CN107122747B - 一种轨道车辆车厢状态非接触检测装置及方法 - Google Patents
一种轨道车辆车厢状态非接触检测装置及方法 Download PDFInfo
- Publication number
- CN107122747B CN107122747B CN201710294600.7A CN201710294600A CN107122747B CN 107122747 B CN107122747 B CN 107122747B CN 201710294600 A CN201710294600 A CN 201710294600A CN 107122747 B CN107122747 B CN 107122747B
- Authority
- CN
- China
- Prior art keywords
- carriage
- image
- data acquisition
- car
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000003137 locomotive effect Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 8
- 238000009434 installation Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000712 assembly Effects 0.000 claims description 5
- 238000000429 assembly Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 21
- 239000002023 wood Substances 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
- G01P3/64—Devices characterised by the determination of the time taken to traverse a fixed distance
- G01P3/68—Devices characterised by the determination of the time taken to traverse a fixed distance using optical means, i.e. using infrared, visible, or ultraviolet light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种轨道车辆车厢状态非接触检测装置及方法。该装置包括三组由激光扫描仪和高清摄像头组成的数据采集单元、以及对数据采集单元所采集到的数据进行图像识别处理的控制单元。数据采集单元在采集到轨道车辆的相关数据后发送给控制单元,控制单元用基于深度信念网络模型的图像识别算法,以车厢表面轮廓和图像数据作为样本进行训练,在非接触条件下对车厢进行快速精确检测。由此可判断车辆到来、测量车速、识别车厢种类、还原车厢三维图像、判断车厢超限及载重情况、识别车厢货物种类和覆盖物信息、检测车厢门开闭状态和门锁损坏程度等车厢状态,极大的提高了检测效率,使操作人员从繁琐的操作中解放出来。
Description
技术领域
本发明涉及一种非接触检测装置和检测方法,尤其涉及一种用于检测轨道车辆车厢状态的非接触检测装置及方法。
背景技术
目前我国铁路轨道运输所需车厢主要包括棚车、敞车、罐车和空调客运车等,根据规定车辆进站后需要对车厢状态进行检测,包括记录车厢种类、车门是否正常关闭、车门开合程度、车门锁是否完好、记录货物种类及覆盖物信息、估算车厢货物装载量、判断货物高度是否超限及超限位置等。
目前对货车车厢状态检测和记录主要由人工完成,但是由于车厢数量庞大且间隔距离较远,难以在较短时间内进行有效的人工检测。在个别站点也安装有若干电子预检系统,包含激光扫描仪及高清摄像头等,结合图像识别技术实现上述功能,如兰州铁路局迎水桥站安装的货车高清电子检测系统。但是仍需要在车辆通过时人工参与对车辆进行识别并进行预检操作,无法自动识别车厢种类和货物种类,无法检查敞车覆盖物状态,因此实时性上存在不足。且无法完成精确计算车速、自动识别车头车尾、自动识别车厢连接处、计算车厢数量和还原车厢三维数字图像等操作,管理上仍存在一定的困难。
发明内容
针对上述现有技术存在的缺陷和不足,本发明提供一种轨道车辆车厢状态非接触检测装置和方法,通过纵向和横向二维激光扫描仪配合,采集轨道车辆车厢状态,功能较现有产品更加全面,识别率高且具备良好的实时性,可以极大的减省人力投入提高工作效率。
所述的轨道车辆车厢状态非接触检测装置:包括:数据采集组件A、数据采集组件B、数据采集组件C和控制单元;每组数据采集组件均包括激光扫描仪和高清摄像头;所述数据采集组件A和数据采集组件B中的激光扫描仪用于获取车厢横截面整体轮廓图像,所述数据采集组件A和数据采集组件B中的高清摄像头用于获取车厢两个相对的侧面图像;所述数据采集组件C中的激光扫描仪用于获取车厢顶部纵向中心线的轮廓图像,所述数据采集组件C中的高清摄像头用于获取车厢顶部图像;三组数据采集组件中的激光扫描仪和高清摄像头分别与控制单元相连,将采集到的图像实时发送给控制单元;
所述控制单元依据接收到的图像检测当前车厢的状态,获得车厢的状态信息并发送给上级控制中心;所述车厢的状态信息包括:轨道车辆的车型、车速、车厢的种类、车门是否正常关闭、车锁是否完好、车厢载货状态、客车载客量。
