一种线路异物的检测方法、装置、设备及存储介质

技术领域

本申请涉及深度学习技术，尤其涉及一种线路异物的检测方法、装置、设备及存储介质。

背景技术

交通线路上存在异物，可能会引发交通事故，所以交通线路的异物检测对于交通安全非常重要。

目前，交通线路的异物检测是在车辆前方或者交通线路的不同路段处安装摄像机，拍摄交通线路的视频。并根据视频中相邻两帧的视频图像进行差分运算，从而确定交通线路上是否存在异物。

然而，对视频图像进行差分运算这种检测方式，异物检测的准确度不高。

发明内容

本申请提供一种线路异物的检测方法、装置、设备及存储介质，用以解决线路异物检测准确度不高的问题。

第一方面，本申请提供一种线路异物的检测方法，包括：获取原始视频，所述原始视频包括对交通线路进行拍摄得到的至少一帧线路图像；将所述原始视频输入分割模型，得到所述原始视频中每帧线路图像的分割图像，所述分割模型是根据线路训练图像和标签，对卷积神经网络进行训练得到，且用于对所述至少一帧线路图像进行图像分割的模型；根据每帧线路图像的分割图像，确定所述线路图像对应的线路位置是否存在异物。

第二方面，本申请提供一种分割模型的训练方法，包括：获取线路训练图像，所述线路训练图像对应有标签，所述标签为所述线路训练图像中线路的像素点坐标；根据所述线路训练图像和标签，对卷积神经网络进行迭代训练，得到所述分割模型。

第三方面，本申请提供一种线路异物的检测装置，包括：第一获取模块，用于获取原始视频，所述原始视频包括对交通线路进行拍摄得到的至少一帧线路图像；分割模块，用于将所述原始视频输入分割模型，得到所述原始视频中每帧线路图像的分割图像，所述分割模型是根据线路训练图像和标签，对卷积神经网络进行训练得到，且用于对所述至少一帧线路图像进行图像分割的模型；确定模块，用于根据每帧线路图像的分割图像，确定所述线路图像对应的线路位置是否存在异物。

第四方面，本申请提供一种分割模型的训练装置，包括：第二获取模块，用于获取线路训练图像，所述线路训练图像对应有标签，所述标签为所述线路训练图像中线路的像素点坐标；训练模块，用于根据所述线路训练图像和标签，对卷积神经网络进行迭代训练，得到所述分割模型。

第五方面，本申请提供一种计算机设备，包括：存储器，处理器；

存储器；用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行如第一方面所述的方法；

和/或，

所述处理器被配置为执行如第二方面所述的方法。

第六方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的方法；

和/或，

所述处理器被配置为执行如第二方面所述的方法。

第七方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述的方法；

和/或，

该计算机程序被处理器执行时实现第二方面所述的方法。

本申请提供的线路异物的检测方法、装置、设备及存储介质，通过获取原始视频，该原始视频包括对交通线路进行拍摄得到的至少一帧线路图像，并采用预先训练好的分割模型对每帧线路图像进行图像分割，之后根据图像分割结果确定每帧线路图像中是否包括异物。由于是采用预先训练好的分割模型对每帧线路图像进行图像分割，而分割模型是对线路图像中每个像素点进行分类，因而图像分割结果中能够表达出不同类别的对象，结合交通线路异物检测场景下，仅包括交通线路，或者包括交通线路和异物，就能够很好地检测出交通线路上是否存在异物，从而提高交通线路异物检测的准确度。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为本申请实施例提供的线路异物的检测方法的一种场景示意图；

图2为本申请实施例提供的一种线路异物的检测方法的流程图一；

图3为本申请实施例提供的一种线路异物的检测方法的流程图二；

图4为本申请实施例提供的一种卷积神经网络的架构图；

图5为本申请实施例提供的一种线路异物的检测方法的流程图三；

图6为本申请实施例提供的不存在异物的轨道线的二值图像的示例图；

图7为本申请实施例提供的存在异物的轨道线的二值图像的示例图；

图8为本申请实施例提供的一种分割模型的训练方法的流程图四；

图9为本申请实施例提供的线路异物的检测装置的结构示意图；

图10为本申请实施例提供的分割模型的训练装置的结构示意图；

图11为本申请实施例提供的计算机设备的结构示意图；

图12为本申请实施例提供的计算机设备的结构示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

交通线路(Transport Line)是按一定技术标准与规模进行修建，并具备必要运输设施和技术设备，旨在运送各种客货运的交通道路。包括铁路、公路、内河航道、海上航线、空中航线、管道和索道等。广义的还包括城市内部各种交通道路。对于铁路、公路、管道、索道、城市内部各种交通道路这些交通线路，若存在异物，会对车辆通行造成阻碍，严重的甚至会引发交通事故。因此，对交通线路进行异物检测，是交通领域中重要的课题。

