本发明涉及地铁列车安全运营设备技术领域，特别涉及一种地铁屏蔽门与列车之间的异物检测方法、装置、电子设备及存储介质。
背景技术：
地铁作为现代城市的重要交通设施，为防止大客流情况下站台拥挤引发事故，目前国内绝大多数地铁车站在站台与隧道之间设置了屏蔽门，列车停站时屏蔽门与车门之间有一定的缝隙，若上下车时乘客过度拥挤，或有乘客在车门即将关闭时冲门，则可能造成乘客或携带物品被夹在两门缝隙内，多地的地铁都发生过类似事故，有的甚至危害了乘客的生命。
现有的观察手段主要是人工瞭望以及激光探测。这两种方式都有一定的局限性，人工瞭望方式容易受天气情况的影响，且对工作人员的工作强度也有一定的压力。激光探测方式虽然可以弥补人工瞭望方式的不足，但是它不适用于曲线站台的情况。为了解决这一难题，许多基于点对点检测的模型被提出，这些模型提出将检测装备安装至列车门和对应的屏蔽门之间，这样虽然可以解决曲线站台的难点，但是对检测装备的数量以及后期的维护成本造成了很大的挑战。
技术实现要素：
本发明的目的是为了解决上述现有技术的缺陷，提供了一种检测效率高且成本低的地铁屏蔽门与列车之间的异物检测方法、装置、电子设备及存储介质。
为了实现以上目的，本发明通过以下技术方案实现：
一种地铁屏蔽门与列车之间的异物检测方法，包括：遍历站台摄像机，获取屏蔽门与列车之间的视频影像数据；对每一所述视频影像数据进行预处理，得到预处理图像数据；采用深度学习神经网络模型对所述预处理图像数据进行异物检测，得到异物检测结果。
优选地，还包括：若异物检测结果为存在异物时，则统计存在异物时的次数；
若所述次数大于或等于预设次数时，则通知站台人员进行人工检查，待人工检查完毕，则列车运行。若所述次数小于所述预设次数时，则重新开启屏蔽门，等待预设时间后，关闭所述屏蔽门，则重新进行异物检测。若异物检测结果为不存在异物时，则列车运行。
优选地，所述视频影像数据为从每一所述站台摄像机所采集的视频数据中截取的从关闭列车车门开始，经预设时间段后的视频影像片段，并按照遍历序号命名。
优选地，在执行所述对每一所述视频影像数据进行预处理的步骤之前，还包括：将所述视频影像数据存储至第一存储区。
优选地，所述对每一所述视频影像数据进行预处理的步骤包括：
从所述第一存储区依次读取所有所述视频影像数据，对每一所述视频影像数据进行分帧操作，得到若干帧图像，然后对每一帧图像进行初始化处理得到所述预处理图像数据。
优选地，所述采用深度学习神经网络模型对所述预处理图像数据进行异物检测的步骤包括：对每一所述视频影像数据的每一帧图像进行目标检测，得到每一所述视频影像数据的所有所述帧图像的第一判定结果，综合所有所述帧图像的第一判定结果对应得到所述视频影像数据的第二判定结果；综合所有所述视频影像数据的第二判定结果，得到所述异物检测结果。
优选地，还包括：将所述第一存储区内的所述视频影像数据以及每一所述视频影像数据对应的第二判定结果存储至第二存储区内，作为对所述深度学习神经网络模型进行训练和优化的训练样本。
另一方面，本发明还提供一种地铁屏蔽门与列车之间的异物检测装置，包括：视频采集模块，用于遍历站台摄像机，获取屏蔽门与列车之间的视频影像数据。图像预处理模块，用于对每一所述视频影像数据进行预处理，得到预处理图像数据。目标检测模块，采用深度学习神经网络模型对所述预处理图像数据进行异物检测，得到异物检测结果。
优选地，还包括：决策模块，用于进行判定结果的后续操作，若异物检测结果为存在异物时，则统计存在异物时的次数；且若所述次数大于或等于预设次数时，则通知站台人员进行人工检查，待人工检查完毕，则列车运行。若所述次数小于所述预设次数时，则重新开启屏蔽门，等待预设时间后，关闭所述屏蔽门，则重新进行异物检测。若异物检测结果为不存在异物时，则列车运行。
优选地，所述视频影像数据为从每一所述站台摄像机所采集的视频数据中截取的从关闭列车车门开始，经预设时间段后的视频影像片段，并按照遍历序号命名。
优选地，还包括：第一存储模块，用于将所述视频影像数据进行存储。
优选地，所述图像预处理模块包括：视频读写模块，用于将所述视频影像数据根据遍历序号依次存储至所述第一存储模块；还用于对所述第一存储模块中的所述视频影像数据进行依次读取并发送。
视频初始化模块，用于接收所述视频影像数据，对每一所述视频影像数据进行分帧操作，得到若干帧图像，然后对每一帧图像进行初始化处理得到所述预处理图像数据。