所述控制单元依据数据采集组件C中的激光扫描仪沿轨道方向所扫描到的轮廓图像,检测是否有轨道车辆将要经过;
所述控制单元依据数据采集组件C实时采集到的车头顶部纵向中心线的轮廓图像和车头顶部图像识别车头,判断当前经过的轨道车辆的车型;并依据设定时间间隔内车头轮廓图像的位移变化计算当前车速;
所述控制单元依据所述数据采集组件A和数据采集组件B中激光扫描仪所获得的车厢横截面整体轮廓图像,结合数据采集组件C中高清摄像头获取的车厢顶部图像判断车厢种类;
所述控制单元依据所述数据采集组件A和数据采集组件B中激光扫描仪所获得的车厢横截面整体轮廓图像判断车门是否正常关闭以及车门处于敞开状态时的敞开程度;并依据车厢横截面整体轮廓图像中顶部轮廓线与设定的车厢横截面顶部轮廓线之间的高度差判断车厢载货状态,所述车厢载货状态指满载、超载或半载;
所述控制单元依据所述数据采集组件A和数据采集组件B中高清摄像头所获取的车厢侧面图像判断车锁是否完好;并依据车厢侧面图像上的载客量标识线,估算当前车厢的客车载客量。
轨道车辆车厢状态非接触检测方法包括以下步骤:
S1:激光扫描仪C沿轨道方向持续扫描,并将扫描的轮廓图像发送给控制单元,所述控制单元根据扫描的轮廓图像判断轨道车辆是否到来:若轮廓图像仅为车轨及路基的轮廓线,则表示无轨道车辆经过,激光扫描仪C继续沿轨道方向持续扫描;若轮廓图像中开始有轨道车辆的车头轮廓线,则表示有轨道车辆将要经过,进入步骤S2;
S2:高清摄像头C实时采集轨道车辆的车头顶部图像并发送控制单元,所述控制单元依据激光扫描仪C实时采集的车头顶部纵向中心线的轮廓图像和高清摄像头C采集的车头顶部图像识别车头,判断当前轨道车辆的车型,即判断当前轨道车辆是动车、普通客运列车或货运列车;并根据设定时间间隔内车头轮廓的位移变化计算当前车速;若判断当前的轨道车辆为货运列车,进入步骤S3;若判断当前的轨道车辆为动车或普通客运列车,进入步骤S4;
S3:激光扫描仪A和激光扫描仪B实时采集与其相对的车厢横截面的侧边轮廓以及顶边轮廓,并发送给控制单元,所述控制单元依据车厢横截面的侧边轮廓以及顶边轮廓获得当前车厢横截面的整体轮廓图像,结合高清摄像头C获取的车厢顶部图像判断车厢种类,进而根据车厢种类选择不同的检测方式:
S3.1:若扫描得到的车厢横截面整体轮廓图像与设定的车厢横截面整体轮廓一致且车厢顶部图像中只能看见车顶,则判断经过的车厢是棚车;所述控制单元依据车门所在横截面的整体轮廓图像检测车门是否正常关闭,并依据高清摄像头A和高清摄像头B实时采集的车厢侧面图像中的车锁图像判断车锁完好程度;
S3.2:若扫描得到的车厢横截面整体轮廓图像为“凸”或“凹”字形,或车厢横截面整体轮廓图像与设定的车厢横截面整体轮廓一致但车厢顶部图像中没有车顶,则判断经过的车厢是敞车;所述控制单元依据扫描得到的车厢横截面整体轮廓图像进行车厢载货状态,即判断当前车厢是满载、超载或半载;并依据车门所在横截面的整体轮廓图像检测车门是否正常关闭,依据高清摄像头A和高清摄像头B实时采集的车厢侧面图像中的车锁图像判断车锁完好程度;
S3.3:如若扫描得到的车厢横截面整体轮廓图像为圆形,则判断当前经过的车厢是油罐车,所述控制单元依据车厢的侧面图像和顶部图像,识别油罐车的标识信息;
S4:所述控制单元依据高清摄像头A和高清摄像头B实时采集的车厢侧面图像,识别车厢侧面图像上的载客量标识线,估算当前车厢的客车载客量;
S5:所述控制单元依据激光扫描仪C扫描的车厢顶部纵向中心线的轮廓图像判断当前是否为车厢连接处或车尾经过:
若激光扫描仪C沿轨道方向扫描的轮廓图像中包含有抓钩轮廓,则表明当前位置为车厢连接处,所述控制单元由步骤S2中获得的车速和之前获取的所有当前车厢的横向截面轮廓图像还原生成当前车厢的三维图像;然后返回至步骤S3继续对后续车厢进行检测;
若激光扫描仪C沿轨道方向扫描的轮廓图像中包含了车尾轮廓线和车轨及路基轮廓线,则表明当前为车尾经过,在车尾驶出数据采集组件的扫描范围后,所述控制单元将该趟轨道列车的所有车厢的状态信息发送给上级控制中心。
有益效果
通过纵向和横向二维激光扫描仪配合,可以在较远距离上判定轨道车辆是否到来或驶离有效扫描区域进行早期预警并精确计算车速,又可以完整精确的获得轨道车辆车体的三维扫描数据;再结合高清摄像头拍摄图像,基于图像识别功能可准确识别车头车尾、经过车厢种类、车厢连接处、货物种类及覆盖物信息,同时判定车厢是否超出限高、车厢门开闭是否正常、车锁是否完好等,功能较现有产品更加全面,识别率高且更加智能化,具备良好的实时性,可以极大的减省人力投入提高工作效率。
附图说明
图1是本发明的结构示意图;
图2是检测装置工作流程图;
图3是无车经过状态检测原理示意图;
图4是车头经过状态检测原理示意图;
图5是封闭棚车经过状态检测原理示意图;
图6是棚车车门未关闭状态检测原理示意图;
图7是超载敞车经过状态检测原理示意图;
图8是半载敞车经过状态检测原理示意图;
图9是敞车小门向外打开状态检测原理示意图;
图10是敞车覆盖物状态检测原理示意图;
图11是敞车运输木材货物检测原理示意图;
图12是油罐车经过状态检测原理示意图;
图13是货车车厢连接抓钩检测原理示意图;
图14是车尾经过状态检测原理示意图;
图15是深度信念网络图像识别功能结构示意图;
图16是深度信念网络训练过程示意图;
图17为人工神经网络图像识别模块工作过程示意图。
其中:1-龙门架结构、2-激光扫描仪A、3-高清摄像头A、4-激光扫描仪B,5-高清摄像头B、6-激光扫描仪C、7-高清摄像头C、8-核心控制板卡、9-工控计算机