目前，对交通线路进行异物检测大多是采用帧间差分法。当交通线路上出现异常物体时，相邻的两帧视频图像之间会出现较为明显的差别，两帧视频图像相减，得到两帧图像的灰度差值，根据灰度差值和预先设定的阈值，就能够判断交通线路上是否存在异常物体。

上述帧间差分法本质上是通过对两帧图像的像素点进行运算来检测异常物体，这种方式无法准确表达出图像中异常物体的特征；另外，这种方式需要手动设置一些阈值，阈值的设定受人为经验的影响。因此，目前的交通线路的异物检测方法，准确度不高。

另外，对于在交通线路固定路段安装摄像机对交通线路进行拍摄的方案，拍摄的视频实质上是静态的背景，并且拍摄的视频中的图像受拍摄场景和拍摄光线的影响较大，距离摄像机远的地方，检测性能不稳定，进而导致检测结果也不准确。

此外，上述方法是在中央处理器(Central Processing Unit，CPU)中进行，CPU的处理速度无法满足交通线路上异物的实时性检测需求。

针对上述技术问题中的至少一个技术问题，本申请的发明人提出如下技术构思：通过深度学习方式，对交通线路视频序列中的每一帧视频图像进行图像分割，图像分割可以理解为是对每帧图像中的每个像素点进行分类。通过对每帧视频图像中每个像素点进行分类，能够将不同对象的像素点进行归类，从而分割得到不同的对象。若交通线路上不存在异物，则最终分割得到的图像中仅包括一类对象，即线路，且该线路呈现为一个连续的未被截断的独立区域；若交通线路上存在异物，则最终分割得到的图像中会包括两类对象，即线路和异物，该线路呈现为被截断的多个独立区域。那么通过统计分割图像中独立区域的数量，就可以确定交通线路上是否存在异物。从而提高交通线路异物的检测准确度。

下面结合附图以具体的几个实施例对本申请提供的数据更新方法进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程在某些实施例中不再赘述。

图1为本申请实施例提供的线路异物的检测方法的一种场景示意图。如图1所示，本实施例的场景中包括：图像采集设备11、数据库服务器12、计算处理设备13和用户设备14。其中，图像采集设备11与数据库服务器12通信连接；数据库服务器12与计算处理设备13通信连接；数据库服务器12还与用户设备14通信连接。

图像采集设备11可以是摄像机，其可以安装在车辆上，也可以安装在对交通线路进行巡检的机器人上，用于对交通线路进行拍摄得到原始视频。该原始视频上传至数据库服务器12进行存储，计算处理设备13从数据库服务器12中获取原始视频，并根据原始视频进行异物检测，之后将异物检测结果再保存在数据库服务器12中，数据库服务器12中异物检测结果与原始视频进行绑定存储。用户设备14通过数据库服务器12可以查看交通线路的异物检测结果。

在一些场景下，也可以是图像采集设备11将采集的视频直接发送至计算处理设备13，由计算处理设备13根据采集的原始视频进行异物检测之后，再将该原始视频和异物检测结果共同上传至数据库服务器12中进行存储。

应当理解，上述场景中的设备为示例性说明，并不限定必须是上述几个设备。例如，在一些场景下，本实施例还可以将计算处理设备13和用户设备14的功能集成在一台设备上，通过一台设备实现。

下面基于图1所示的场景，对本申请实施例提供的线路异物的检测方法进行详细介绍。

图2为本申请实施例提供的一种线路异物的检测方法的流程图一，如图2所示，本实施例的线路异物的检测方法，包括如下步骤：

步骤S201、获取原始视频，原始视频包括对交通线路进行拍摄得到的至少一帧线路图像。

本实施例的方法的执行主体可以是图1中的计算处理设备。计算处理设备从数据库服务器中获取存储的原始视频。

步骤S202、将原始视频输入分割模型，得到原始视频中每帧线路图像的分割图像，分割模型是根据线路训练图像和标签，对卷积神经网络进行训练得到，且用于对至少一帧线路图像进行图像分割的模型。