优选地，所述目标检测模块包括：视频分析模块，用于采用预先训练好的深度学习神经网络模型对每一所述视频影像数据的每一帧图像进行目标检测，得到每一所述视频影像数据的所有所述帧图像的第一判定结果，综合所有所述帧图像的第一判定结果对应得到所述视频影像数据的第二判定结果。
最终结果裁定模块，用于综合所有所述视频影像数据的第二判定结果，得到所述异物检测结果。
优选地，还包括：第二存储模块，用于将所述第一存储区内的所述视频影像数据以及每一所述视频影像数据对应的第二判定结果进行存储，所述第二存储模块所存储的数据作为对所述深度学习神经网络模型进行训练和优化的训练样本。
优选地，还包括：显示模块，用于显示异物检测结果。
再一方面，本发明还提供一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上文所述的方法。
其他方面，本发明提供的一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现如上文所述的方法。
本发明与现有技术相比，至少具有以下优点之一：
本发明用于采集视频的摄像机全部来自于站台内已有的摄像机，不需要额外新增设备，设备成本较小。
本发明利用站台摄像机特有的安装位置特性，会根据站台形状间隔安装，因此，整个站台的摄像机可以监控整个站台，可以解决曲线站台检测异物的难点。
本发明采用已经训练好的深度学习神经网络模型对视频影像数据进行分析，还利用采集的视频影像数据以及该视频影像数据的第二判定结果作为训练样本对该深度学习神经网络模型的进行调整优化，由此可知，本检测方法和/或装置维护成本较小。上述深度学习神经网络模型目前已有许多较为成熟的目标检测的深度学习模型，例如:ssd,yolo等，地铁屏蔽门与列车之间的异物检测所需要的目标识别模型可以直接在此基础上进行调整开发，开发成本较小。
本发明提供的预设时间，预设次数，等待预设时间都可以灵活设定，可以使得该设备更为灵活地应用于各个站台。
本发明在视频数据的不断积累下，异物检测方法将来也可升级为异物识别方法，可以更好地服务轨道交通行业。
本发明提供的检测方法是一次大数据领域和轨道交通领域的合作尝试，它的成功可以为轨道交通行业带来新的创新，为轨道交通的发展蓄力。
附图说明
图1为本发明一实施例提供的一种地铁屏蔽门与列车之间的异物检测方法的流程图；
图2为本发明一实施例提供的一种地铁屏蔽门与列车之间的异物检测装置的结构框图；
图3为本发明一实施例提供的一种电子设备的结构框图。
具体实施方式
以下结合附图和具体实施方式对本发明提出的一种地铁屏蔽门与列车之间的异物检测方法、装置、电子设备及存储介质作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
如图1所示，本实施例提供的一种地铁屏蔽门与列车之间的异物检测方法，包括：步骤s1、遍历站台摄像机，获取屏蔽门与列车之间的视频影像数据。步骤s2、对每一所述视频影像数据进行预处理，得到预处理图像数据。步骤s3、采用深度学习神经网络模型对所述预处理图像数据进行异物检测，得到异物检测结果。
本实施例还包括：若异物检测结果为存在异物时，则统计存在异物时的次数；
若所述次数大于或等于预设次数时，则通知站台人员进行人工检查，待人工检查完毕，则列车运行。若所述次数小于所述预设次数时，则重新开启屏蔽门，等待预设时间后，关闭所述屏蔽门，则重新进行异物检测。若异物检测结果为不存在异物，则列车运行。
所述视频影像数据为从每一所述站台摄像机所采集的视频数据中截取的从关闭列车车门开始，经预设时间段x后的视频影像片段，并按照遍历序号命名。
在执行所述步骤s2之前，还包括：将所述视频影像数据存储至第一存储区。
所述步骤s2包括：从所述第一存储区依次读取所有所述视频影像数据，对每一所述视频影像数据进行分帧操作，得到若干帧图像，然后对每一帧图像进行初始化处理得到所述预处理图像数据。
所述步骤s3包括：对每一所述视频影像数据的每一帧图像进行目标检测，得到每一所述视频影像数据的所有所述帧图像的第一判定结果，综合所有所述帧图像的第一判定结果对应得到所述视频影像数据的第二判定结果；综合所有所述视频影像数据的第二判定结果，得到所述异物检测结果。
本实施例还包括：将所述第一存储区内的所述视频影像数据以及每一所述视频影像数据对应的第二判定结果存储至第二存储区内，作为对所述深度学习神经网络模型进行训练和优化的训练样本。