具体实施方式
下面结合附图和实施例,对本发明作进一步的详细说明。
本实施例提供一种轨道车辆车厢状态非接触检测装置,该检测装置功能全面,识别率高,具备良好的实时性,可以极大的减省人力投入提高工作效率。
如图1所示,该轨道车辆车厢状态非接触检测装置包括:龙门架结构1、激光扫描仪A2、高清摄像头A3、激光扫描仪B4、高清摄像头B5、激光扫描仪C6、高清摄像头C7和由核心控制板卡8和工控计算机9组成的控制单元。其中龙门架结构1横跨车辆轨道,车辆从龙门架结构1下方通过。
在龙门架结构1其中一侧立柱上方较高位置安装有激光扫描仪A2,扫描平面沿横向垂直于轨道平面,安装位置以满足扫描视野覆盖与其相对的车厢横截面的侧边轮廓图像以及顶边轮廓图像为准;在该立柱中部位置安装有高清摄像头A3,安装位置以满足镜头视野正对与其相对的车厢门中部为准,激光扫描仪A2和高清摄像头A3同属于数据采集组件A。
在龙门架结构1另一侧立柱上与激光扫描仪A2相对的位置安装激光扫描仪B4,安装方式及位置要求与激光扫描仪A2相同,使激光扫描仪A2和激光扫描仪B4同时扫描车厢同一横截面的轮廓图像,由此通过激光扫描仪A2和激光扫描仪B4能够获取与两个激光扫描仪相对的车厢横截面整体轮廓图像;与高清摄像头A3相对的位置安装高清摄像头B5,安装方式及位置要求与高清摄像头A3相同,激光扫描仪B4和高清摄像头B5同属于数据采集组件B。通过高清摄像头A3和高清摄像头B5能够获取车厢的两个侧面图像。
在龙门架结构1的横梁中部、轨道中线正上方安装有激光扫描仪C6,激光扫描仪C6的扫描方向平行于轨道方向,用于获取车厢顶部纵向中心线的轮廓图像;紧邻激光扫描仪C6安装高清摄像头C7,用于获取车厢顶部图像;激光扫描仪C6和高清摄像头C7同属于数据采集组件C。
数据采集组件A、数据采集组件B和数据采集组件C中的激光扫描仪和高清摄像头通过各自专用数据线与控制单元中的核心控制板卡8连接;核心控制板卡8通过高速PCI接口与工控计算机9连接;工控计算机9通过专用通讯网络与上级控制中心进行通讯。
该检测装置的工作流程如图2所示,具体包括以下步骤:
初始化后,只有激光扫描仪C6处于工作状态,其它激光扫描仪和高清摄像头均处于待机状态;
S1:检测是否有车辆将要经过:激光扫描仪C6沿轨道方向持续扫描,并将扫描的轮廓图像发送给核心控制板卡8,核心控制板卡8根据扫描的轮廓图像预先判断轨道车辆是否到来:若轮廓图像如图3右图所示为一条直线,仅为车轨及路基的轮廓线,则表示无轨道车辆经过,激光扫描仪C6继续沿轨道方向持续扫描;若轮廓图像如图4右图所示,开始有轨道车辆车头轮廓线,则表示有轨道车辆将要经过,进入步骤S2。
S2:识别车头并计算车速:当核心控制板卡8判断有轨道车辆到来时,启动高清摄像头C7以及数据采集组件A和数据采集组件B;由激光扫描仪C6和高清摄像头C7组成数据采集组件C实时采集车头顶部纵向中心线的轮廓图像和车头顶部图像并发送给核心控制板卡8,核心控制板卡8以此识别车头,判断当前轨道车辆的车型,轨道车辆的车型是指判断当前轨道车辆是动车、普通客运列车或货运列车;并根据一定时间间隔内车头轮廓的位移变化计算当前车速。若判断当前的轨道车辆为货运列车,进入步骤S3;若判断当前的轨道车辆为动车或普通客运列车,进入步骤S4。
S3:判断当前车厢的种类:数据采集组件A、数据采集组件B以及数据采集组件C将采集到的图像实时发送给核心控制板卡8,核心控制板卡8依据激光扫描仪A2和激光扫描仪B4所采集到的图像获得车厢横截面整体轮廓图像,结合高清摄像头C7获取的车厢顶部图像判断车厢种类,进而根据车厢种类选择不同的检测方式:
S3.1:若车厢横截面整体轮廓图像如图5右图所示且车厢顶部图像中只能看见车顶,则判断经过的车厢是棚车,核心控制板卡8依据车门所在横截面整体轮廓图像进行车门是否正常关闭的检测:
若车门所在横截面整体轮廓图像如图5右图所示为矩形结构,则表示车门正常关闭;核心控制板卡8进一步依据高清摄像头B5或高清摄像头A3采集到的车厢侧面图像判断车锁完好程度,若车锁完好,核心控制板卡8将货运列车、车速、棚车、车门正常关闭以及车锁完好作为当前车厢的状态信息记录存储;若车锁损坏,核心控制板卡8将货运列车、车速、棚车、车门正常关闭以及车锁损坏作为当前车厢的状态信息记录存储。或不进行车锁完好程度的判断,直接将货运列车、车速、棚车、车门正常关闭以及车厢侧面图像作为车厢状态信息记录存储;
若车门所在横截面整体轮廓图像如图6右图所示,车门所在侧面的横截面轮廓线有向内的弯折,则表示车门处于敞开状态;核心控制板卡8依据步骤S2中所计算的车速和该种形式的横截面所持续的长度判断车门敞开程度,并将货运列车、车速、棚车、车厢车门敞开以及敞开程度作为当前车厢的状态信息记录存储。
S3.2:若车厢横截面整体轮廓图像如图7或图8右图所示,即车厢横截面整体轮廓为“凸”或“凹”字形,或车厢横截面整体轮廓图像如图5右图所示但车厢顶部图像中没有车顶,则判断经过的车厢是敞车,然后进行车厢载货状态、车门是否正常关闭以及货物信息的检测:
车厢载货状态(满载、超载或半载)的检测:若车厢横截面整体轮廓图像如图7右图所示,则表示当前车厢载货状态为超载,核心控制板卡8依据扫描得到的车厢横截面顶部轮廓线超出车厢设定的车厢横截面顶部轮廓线的高度判断车厢超限程度;若车厢横截面整体轮廓图像如图8右图所示,则表示当前车厢载货状态为半载;若车厢横截面整体轮廓图像如图5右图所示但车厢顶部图像中显示车顶处于敞开状态,则表示当前车厢载货状态为满载;若车厢横截面整体轮廓图像如图10右图所示同时车厢顶部图像中显示车顶处于覆盖状态,则不能判断当前车厢载货状态,当前车厢具有覆盖物;