本实施例中，分割模型为预先训练好，并存储在计算处理设备中的模型。计算处理设备在获取到原始视频后，调用分割模型对原始视频中的每一帧线路图像进行图像分割，得到每帧线路图像的分割图像。

步骤S203、根据每帧线路图像的分割图像，确定线路图像对应的轨道线位置是否存在异物。

如前所述，交通线路和交通线路上的异物可以视为不同的对象。分割模型对线路图像中每个像素点进行分类，从而将不同对象的像素点进行归类。若交通线路上不存在异物，则最终分割得到的图像中仅包括一类对象，即线路，且该线路呈现为一个连续的未被截断的独立区域；若交通线路上存在异物，则最终分割得到的图像中会包括两类对象，即线路和异物，该线路呈现为被截断的多个独立区域。那么通过统计分割图像中独立区域的数量，就可以确定交通线路上是否存在异物。

本实施例通过获取原始视频，该原始视频包括对交通线路进行拍摄得到的至少一帧线路图像，并采用预先训练好的分割模型对每帧线路图像进行图像分割，之后根据图像分割结果确定每帧线路图像中是否包括异物。由于是采用预先训练好的分割模型对每帧线路图像进行图像分割，而分割模型是对线路图像中每个像素点进行分类，因而图像分割结果中能够表达出不同类别的对象，结合交通线路异物检测场景下，仅包括交通线路，或者包括交通线路和异物，就能够很好地检测出交通线路上是否存在异物，从而提高交通线路异物检测的准确度。

在上述实施例的基础上，图3为本申请实施例提供的一种线路异物的检测方法的流程图二，如图3所示，本实施例的线路异物的检测方法，包括如下步骤：

步骤S301、针对原始视频中的每帧线路图像，进行多次下采样，得到下采样图像。

其中，多次下采样中的每次下采样包括多次卷积操作，多次卷积操作可以是至少三次卷积操作，且所述至少三次卷积操作中的第一次卷积操作、第二次卷积操作或第三次卷积操作为M×N的卷积操作，或者，所述至少三次卷积操作中的第一次卷积操作、第二次卷积操作或第三次卷积操作为N×M的卷积操作，其中，M和N均为正整数，M≠N。

在一些实施例中，M可以取值为1，N取值为3、5、7或9。则至少三次卷积操作中的第一次卷积操作、第二次卷积操作或第三次卷积操作为1×N，或者，至少三次卷积操作中的第一次卷积操作、第二次卷积操作或第三次卷积操作为N×1的卷积操作。

具体的，本实施例是针对原始视频中的每帧线路图像，依次进行多次下采样，得到下采样图像。

举例来说，多次下采样包括4次下采样，则本实施例的步骤包括：

针对原始视频中的一帧线路图像a，进行下采样，得到特征图a1；

对特征图a1进行下采样，得到特征图a2；

对特征图a2进行下采样，得到特征图a3；

对特征图a3进行下采样，得到特征图a4。

步骤S302、对下采样图像进行多次上采样，得到线路图像的分割图像。

其中，多次上采样的次数与多次下采样的次数相同。

举例来说，多次上采样包括4次上采样，则本实施例的步骤包括：

对特征图a4进行上采样，并将上采样结果图与特征图a4进行拼接，得到特征图a5；

对特征图a5进行上采样，并将上采样结果图与特征图a3进行拼接，得到特征图a6；

对特征图a6进行上采样，并将上采样结果图与特征图a2进行拼接，得到特征图a7；

对特征图a7进行上采样，并将上采样结果图与特征图a1进行拼接，得到特征图a8。

本实施例是基于卷积神经网络进行的操作。该卷积神经网络可以是u-net网络，也可以是fcn网络。u-net网络是一种图像分割网络，最初应用在医学图像中，是一种编解码网络，类似于大写的英文字母U，其编码阶段包括4个下采样层，解码器每层的特征图进行上采样后与对应的下采样层进行特征融合，低层信息和高层语义信息进行融合，从而能有效提高目标边缘的分割精度。