另一方面，如图2所示，另一实施例还提供一种地铁屏蔽门与列车之间的异物检测装置，包括：视频采集模块a，用于遍历站台摄像机，获取屏蔽门与列车之间的视频影像数据。图像预处理模块，用于对每一所述视频影像数据进行预处理，得到预处理图像数据。目标检测模块，采用深度学习神经网络模型对所述预处理图像数据进行异物检测，得到异物检测结果。
本实施例还包括：决策模块f，用于进行判定结果的后续操作，若异物检测结果为存在异物时，则统计存在异物时的次数；且若所述次数大于或等于预设次数n时，则通知站台人员进行人工检查，待人工检查完毕，则列车运行。若所述次数小于所述预设次数n时，则重新开启屏蔽门，等待预设时间x(单位为分钟)后，关闭所述屏蔽门，则重新进行异物检测。若异物检测结果为不存在异物，则列车运行。
所述视频影像数据为从每一所述站台摄像机所采集的视频数据中截取的从关闭列车车门开始，经预设时间段后的视频影像片段，并按照遍历序号命名。
本实施例还包括：第一存储模块a，用于将所述视频影像数据进行存储。
所述图像预处理模块a包括：视频读写模块b，用于将所述视频影像数据根据遍历序号依次存储至所述第一存储模块a；还用于对所述第一存储模块a中的所述视频影像数据进行依次读取并发送。
视频初始化模块c，用于接收所述视频影像数据，对每一所述视频影像数据进行分帧操作，得到若干帧图像，然后对每一帧图像进行初始化处理得到所述预处理图像数据。
所述目标检测模块包括：视频分析模块d，用于采用预先训练好的深度学习神经网络模型对每一所述视频影像数据的每一帧图像进行目标检测，得到每一所述视频影像数据的所有所述帧图像的第一判定结果，综合所有所述帧图像的第一判定结果对应得到所述视频影像数据的第二判定结果。
最终结果裁定模块e，用于综合所有所述视频影像数据的第二判定结果，得到所述异物检测结果。首先利用视频之间的上下文关系提升单视频异物检测结果的准确性。由于站台摄像机前后相连的属性，其所获得的视频会存在部分重复内容。因此对于单个视频，其异物检测结果的判定需要根据当前视频帧位置结合前视频或后视频的异物检测结果做出异物检测结果调整。当所有视频的异物检测结果调整完毕，对所有视频的异物检测结果进行且条件判断，得到最终结果。本实施例还包括：第二存储模块b，用于将所述第一存储区内的所述视频影像数据以及每一所述视频影像数据对应的第二判定结果进行存储，所述第二存储模块所存储的数据作为对所述深度学习神经网络模型进行训练和优化的训练样本。
本实施例还包括：显示模块，用于显示异物检测结果。
本实施例用于采集视频的摄像机全部来自于站台内已有的摄像机，不需要额外新增设备，设备成本较小。
本实施例利用站台摄像机特有的安装位置特性，会根据站台形状间隔安装，因此，整个站台的摄像机可以监控整个站台，可以解决曲线站台检测异物的难点。
本实施例采用已经训练好的深度学习神经网络模型对视频影像数据进行分析，还利用采集的视频影像数据以及该视频影像数据的第二判定结果作为训练样本对该深度学习神经网络模型的进行调整优化，由此可知，本检测方法和/或装置维护成本较小。上述深度学习神经网络模型目前已有许多较为成熟的目标检测的深度学习模型，例如:ssd,yolo等，地铁屏蔽门与列车之间的异物检测所需要的目标识别模型可以直接在此基础上进行调整开发，开发成本较小。
本实施例提供的预设时间，预设次数，等待预设时间都可以灵活设定，可以使得该设备更为灵活地应用于各个站台。
本实施例在视频数据的不断积累下，异物检测方法将来也可升级为异物识别方法，可以更好地服务轨道交通行业。
本实施例提供的检测方法是一次大数据领域和轨道交通领域的合作尝试，它的成功可以为轨道交通行业带来新的创新，为轨道交通的发展蓄力。
再一方面，基于同一发明构思，本发明还提供一种电子设备，如图3所示，所述电子设备包括处理器301和存储器303，所述存储器303上存储有计算机程序，所述计算机程序被所述处理器301执行时，实现如上文所述地铁屏蔽门与列车之间的异物检测方法。
继续参考图3，所述电子设备还包括通信接口302和通信总线304，其中所述处理器301、所述通信接口302、所述存储器303通过通信总线304完成相互间的通信。所述通信总线304可以是外设部件互连标准(peripheralcomponentinterconnect，pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，eisa)总线等。该通信总线304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。所述通信接口302用于上述电子设备与其他设备之间的通信。