车门是否正常关闭的检测:核心控制板卡8依据车厢横截面整体轮廓图像进行车门是否正常关闭的检测,敞车车厢分大小门,大门在车厢两侧各一个,小门有多个。其中大门的检测方式与上述棚车中车门是否正常关闭的检测方式相同,若车门所在横截面整体轮廓图像如图5右图所示为矩形结构,则表示车厢大门和小门均正常关闭;核心控制板卡8进一步依据高清摄像头B5或高清摄像头A3采集到的车厢侧面图像判断车锁完好程度;若车门所在横截面整体轮廓图像如图6右图所示,车门所在侧面的横截面轮廓线有向内的弯折,则表示车厢大门处于敞开状态;核心控制板卡8依据步骤S2中所计算的车速和该种形式的横截面所持续的长度判断车门敞开程度。敞车车厢小门只能向外开合,在检测车门是否正常关闭时,若小车车门所在横截面整体轮廓图像如图9右图所示有向外的弯折,则表示车厢小门处于敞开状态。
当核心控制板卡8依据车厢顶部图像判断车顶没有覆盖物时,依据车厢横截面整体轮廓图像和车厢顶部图像采集敞车货物信息,如图11所示的横截面整体轮廓图像结合车厢顶部图像数据可判断货物为木材。
完成上述检测后,核心控制板卡8将货运列车、车速、敞车、载货状态、车门关闭状态、车锁状态以及货物信息作为车厢的状态信息记录存储。
S3.3:若车厢横截面整体轮廓图像如图12右图所示,即车厢横截面整体轮廓为圆形,则判断经过的车厢是油罐车;核心控制板卡8依据车厢的侧面图像和顶部图像,识别油罐车的标识信息,然后将货运列车、车速、油罐车、标识信息作为车厢的状态信息记录存储。
S4:核心控制板卡8依据车厢的侧面图像,识别车厢侧面图像上的载客量标识线,估算当前车厢的客车载客量;然后将车辆类型、车速、估算的客车载客量作为当前车厢的状态信息记录存储。
S5:核心控制板卡8依据激光扫描仪C6扫描的轮廓图像或依据激光扫描仪A2和激光扫描仪B4扫描的当前横截面整体轮廓图像判断当前是否为车厢连接处或车尾经过:
若激光扫描仪C6沿轨道方向扫描的轮廓图像如图13的图b所示或激光扫描仪A2和激光扫描仪B4扫描的当前横截面整体轮廓图像如图13的图d所示,则判断当前位置为车厢连接处,核心控制板卡8由步骤S2中获得的车速和之前获取的所有当前车厢的横向截面轮廓数据还原生成当前车厢的精确三维图像以及之前所存储的所有当前车厢的状态信息发送给工控计算机9存储;然后返回至步骤S3继续对后续车厢进行检测;
若激光扫描仪C6沿轨道方向扫描的轮廓图像如图14中的右所示,即该轮廓图像中包含了车尾轮廓线和车轨及路基轮廓线,则判断当前为车尾经过,在检测到车尾驶出有效扫描范围后,工控计算机9将该趟轨道列车的所有车厢的状态信息发送给上级控制中心;数据采集组件A、数据采集组件B以及高清摄像头C7进入待机状态,返回至步骤S1。
数据采集组件A、数据采集组件B和数据采集组件C获取的图像发送给核心控制板卡8后,均由核心控制板卡8上的人工神经网络图像识别模块进行识别判断。人工神经网络图像识别模块基于深度信念网络模型,深度信念网络模型的图像识别功能结构示意图如图15所示,深度信念网络模型包括图像输入层、内部隐含层组和结果输出层,其中内部隐含层组内包含N个隐含层,编号由1至N,N大于等于3。
在深度信念网络模型使用之前,需要一定的样本数据对其进行训练,模型训练过程如图16所示,包括以下步骤:
第一步:将激光扫描仪获得的轮廓图像和高清摄像头拍摄的图像按同一规格进行初始化,使其具有统一的长宽像素值,作为所述深度信念网络模型的训练样本。
第二步:将所述深度信念网络模型分解成由相邻两层构成的一系列受限的玻尔兹曼机RBM,其中第一个RBM由图像输入层和隐含层1组成,依次类推,最后一个由隐含层N和结果输出层组成,编号由RBM(1)至RBM(N+1)。
第三步:将第一步中所述的图像训练样本作为输入,训练第二步中所述RBM(1),当其可准确识别部分车厢图像特征后停止训练,得到训练样本在隐含层1的输出值,以及相应的权值和偏置,将权值和偏置固定不再变化。
第四步:将第三步中得到的RBM(1)输出值作为RBM(2)的输入进行训练,当其可准确识别部分车厢图像特征后停止训练,计算得出隐含层2的输出值,以及相应权值和偏置。
依次类推,用同样的办法训练接下来的RBM网络,当RBM(N+1)可准确识别全部训练样本特征时结束,记录所有RBM的权值和偏置。
第五步:将以上训练好的RBM组合构建新的网络,包含Encoder和Decoder两部分。Encoder部分为从原始图像数据输入到RBM网络输出的正向传播构成的网络,Decoder部分为从RBM(N+1)到重构的原始图像输入数据的反向传播构成的网络,两部分权值和偏置均由第三步和第四步得出。
第六步:将第五步构建的网络,采用BP算法计算网络的代价函数和代价函数的偏导数,然后使用共轭梯度下降法优化整个网络,得到优化的网络权值和偏置,以原始图像输入数据和网络输出图像数据能够准确还原为准。
第七步:将第六步最终得到的网络权值和偏置,重新赋给所述深度信念网络模型中,即完成模型从图像输入层到结果输出层的网络训练。