本实施例中的线路为细长型目标，将u-net网络直接应用于线路异物检测，分割效果不佳。为了改善u-net网络对线路这种细长类型目标的分割效果，本实施例对u-net网络进行了改进，改进后的u-net网络更关注细长类型的目标在某一个方向上的连续特征，例如在线路行驶方向上的连续特征。下面以改进后的u-net网络为例，对卷积神经网络的架构以及卷积神经网络如何进行图像分割进行介绍。

图4为本申请实施例提供的一种卷积神经网络的架构图。如图4所示，该卷积神经网络包括：

级联的第一上采样层41、第二上采样层42、第三上采样层43和第四上采样层44；

级联的第一下采样层45、第二下采样层46、第三下采样层47和第四下采样层48；

其中，第一下采样层45和第一上采样层41连接，第二下采样层46和第二上采样层42连接，第三下采样层47和第三上采样层43连接，第四下采样层48和第四上采样层44连接。

另外，第一下采样层45、第二下采样层46、第三下采样层47和第四下采样层48中，每个下采样层包括级联的3个卷积层，该3个卷积层中的第2个卷积层采用1×N或N×1的卷积操作，N为正整数，N可以取值为3、5、7或9。

其中，1×N或N×1的卷积操作能够对细长类型目标的主要方向进行局部特征提取，提高特征提取的关联性，同时1×N或N×1的卷积具有更少的参数量，改进后的卷积神经网络更加轻量化。

基于上述卷积神经网络，对每帧线路图像的处理方法包括如下方法步骤：

步骤a1、将每帧线路图像输入第一下采样层45进行下采样，得到第一特征图。

其中，第一下采样层45包括第一卷积层451、第二卷积层452和第三卷积层453；其中，第二卷积层452为1×N或N×1的卷积层。

该步骤a1包括：

步骤a11、将每帧线路图像输入第一卷积层451进行卷积操作，得到第一结果图像；

步骤a12、将第一结果图像输入第二卷积层452进行1×N或N×1的卷积操作，得到第二结果图像；

步骤a12、将第二结果图像输入第三卷积层453进行卷积操作，得到第一特征图。

其中，第一卷积层和第三卷积层的卷积核可以参见u-net网络的相关技术的介绍，本实施例在此不再详细介绍。

步骤a2、将第一特征图输入第二下采样层46进行下采样，得到第二特征图。

其中，步骤a2的具体实施方式与步骤a1类似，具体可参见步骤a1的具体实施方式，此处不再赘述。

步骤a3、将第二特征图输入第三下采样层47进行下采样，得到第三特征图。

其中，步骤a3的具体实施方式与步骤a1类似，具体可参见步骤a1的具体实施方式，此处不再赘述。

步骤a4、将第三特征图输入第四下采样层48进行下采样，得到第四特征图。

其中，步骤a4的具体实施方式与步骤a1类似，具体可参见步骤a1的具体实施方式，此处不再赘述。

步骤a5、将第四特征图输入第一上采样层41进行上采样，并将上采样图像与第四特征图进行拼接，得到第五特征图。

步骤a6、将第五特征图输入第二上采样层42进行上采样，并将上采样图像与第三特征图进行拼接，得到第六特征图。

步骤a7、将第六特征图输入第三上采样层43进行上采样，并将上采样图像与第二特征图进行拼接，得到第七特征图。

步骤a8、将第七特征图输入第四上采样层44进行上采样，并将上采样图像与第一特征图进行拼接，得到第八特征图。

其中，步骤a5、步骤a6、步骤a7和步骤a8中，每个上采样层的卷积层的层数，以及每个卷积层的卷积核参数，可以参见u-net网络的相关技术的介绍，本实施例在此不再详细介绍。

应当理解，对于fcn等其他卷积神经网络，其每个下采样层需包括至少3个卷积层，通常情况下，1×N或N×1的卷积核对应的卷积层可以设置为每个下采样层的前3个卷积层中任一个卷积层。