本实施例中所称处理器301可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器301是所述电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
所述存储器303可用于存储所述计算机程序，所述处理器301通过运行或执行存储在所述存储器303内的计算机程序，以及调用存储在存储器303内的数据，实现所述电子设备的各种功能。
所述存储器303可以包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
其他方面，基于同一发明构思，本发明还提供了一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时可以实现如上文所述的地铁屏蔽门与列车之间的异物检测方法。
本实施例提供的可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机硬盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其组合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
在本实施例中，可以以一种或多种程序设计语言或其组合来编写用于执行本实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如java、smalltalk、c ，还包括常规的过程式程序设计语言-诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)连接到用户计算机，或者可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
应当注意的是，在本文的实施方式中所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的，例如，附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用于执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
综上所述，本实施例遍历采集站台摄像机拍摄的屏蔽门与列车之间的视频影像视频，并进行s秒视频的截取。将截取的视频数据按遍历序号命名存储至第一存储区域。在视频初始化模块开始运行之前，首先从第一存储区域读取视频数据，遍历视频数据，依次进行视频初始化模块和视频分析模块的处理视频初始化模块用于对单个视频数据进行初始化操作，得到符合目标检测模型(已经训练好的深度学习神经网络模型)输入形式的数据。用已经训练好的深度学习神经网络模型对初始化后的数据进行目标检测，判定是否存在异物综合所有视频数据的目标检测结果，得出最终的判定结果。
决策模块用于根据最终结果采取相应的措施，若决策模块判定结果为有异物，且检测有异物次数已达到限制次数n，则通知站台人员进行人工检查，检查完毕，列车运行。若决策模块判定结果为有异物，且检测有异物次数未达到限制次数n，则重新开启地铁屏蔽门，等待x分钟，关闭地铁屏蔽门，返回步骤视频采集模块，重复异物检测流程；若设备界面显示无异物，列车运行。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
1.一种地铁屏蔽门与列车之间的异物检测方法，其特征在于，包括：
遍历站台摄像机，获取屏蔽门与列车之间的视频影像数据；
对每一所述视频影像数据进行预处理，得到预处理图像数据；
采用深度学习神经网络模型对所述预处理图像数据进行异物检测，得到异物检测结果。
2.如权利要求1所述的地铁屏蔽门与列车之间的异物检测方法，其特征在于，还包括：
若异物检测结果为存在异物时，则统计存在异物时的次数；
若所述次数大于或等于预设次数时，则通知站台人员进行人工检查，待人工检查完毕，则列车运行；
若所述次数小于所述预设次数时，则重新开启屏蔽门，等待预设时间后，关闭所述屏蔽门，则重新进行异物检测；
若异物检测结果为不存在异物时，则列车运行。