训练后的深度信念网络模型在接收到数据采集组件发送来的图像后,便可进行识别判断,识别判断的过程及结果如图17所示,经过隐含层RBM(1)的识别后将所有状态分为两类,一类非常明确即无车经过,另一类是有车经过状态,有车经过状态包含了除无车经过外所有的状态,但是这些状态没有被明确区分出来;然后进入隐含层RBM(2)作进一步的识别,经过隐含层RBM(2)的识别后,从有车经过状态中进一步分离出当前经过的是车厢和车头/车厢连接处/车尾两种情况;随后进入隐含层RBM(3)作进一步的识别,经过隐含层RBM(3)将车厢识别为棚车、敞车、罐车/客车三种情况,并将RBM(2)识别结果中的车头/车厢连接处/车尾进一步识别为车头、车厢连接处、车尾三种情况;最后在隐含层RBM(4)将棚车进一步识别为棚车车厢正常、棚车车门关闭但车锁损坏、棚车车门敞开三种状态,将罐车/客车进一步识别为罐车、客车两种状态,将敞车进一步识别为敞车车厢正常、敞车车厢超限、敞车车门关闭但车锁损坏、敞车车门打开、敞车覆盖物正常五种状态,将车头进一步识别为客车车头、货车车头、动车车头三种状态;由此通过四个隐含层对接收到的图像进行层层识别后输出识别结果,最终的识别结果分类16类,分别为:1.当前棚车车厢正常、2.棚车车门关闭但车锁损坏、3.棚车车门敞开、4.当前车厢为罐车、5.当前车厢为客车车厢、6.敞车车厢正常、7.敞车车厢超限、8.敞车车门关闭但车锁损坏、9.敞车车门打开、10.敞车覆盖物正常、11.当前为客车车头、12.当前为货车车头、13.当前为动车车头、14.当前为车厢间隔、15.当前为车尾、16.当前无车经过。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种轨道车辆车厢状态非接触检测装置,其特征在于:包括:数据采集组件A、数据采集组件B、数据采集组件C和控制单元;每组数据采集组件均包括激光扫描仪和高清摄像头;所述数据采集组件A和数据采集组件B中的激光扫描仪用于获取车厢横截面整体轮廓图像,所述数据采集组件A和数据采集组件B中的高清摄像头用于获取车厢两个相对的侧面图像;所述数据采集组件C中的激光扫描仪用于获取车厢顶部纵向中心线的轮廓图像,所述数据采集组件C中的高清摄像头用于获取车厢顶部图像;三组数据采集组件中的激光扫描仪和高清摄像头分别与控制单元相连,将采集到的图像实时发送给控制单元;
所述控制单元依据接收到的图像检测当前车厢的状态,获得车厢的状态信息并发送给上级控制中心;所述车厢的状态信息包括:轨道车辆的车型、车速、车厢的种类、车门是否正常关闭、车锁是否完好、车厢载货状态、客车载客量;
所述控制单元依据数据采集组件C中的激光扫描仪沿轨道方向所扫描到的轮廓图像,检测是否有轨道车辆将要经过;
所述控制单元依据数据采集组件C实时采集到的车头顶部纵向中心线的轮廓图像和车头顶部图像识别车头,判断当前经过的轨道车辆的车型;并依据设定时间间隔内车头轮廓图像的位移变化计算当前车速;
所述控制单元依据所述数据采集组件A和数据采集组件B中激光扫描仪所获得的车厢横截面整体轮廓图像,结合数据采集组件C中高清摄像头获取的车厢顶部图像判断车厢种类;
所述控制单元依据所述数据采集组件A和数据采集组件B中激光扫描仪所获得的车厢横截面整体轮廓图像判断车门是否正常关闭以及车门处于敞开状态时的敞开程度;并依据车厢横截面整体轮廓图像中顶部轮廓线与设定的车厢横截面顶部轮廓线之间的高度差判断车厢载货状态,所述车厢载货状态指满载、超载或半载;
所述控制单元依据所述数据采集组件A和数据采集组件B中高清摄像头所获取的车厢侧面图像判断车锁是否完好;并依据车厢侧面图像上的载客量标识线,估算当前车厢的客车载客量。
2.如权利要求1所述的轨道车辆车厢状态非接触检测装置,其特征在于:三组数据采集组件均安装在龙门架结构上,轨道车辆从所述龙门架结构下方通过;所述数据采集组件A和数据采集组件B分别安装在位于轨道两侧的龙门架结构的立柱上,所述数据采集组件C安装在位于轨道上方的龙门架结构的横梁上。
3.如权利要求2所述的轨道车辆车厢状态非接触检测装置,其特征在于:所述数据采集组件A和数据采集组件B中的激光扫描仪相对布置,扫描平面垂直于轨道平面,安装位置保证有轨道车辆经过时扫描视野覆盖与其相对的车厢横截面的侧边轮廓以及顶边轮廓;所述数据采集组件A和数据采集组件B中高清摄像头的安装位置保证有轨道车辆经过时镜头视野正对与其相对的车厢门中部;所述数据采集组件C中的激光扫描仪扫描方向平行于轨道方向,安装在轨道中线正上方;所述数据采集组件C中的高清摄像头,安装在轨道中线正上方,安装位置保证有轨道车辆经过时镜头视野在宽度方向上覆盖整个车厢顶部。
4.如权利要求1所述的轨道车辆车厢状态非接触检测装置,其特征在于:三个数据采集组件的高清摄像头中均配有照明设施。
5.一种轨道车辆车厢状态非接触检测方法,其特征在于,包括以下步骤:
S1:激光扫描仪C沿轨道方向持续扫描,并将扫描的轮廓图像发送给控制单元,所述控制单元根据扫描的轮廓图像判断轨道车辆是否到来:若轮廓图像仅为车轨及路基的轮廓线,则表示无轨道车辆经过,激光扫描仪C继续沿轨道方向持续扫描;若轮廓图像中开始有轨道车辆的车头轮廓线,则表示有轨道车辆将要经过,进入步骤S2;
S2:高清摄像头C实时采集轨道车辆的车头顶部图像并发送控制单元,所述控制单元依据激光扫描仪C实时采集的车头顶部纵向中心线的轮廓图像和高清摄像头C采集的车头顶部图像识别车头,判断当前轨道车辆的车型,即判断当前轨道车辆是动车、普通客运列车或货运列车;并根据设定时间间隔内车头轮廓的位移变化计算当前车速;若判断当前的轨道车辆为货运列车,进入步骤S3;若判断当前的轨道车辆为动车或普通客运列车,进入步骤S4;
S3:激光扫描仪A和激光扫描仪B实时采集与其相对的车厢横截面的侧边轮廓以及顶边轮廓,并发送给控制单元,所述控制单元依据车厢横截面的侧边轮廓以及顶边轮廓获得当前车厢横截面的整体轮廓图像,结合高清摄像头C获取的车厢顶部图像判断车厢种类,进而根据车厢种类选择不同的检测方式:
S3.1:若扫描得到的车厢横截面整体轮廓图像与设定的车厢横截面整体轮廓一致且车厢顶部图像中只能看见车顶,则判断经过的车厢是棚车;所述控制单元依据车门所在横截面的整体轮廓图像检测车门是否正常关闭,并依据高清摄像头A和高清摄像头B实时采集的车厢侧面图像中的车锁图像判断车锁完好程度;