举例来说，下采样层包括4个卷积层或者4个以上的卷积层，则1×N或N×1的卷积核对应的卷积层可以设置为该下采样层的第1个、第2个或者第3个卷积层。

在上述实施例的基础上，图5为本申请实施例提供的一种线路异物的检测方法的流程图三，如图5所示，本实施例的线路异物的检测方法，包括如下步骤：

步骤S501、确定分割图像中独立区域的数量，该分割图像包括至少一个线路。

本实施例是根据最小外接矩形方法，确定分割图像中独立区域的数量。

具体的，确定分割图像中独立区域的数量，包括：

步骤S5011、针对分割图像中的一个线路，根据最小外接矩形方法，确定分割图像中分割出来的对象的外接矩形。

其中，如何根据最小外接矩形方法，确定分割图像中分割出来的对象的外接矩形的具体实施过程，可以参见最小外接矩形方法的相关技术介绍，本实施例在此不再赘述。

步骤S5012、将分割图像中外接矩形的数量，作为分割图像中独立区域的数量。

步骤S502、针对分割图像中的一个线路，若独立区域的数量大于或等于预设的数量，则确定线路图像对应的线路位置存在异物。

步骤S503、若独立区域的数量小于预设的数量，则确定线路图像对应的线路位置不存在异物。

以轨道线为例，若轨道线不存在异物，则分割图像中轨道线是一个连续的完整的区域。若轨道线上存在异物，则分割图像中轨道线呈现为被截断的多个区域。通过寻找分割图像中相互独立的区域的个数，并且对于单个轨道线，若独立区域的个数大于或等于2，则表示轨道线上存在异物，如果个数为1，则表示该轨道线上不存在异物。

其中，卷积神经网络的输出为红绿蓝(Red Green Blue，RGB)图像，直接根据RGB图像判断轨道线上是否存在异物，判断过程较为复杂，且计算压力较大。为了简化判断过程，以及减少计算压力，可以将分割图像首先转换为二值图像，再确定二值图像中独立区域的数量。

图6为本申请实施例提供的不存在异物的轨道线的二值图像的示例图。如图6所示，图中白色的长条形区域即为轨道线。可以看到，该二值图像中白色的长条形区域的数量为1个，则表示该轨道线上不存在异物。

图7为本申请实施例提供的存在异物的轨道线的二值图像的示例图。如图7所示，图中白色的长条形区域即为轨道线。可以看到，该二值图像中白色的长条形区域的数量为2个，则表示该轨道线上存在异物。

在一些可选的实施例中，还可以将原始视频的异物检测结果上传至数据库，用户通过用户设备可以调用并查看该原始视频的异物检测结果。

在上述实施例的基础上，图8为本申请实施例提供的一种分割模型的训练方法的流程图四，如图8所示，本实施例的分割模型的训练方法，包括如下步骤：

步骤S801、获取线路训练图像。

线路训练图像对应有标签，标签为线路训练图像中线路的像素点坐标。

本实施例的方法的执行主体可以是如图1所示的计算处理设备。当然，本实施例的方法的执行主体也可以是独立于图1示出的设备之外的其他计算机设备。该场景中，图像采集设备采集大量的线路图像，这些线路图像可以作为线路训练图像。计算机设备根据这些线路训练图像进行迭代训练，得到分割模型，并将分割模型存储至图1示出的计算处理设备，用于交通线路的异物检测。

本实施例中，图像采集设备对某隧道内的轨道进行拍摄得到采集的图像数据，之后对采集的图像数据进行清洗，挑选出若干数量的图像数据样本，例如1500张图像数据样本，作为线路训练图像。之后，对每个线路训练图像中单个轨道线进行标注，得到标签。该标签是轨道线的像素点坐标，类别为1类，并按照7:3比例将数据集划分为训练集和测试集。其中，训练集包括线路训练图像，用于训练分割模型，测试集包括线路测试图像，用于测试训练的分割模型的训练效果。该标注过程可以是人工标注，也可以是使用自动标注软件进行自动标注。

步骤S802、根据线路训练图像和标签，对卷积神经网络进行迭代训练，得到分割模型。

其中，根据线路训练图像和标签，对卷积神经网络进行迭代训练，得到分割模型，包括：

步骤b1、对线路训练图像进行多次下采样，得到下采样训练图像。

其中，步骤b1的具体实施方式与步骤S301类似，具体可参见步骤S301的具体实施方式的介绍，此处不再赘述。

步骤b2、对下采样训练图像进行多次上采样，得到线路训练图像的分割图像。

其中，步骤b2的具体实施方式与步骤S302类似，具体可参见步骤S302的具体实施方式的介绍，此处不再赘述。

其中，多次下采样中的每次下采样包括多次卷积操作，多次卷积操作包括至少三次卷积操作；至少三次卷积操作中的第二次卷积操作或第三次卷积操作为M×N，或至少三次卷积操作中的第二次卷积操作或第三次卷积操作为N×M的卷积操作，M和N均为正整数，其中，M≠N。