3.如权利要求1所述的地铁屏蔽门与列车之间的异物检测方法，其特征在于，所述视频影像数据为从每一所述站台摄像机所采集的视频数据中截取的从关闭列车车门开始，经预设时间段后的视频影像片段，并按照遍历序号命名。
4.如权利要求1所述的地铁屏蔽门与列车之间的异物检测方法，其特征在于，在执行所述对每一所述视频影像数据进行预处理的步骤之前，还包括：将所述视频影像数据存储至第一存储区。
5.如权利要求4所述的地铁屏蔽门与列车之间的异物检测方法，其特征在于，所述对每一所述视频影像数据进行预处理的步骤包括：
从所述第一存储区依次读取所有所述视频影像数据，对每一所述视频影像数据进行分帧操作，得到若干帧图像，然后对每一帧图像进行初始化处理得到所述预处理图像数据。
6.如权利要求5所述的地铁屏蔽门与列车之间的异物检测方法，其特征在于，所述采用深度学习神经网络模型对所述预处理图像数据进行异物检测的步骤包括：对每一所述视频影像数据的每一帧图像进行目标检测，得到每一所述视频影像数据的所有所述帧图像的第一判定结果，综合所有所述帧图像的第一判定结果对应得到所述视频影像数据的第二判定结果；
综合所有所述视频影像数据的第二判定结果，得到所述异物检测结果。
7.如权利要求6所述的地铁屏蔽门与列车之间的异物检测方法，其特征在于，还包括：将所述第一存储区内的所述视频影像数据以及每一所述视频影像数据对应的第二判定结果存储至第二存储区内，作为对所述深度学习神经网络模型进行训练和优化的训练样本。
8.一种地铁屏蔽门与列车之间的异物检测装置，其特征在于，包括：
视频采集模块，用于遍历站台摄像机，获取屏蔽门与列车之间的视频影像数据；
图像预处理模块，用于对每一所述视频影像数据进行预处理，得到预处理图像数据；
目标检测模块，采用深度学习神经网络模型对所述预处理图像数据进行异物检测，得到异物检测结果。
9.如权利要求8所述的地铁屏蔽门与列车之间的异物检测装置，其特征在于，还包括：决策模块，用于进行判定结果的后续操作，若异物检测结果为存在异物时，则统计存在异物时的次数；且若所述次数大于或等于预设次数时，则通知站台人员进行人工检查，待人工检查完毕，则列车运行；
若所述次数小于所述预设次数时，则重新开启屏蔽门，等待预设时间后，关闭所述屏蔽门，则重新进行异物检测；
若异物检测结果为不存在异物时，则列车运行。
10.如权利要求9所述的地铁屏蔽门与列车之间的异物检测装置，其特征在于，
所述视频影像数据为从每一所述站台摄像机所采集的视频数据中截取的从关闭列车车门开始，经预设时间段后的视频影像片段，并按照遍历序号命名。
11.如权利要求10所述的地铁屏蔽门与列车之间的异物检测装置，其特征在于，
还包括：第一存储模块，用于将所述视频影像数据进行存储。
12.如权利要求11所述的地铁屏蔽门与列车之间的异物检测装置，其特征在于，
所述图像预处理模块包括：
视频读写模块，用于将所述视频影像数据根据遍历序号依次存储至所述第一存储模块；还用于对所述第一存储模块中的所述视频影像数据进行依次读取并发送；
视频初始化模块，用于接收所述视频影像数据，对每一所述视频影像数据进行分帧操作，得到若干帧图像，然后对每一帧图像进行初始化处理得到所述预处理图像数据。
13.如权利要求12所述的地铁屏蔽门与列车之间的异物检测装置，其特征在于，
所述目标检测模块包括：
视频分析模块，用于采用预先训练好的深度学习神经网络模型对每一所述视频影像数据的每一帧图像进行目标检测，得到每一所述视频影像数据的所有所述帧图像的第一判定结果，综合所有所述帧图像的第一判定结果对应得到所述视频影像数据的第二判定结果；
最终结果裁定模块，用于综合所有所述视频影像数据的第二判定结果，得到所述异物检测结果。
14.如权利要求13所述的地铁屏蔽门与列车之间的异物检测装置，其特征在于，
还包括：第二存储模块，用于将所述第一存储区内的所述视频影像数据以及每一所述视频影像数据对应的第二判定结果进行存储，所述第二存储模块所存储的数据作为对所述深度学习神经网络模型进行训练和优化的训练样本。
15.如权利要求14所述的地铁屏蔽门与列车之间的异物检测装置，其特征在于，还包括：显示模块，用于显示异物检测结果。
16.一种电子设备，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现权利要求1至7中任一项所述的方法。
17.一种可读存储介质，其特征在于，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至7中任一项所述的方法。
技术总结