S3.2:若扫描得到的车厢横截面整体轮廓图像为“凸”或“凹”字形,或车厢横截面整体轮廓图像与设定的车厢横截面整体轮廓一致但车厢顶部图像中没有车顶,则判断经过的车厢是敞车;所述控制单元依据扫描得到的车厢横截面整体轮廓图像进行车厢载货状态,即判断当前车厢是满载、超载或半载;并依据车门所在横截面的整体轮廓图像检测车门是否正常关闭,依据高清摄像头A和高清摄像头B实时采集的车厢侧面图像中的车锁图像判断车锁完好程度;
S3.3:如若扫描得到的车厢横截面整体轮廓图像为圆形,则判断当前经过的车厢是油罐车,所述控制单元依据车厢的侧面图像和顶部图像,识别油罐车的标识信息;
S4:所述控制单元依据高清摄像头A和高清摄像头B实时采集的车厢侧面图像,识别车厢侧面图像上的载客量标识线,估算当前车厢的客车载客量;
S5:所述控制单元依据激光扫描仪C扫描的车厢顶部纵向中心线的轮廓图像判断当前是否为车厢连接处或车尾经过:
若激光扫描仪C沿轨道方向扫描的轮廓图像中包含有抓钩轮廓,则表明当前位置为车厢连接处,所述控制单元由步骤S2中获得的车速和之前获取的所有当前车厢的横向截面轮廓图像还原生成当前车厢的三维图像;然后返回至步骤S3继续对后续车厢进行检测;
若激光扫描仪C沿轨道方向扫描的轮廓图像中包含了车尾轮廓线和车轨及路基轮廓线,则表明当前为车尾经过,在车尾驶出数据采集组件的扫描范围后,所述控制单元将该趟轨道列车的所有车厢的状态信息发送给上级控制中心。
6.根据权利要求5所述的轨道车辆车厢状态非接触检测方法,其特征在于:所述控制单元在接收到数据采集组件发送过来的图像后,由控制板卡上的人工神经网络图像识别模块对图形进行识别判断,所述人工神经网络图像识别模块基于深度信念网络模型。
7.根据权利要求6所述的轨道车辆车厢状态非接触检测方法,其特征在于:所述深度信念网络模型包括输入层和四个隐含层;
所述深度信念网络模型的输入层在接收到数据采集组件发送来的图像后,先经过隐含层RBM(1)的识别,识别结果分为无车经过和有车经过两种情况;
然后进入隐含层RBM(2)作进一步的识别,从有车经过状态中进一步分离出当前经过的是车厢和车头/车厢连接处/车尾两种情况;
随后进入隐含层RBM(3)作进一步的识别,将车厢识别为棚车、敞车、罐车/客车三种情况,并将RBM(2)识别结果中的车头/车厢连接处/车尾进一步识别为车头、车厢连接处、车尾三种情况;
最后在隐含层RBM(4)将棚车进一步识别为棚车车厢正常、棚车车门关闭但车锁损坏、棚车车门敞开三种状态,将罐车/客车进一步识别为罐车、客车两种状态,将敞车进一步识别为敞车车厢正常、敞车车厢超限、敞车车门关闭但车锁损坏、敞车车门打开、敞车覆盖物正常五种状态,将车头进一步识别为客车车头、货车车头、动车车头三种状态;
由此通过四个隐含层对接收到的图像进行层层识别后输出识别结果,最终的识别结果分类16类,分别为:1.当前棚车车厢正常、2.棚车车门关闭但车锁损坏、3.棚车车门敞开、4.当前车厢为罐车、5.当前车厢为客车车厢、6.敞车车厢正常、7.敞车车厢超限、8.敞车车门关闭但车锁损坏、9.敞车车门打开、10.敞车覆盖物正常、11.当前为客车车头、12.当前为货车车头、13.当前为动车车头、14.当前为车厢间隔、15.当前为车尾、16.当前无车经过。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710294600.7A CN107122747B (zh) | 2017-04-28 | 2017-04-28 | 一种轨道车辆车厢状态非接触检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710294600.7A CN107122747B (zh) | 2017-04-28 | 2017-04-28 | 一种轨道车辆车厢状态非接触检测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107122747A CN107122747A (zh) | 2017-09-01 |
CN107122747B true CN107122747B (zh) | 2020-06-09 |
Family
ID=59725522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710294600.7A Expired - Fee Related CN107122747B (zh) | 2017-04-28 | 2017-04-28 | 一种轨道车辆车厢状态非接触检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107122747B (zh) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508725B (zh) * | 2017-09-15 | 2021-01-01 | 杭州海康威视数字技术股份有限公司 | 运输车辆的盖板开合检测方法、装置及终端 |
CN107869955A (zh) * | 2017-10-24 | 2018-04-03 | 华朗三维技术(深圳)有限公司 | 一种激光三维扫描仪系统及使用方法 |
CN108288022B (zh) * | 2017-12-13 | 2021-11-09 | 广东数相智能科技有限公司 | 基于图像识别的航线货运状况识别方法及装置 |