步骤b3、重复上述步骤b1和步骤b2，直至训练效果达到预期效果，训练结束。

具体的，训练效果达到预期效果，可以是某个训练指数达到预设数值，或者是训练次数达到预设次数。

另外，分割模型的处理过程是在图形处理器(Graphics Processing Unit，GPU)上进行，借助GPU的算力，能够对视频中的线路图像进行动态处理，实现对线路异物的动态实时的检测。其处理单帧线路图像所占用的显存为1.3G，耗时为7.6ms，由此可以看出，其能够满足对视频流图像实时检测的要求。

在上述线路异物的检测方法实施例的基础上，图9为本申请实施例提供的线路异物的检测装置的结构示意图。如图9所示，该线路异物的检测装置包括：第一获取模块91、分割模块92和确定模块93；

其中，第一获取模块91，用于获取原始视频，所述原始视频包括对交通线路进行拍摄得到的至少一帧线路图像；分割模块92，用于将所述原始视频输入分割模型，得到所述原始视频中每帧线路图像的分割图像，所述分割模型是根据线路训练图像和标签，对卷积神经网络进行训练得到，且用于对所述至少一帧线路图像进行图像分割的模型；确定模块93，用于根据每帧线路图像的分割图像，确定所述线路图像对应的线路位置是否存在异物。

在一种可能的设计中，分割模块92，具体用于：针对所述原始视频中的每帧线路图像，进行多次下采样，得到下采样图像；对所述下采样图像进行多次上采样，得到所述线路图像的分割图像；其中，所述多次下采样中的每次下采样包括多次卷积操作；所述多次卷积操作包括至少三次卷积操作，且所述至少三次卷积操作中的第一次卷积操作、第二次卷积操作或者第三次卷积操作为M×N的卷积操作，或者所述至少三次卷积操作中的第一次卷积操作、第二次卷积操作或者第三次卷积操作为N×M的卷积操作，M和N均为正整数，M≠N。

在一种可能的设计中，确定模块93，具体用于：确定所述分割图像中独立区域的数量，所述分割图像包括至少一个线路；针对所述分割图像中的一个线路，若所述独立区域的数量大于或等于预设的数量，则确定所述线路图像对应的线路位置存在异物；若所述独立区域的数量小于预设的数量，则确定所述线路图像对应的线路位置不存在异物。

在一种可能的设计中，确定模块93，具体用于：针对所述分割图像中的一个线路，根据最小外接矩形方法，确定所述分割图像中分割出来的对象的外接矩形；将所述分割图像中外接矩形的数量，作为所述分割图像中独立区域的数量。

在一种可能的设计中，该装置还包括：转换模块94；所述转换模块94，用于将所述每帧线路图像的分割图像转换为二值图像；确定模块93，还用于根据最小外接矩形方法，确定所述二值图像中独立区域的数量。

在一种可能的设计中，该装置还包括：上传模块95；上传模块95，用于将原始视频的异物检测结果上传至数据库。

本申请实施例提供的线路异物的检测装置，可用于执行上述实施例中线路异物的检测方法的技术方案，其实现原理和技术效果类似，在此不再赘述。

本实施例通过获取原始视频，该原始视频包括对交通线路进行拍摄得到的至少一帧线路图像，并采用预先训练好的分割模型对每帧线路图像进行图像分割，之后根据图像分割结果确定每帧线路图像中是否包括异物。由于是采用预先训练好的分割模型对每帧线路图像进行图像分割，而分割模型是对线路图像中每个像素点进行分类，因而图像分割结果中能够表达出不同类别的对象，结合交通线路异物检测场景下，仅包括交通线路，或者包括交通线路和异物，就能够很好地检测出交通线路上是否存在异物，从而提高交通线路异物检测的准确度。

在上述分割模型的训练方法实施例的基础上，图10为本申请实施例提供的分割模型的训练装置的结构示意图。如图10所示，该分割模型的训练装置包括：第二获取模块1001、训练模块1002；

第二获取模块1001，用于获取线路训练图像，所述线路训练图像对应有标签，所述标签为所述线路训练图像中线路的像素点坐标；训练模块1002，用于根据所述线路训练图像和标签，对卷积神经网络进行迭代训练，得到所述分割模型。

