域划分集合；

35、数据检测模块，用于基于rt-detr站台训练模型对目标站台实时图像的行人位置和列车位置进行检测，得到目标行人位置和目标列车位置；

36、警报模块，用于控制警报装置发生警报；

37、数据分析模块，用于根据目标行人位置和目标列车位置，判断是否控制警报模块触发警报。

38、为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面的可适应于夜间环境的站台安全位置警报方法。

39、为实现上述目的，本技术实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面实施例所述的可适应于夜间环境的站台安全位置警报方法。

40、本技术实施例具有以下有益效果：本技术通过目标站台实时图像，然后基于rt-detr站台训练模型对所述目标站台实时图像进行图像实例分割。得到对应的上下列车区域、非上下列车区域和轨道区域，基于rt-detr站台训练模型对所述目标站台实时图像对行人位置和列车位置进行检测，得到目标行人位置和目标列车位置，最后根据目标行人位置和目标列车位置进行对应的报警逻辑处理，进而提高了夜间环境下的列车站台安全位置的识别精度，同时也提高了对处于列车站台上的行人的安全保障能力。