CN108345858A (zh) * | 2018-02-11 | 2018-07-31 | 杭州鸿泉物联网技术股份有限公司 | 一种车辆载重状态检测方法和系统 |
DE102018202429B3 (de) * | 2018-02-16 | 2019-06-06 | Sivantos Pte. Ltd. | Verfahren zur Anpassung von Parametern eines Hörsystems |
CN108931458A (zh) * | 2018-03-12 | 2018-12-04 | 四川广安发电有限责任公司 | 一种来煤质量检测系统及方法 |
CN108805007A (zh) * | 2018-04-18 | 2018-11-13 | 浙江百世技术有限公司 | 基于图像识别的班线空仓状态判断方法 |
CN108535138B (zh) * | 2018-05-04 | 2024-04-16 | 鹤壁昊海电气有限公司 | 用于绿色通道车辆的比重检测装置及方法 |
CN110717365B (zh) * | 2018-07-13 | 2022-05-31 | 杭州海康威视数字技术股份有限公司 | 一种获取图片的方法及装置 |
CN109367585A (zh) * | 2018-10-30 | 2019-02-22 | 窦玉猛 | 一种铁路货运行驶状态信号控制系统 |
CN109164462A (zh) * | 2018-11-02 | 2019-01-08 | 广州市杜格科技有限公司 | 基于激光雷达技术的车型识别装置及其方法 |
CN109532937B (zh) * | 2018-11-14 | 2021-01-12 | 成都天佑路航轨道交通科技有限公司 | 一种车载地铁限界检测方法及其检测系统 |
CN109614873A (zh) * | 2018-11-15 | 2019-04-12 | 中兴飞流信息科技有限公司 | 基于神经网络的列车安全标志检测方法、服务器及存储介质 |
CN109614940A (zh) * | 2018-12-14 | 2019-04-12 | 长沙致天信息科技有限责任公司 | 一种车箱盖的开关状态监测方法和相关装置 |
CN110524553B (zh) * | 2019-08-28 | 2021-07-23 | 佳讯飞鸿(北京)智能科技研究院有限公司 | 一种铁路货检机器人智能图像分析系统 |
CN110532998B (zh) * | 2019-09-05 | 2022-04-12 | 杭州视在科技有限公司 | 一种用于机场行李拖车超载违规检测的方法 |
US10762331B1 (en) * | 2019-10-11 | 2020-09-01 | Zebra Technologies Corporation | Three-dimensional (3D) depth and two-dimensional (2D) imaging systems and methods for automatic container door status recognition |
CN110782012A (zh) * | 2019-10-21 | 2020-02-11 | 衢州学院 | 一种危化品车辆运输状态自学习预警模型的搭建方法 |
CN111006748A (zh) * | 2019-12-19 | 2020-04-14 | 神华宝日希勒能源有限公司 | 车皮超偏载的监测系统 |
CN111476123A (zh) * | 2020-03-26 | 2020-07-31 | 杭州鸿泉物联网技术股份有限公司 | 车辆状态识别方法、装置、电子设备及存储介质 |
CN111523417A (zh) * | 2020-04-13 | 2020-08-11 | 北京巨视科技有限公司 | 一种基于图像匹配的货车超载识别方法和装置 |
CN111256737B (zh) * | 2020-05-06 | 2020-08-28 | 天津美腾科技股份有限公司 | 车厢异常检测系统及方法 |
CN111879237A (zh) * | 2020-07-16 | 2020-11-03 | 广东焊将科技实业有限公司 | 一种车厢的激光扫描测量及定位方法 |
CN112132053A (zh) * | 2020-09-24 | 2020-12-25 | 杭州海康威视数字技术股份有限公司 | 车厢标识识别方法、装置及计算机存储介质 |
CN114693588A (zh) * | 2020-12-28 | 2022-07-01 | 虹软科技股份有限公司 | 货箱状态的检测方法及装置 |
CN112731441B (zh) * | 2021-01-08 | 2022-09-16 | 唐山曹妃甸煤炭港务有限公司 | 一种敞车车厢状态检测装置及方法 |
CN113348663B (zh) * | 2021-03-23 | 2023-01-24 | 深圳市锐明技术股份有限公司 | 一种货箱监控方法、终端设备及存储介质 |
CN113640821B (zh) * | 2021-07-23 | 2024-01-12 | 鞍钢集团矿业有限公司 | 基于单线激光雷达扫描仪扫描的矿车装载量计量方法 |
CN113566736A (zh) * | 2021-07-27 | 2021-10-29 | 西南科技大学 | 一种基于多路线激光扫描的铝模板识别检测装置及其识别方法 |