在一些可能的设计中，训练模块1002，具体用于：对所述线路训练图像进行多次下采样，得到下采样训练图像；对所述下采样训练图像进行多次上采样，得到所述线路训练图像的分割图像；其中，所述多次下采样中的每次下采样包括多次卷积操作，所述多次卷积操作包括至少三次卷积操作；所述至少三次卷积操作中的第一次卷积操作、第二次卷积操作或者第三次卷积操作为M×N或N×M的卷积操作，M和N均为正整数，M≠N。

本申请实施例提供的分割模型的训练装置，可用于执行上述实施例中分割模型的训练方法的技术方案，其实现原理和技术效果类似，在此不再赘述。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，分割模块92可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上分割模块92的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

图11为本申请实施例提供的计算机设备的结构示意图。如图11所示，该计算机设备可以包括：处理器111、存储器112和收发器113。

处理器111执行存储器存储的计算机执行指令，使得处理器111执行上述实施例中的方案。处理器111可以是通用处理器，包括中央处理器CPU、网络处理器(networkprocessor，NP)等；还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

存储器112通过系统总线与处理器111连接并完成相互间的通信，存储器112用于存储计算机程序指令。

收发器113可以用于获取原始视频。

系统总线可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。收发器用于实现数据库访问装置与其他计算机(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(randomaccess memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)。

本申请实施例提供的计算机设备，可用于执行上述实施例中线路异物的检测方法和/或分割模型的训练方法的技术方案，其实现原理和技术效果类似，在此不再赘述。

需要说明的是，图11示出的计算机设备可以是图1中的计算处理设备。

图12为本申请实施例提供的计算机设备的结构示意图。如图12所示，该计算机设备可以包括：处理器121、存储器122和收发器123。

处理器121执行存储器存储的计算机执行指令，使得处理器121执行上述实施例中的方案。处理器121可以是通用处理器，包括中央处理器CPU、网络处理器(networkprocessor，NP)等；还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

存储器122通过系统总线与处理器121连接并完成相互间的通信，存储器122用于存储计算机程序指令。

收发器123可以用于获取线路训练图像。

系统总线可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。收发器用于实现数据库访问装置与其他计算机(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(randomaccess memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)。

本申请实施例提供的计算机设备，可用于执行上述实施例中线路异物的检测方法和/或分割模型的训练方法的技术方案，其实现原理和技术效果类似，在此不再赘述。

需要说明的是，图12中示出的计算机设备仍然可以是图1中的计算处理设备。图11示出的计算机设备和图12示出的计算机设备可以为同一个计算机设备，也可以是不同的计算机设备。若为同一个计算机设备，则分割模型的训练方法和线路异物的检测方法在同一台计算机设备上实现。若为不同的计算机设备，则分割模型的训练方法和线路异物的检测方法在不同的计算机设备上实现。

本申请实施例还提供一种运行指令的芯片，该芯片用于执行上述实施例中线路异物的检测方法的技术方案。

本申请实施例还提供一种运行指令的芯片，该芯片用于执行上述实施例中分割模型的训练方法的技术方案。

同样地，该运行指令的芯片可以为同一个计算机设备中的芯片，也可以是不同的计算机设备中的芯片。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行上述实施例线路异物的检测方法的技术方案。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行上述实施例分割模型的训练方法的技术方案。

同样地，该计算机可读存储介质可以为同一个计算机设备中的计算机可读存储介质，也可以是不同的计算机设备中的计算机可读存储介质。

本申请实施例还提供一种计算机程序产品，该计算机程序产品包括计算机程序，其存储在计算机可读存储介质中，至少一个处理器可以从计算机可读存储介质读取计算机程序，至少一个处理器执行计算机程序时可实现上述实施例中线路异物的检测方法的技术方案。

本申请实施例还提供一种计算机程序产品，该计算机程序产品包括计算机程序，其存储在计算机可读存储介质中，至少一个处理器可以从计算机可读存储介质读取计算机程序，至少一个处理器执行计算机程序时可实现上述实施例中分割模型的训练方法的技术方案。

同样地，该计算机程序产品可以为同一个计算机设备中的计算机程序产品，也可以是不同的计算机设备中的计算机程序产品。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。