CN113715041B (zh) * | 2021-09-16 | 2022-08-05 | 济南祥控自动化设备有限公司 | 一种集运站火车车厢自主采样系统和方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103723161A (zh) * | 2013-12-18 | 2014-04-16 | 青岛威力电子科技有限公司 | 列车装载安全的实时自动检测设备 |
CN103794056A (zh) * | 2014-03-06 | 2014-05-14 | 北京卓视智通科技有限责任公司 | 基于实时双路视频流的车型精确分类系统及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3261865B2 (ja) * | 1994-06-08 | 2002-03-04 | 石川島播磨重工業株式会社 | 鉄道軌道の安全確認方法 |
JP5880207B2 (ja) * | 2012-03-29 | 2016-03-08 | サクサ株式会社 | 走行体の状態検出装置 |
JP2017030380A (ja) * | 2015-07-29 | 2017-02-09 | 株式会社京三製作所 | 列車検知システムおよび列車検知方法 |
-
2017
- 2017-04-28 CN CN201710294600.7A patent/CN107122747B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103723161A (zh) * | 2013-12-18 | 2014-04-16 | 青岛威力电子科技有限公司 | 列车装载安全的实时自动检测设备 |
CN103794056A (zh) * | 2014-03-06 | 2014-05-14 | 北京卓视智通科技有限责任公司 | 基于实时双路视频流的车型精确分类系统及方法 |
Non-Patent Citations (2)
Title |
---|
基于分布式车辆速度检测信息的城市快速路交通状态估计;符旭等;《交通运输工程与信息学报》;20161231;第14卷(第4期);105-112 * |
基于视频的车辆连续运动状态检测方法研究;史慧伟;《中国优秀硕士学位论文全文数据库(电子期刊)工程科技Ⅱ辑》;20170215;第2017年卷(第2期);C034-1390 * |
Also Published As
Publication number | Publication date |
---|---|
CN107122747A (zh) | 2017-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107122747B (zh) | 一种轨道车辆车厢状态非接触检测装置及方法 | |
CN107314741A (zh) | 货物体积测量方法 | |
CN106541968B (zh) | 基于视觉分析的地铁车厢实时提示系统的识别方法 | |
US9214016B2 (en) | Pantograph monitoring system and method | |
CN102346844B (zh) | 一种货车下心盘螺栓丢失故障识别装置及其识别方法 | |
CN105185123A (zh) | 一种套牌车识别系统及方法 | |
US20140176679A1 (en) | Method for Automatically Classifying Moving Vehicles | |
CN109238756B (zh) | 货车运行故障动态图像检测设备及检测方法 | |
CN112633176A (zh) | 一种基于深度学习的轨道交通障碍物检测方法 | |
CN104029680A (zh) | 基于单目摄像头的车道偏离预警系统及方法 | |
CN111942434A (zh) | 一种铁路货车关键部件故障图像智能检测装置 | |
CN109489724A (zh) | 一种隧道列车安全运行环境综合检测装置及检测方法 | |
CN107628064A (zh) | 一种铁路专用线车辆安全监测装置及方法 | |
CN101424510B (zh) | 列车超限的检测方法及系统 | |
CN111860384A (zh) | 一种车型识别方法 | |
CN104809427A (zh) | 基于3d信息的故障自动识别检测系统及检测方法 | |
CN111523415A (zh) | 一种基于图像的两客一危车辆检测方法和装置 | |
CN111966857B (zh) | 一种检测改装车辆的方法及检测系统 | |
CN109858456A (zh) | 一种铁路车辆状态故障分析系统 | |
CN210954335U (zh) | 一种用于铁路货车车厢的检测装置 | |
CN206155453U (zh) | 轨道检测车 | |
CN111079488B (zh) | 一种基于深度学习的公交客流检测系统及方法 | |
CN115938026A (zh) | 基于多维特征的园区门禁管理方法、系统及存储介质 | |
US20240034372A1 (en) | Optical railway detection | |
CN212302511U (zh) | 一种车号与箱号识别关联系统监测设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200609 |
|
CF01 | Termination of patent right due to non-payment of annual fee |