CN110135383A - 铁路货车装载视频智能监视系统 - Google Patents

Abstract

本发明公开了一种铁路货车装载视频智能监视系统，包括传感器单元、图像采集单元、车号采集单元、灯控单元、车厢分割单元、传输单元和智能监视单元。该系统基于Darknet深度学习框架和Yolo神经网络算法对部件进行定位，再利用异常检测算法对部件进行异常检测，并且针对不同类别的异常检测采用了不同的方法，采用定制化高清彩色线阵相机，结合列车运行速度设置相机采样频率，获得列车高清彩色图像，还原真实细节；同时该系统环境适应性更强，在雨雪、夜间等不利于作业人员亲临现场的情况下均可保证成图质量；进一步的该系统智能化程度更高，针对多类别状态检测项，均可实现部件的异常检测。

Description

铁路货车装载视频智能监视系统

技术领域

本发明涉及铁路货车状态检测技术领域，尤其涉及一种铁路货车装载视频智能监视系统。

背景技术

为确保铁路货车处于正常装载状态，铁路工作人员在日常检修工作中需要完成大量项点的检测。传统的人工检车方式工作效率低、工作强度大，对检车员技术水平要求高，在长时间作业中易出现疏漏、误判等问题。并且这种方式对检测环境有一定要求，在恶劣天气环境中难以保证检测质量，容易造成一定程度的安全隐患。目前，车站采用的货检系统通常采用视频拍摄的方式采集货车装载信息，检车员通过货车装载图像进行分离式检车，由于不必亲临检车现场，在一定程度上提高了检车效率，但是各待检测项点仍需逐个观察并进行逐一判断，随着信息技术的广泛应用与车辆保有量的日益增长，车辆检修工作的需求逐渐增大，这种方式已经难以满足当代铁路发展的需要，现急需一种效率更高、精度更高的新型货检系统。

发明内容

针对上述问题，本发明公开了一种铁路货车装载视频智能监视系统，具体包括：

安装于车站进出口轨道处用于检测列车的驶入信号的传感器单元；

接收所述传感器单元传送的触发信号的图像采集单元，所述图像采集单元安装于列车行进路径的周围位置、分别获取列车左视、俯视和右视图像信息，其中图像采集单元采用高清彩色线阵相机拍摄列车的视频信息将视频信息与列车的实时速度相结合获取经过列车的动态图像；

接收传感器单元传送的触发信号的车号采集单元，所述车号采集单元安装在运行轨道上获取货车车厢底部的无线身份识别卡中的车厢身份信息，其中该车厢身份信息至少包括车厢型号信息、长度信息和载重信息；

安装在图像采集单元的周围为系统提供稳定光源的灯控单元；

安装在轨道两侧用于判断当前图像采集单元的拍摄位置是否为列车车厢连接处的车厢分割单元，当列车车厢连接处运行至车厢分割单元时，所述车厢分割单元将触发信号发送至图像采集单元，所述图像采集单元记录该分割位置信息并输出；

接收所述图像采集单元传送的图像信息和分割位置信息以及车号采集单元传送的车厢身份信息的传输单元，所述传输单元将接收到的信息传送至智能监视单元，所述智能监视单元将接收到的图像信息按照车厢切割后的形式存储；

所述智能监视单元采用Darknet深度学习框架和Yolo神经网络算法对车厢体的部件进行定位检测，采用异常检测算法对定位后出现异常状况的部件进行异常判断。

进一步的，所述智能监视单元采用Darknet深度学习框架和Yolo神经网络算法对车厢体的部件进行定位检测中具体采用如下方式：

Darknet网络结构的卷积层接收上一个深度网络层输出的底层部件特征进行特征学习、生成高度抽象的部件特征；

在池化层中采用最大池化算法提取并学习部件特征图中深层次的语义信息，并忽略表现特征程度低的特征图学习结果；

采用LRN层提高特征学习的速度；

其中逻辑回归层采用多标签多分类方式对同一检测框内的多类部件进行识别、输出每个部件以及该部件对应的标签。

进一步的，所述智能监视单元采用异常检测算法对出现异常状况的部件进行异常判断中具体采用如下方式：

对于门窗开合类异常检测中：在门窗部件定位的基础上，建立门窗开合状态的样本，以门窗闭合图像为正样本，门窗开启图像为负样本，使用支持向量机SVM完成正负样本的训练，生成门窗开合状态判定的分类器；

对于表面异物类的检测中：选定完成定位的部件图像，选择模板图像，采用SIFT算法分别提取模板图像与待测图像的部件特征点，按照随机抽样一致原则筛选可靠性匹配点并生成校正变换矩阵完成待测图像的校正；将待测图像与模板图像进行差分处理，对待测图像开操作后再进行二值化处理，设定闭合轮廓面积阈值，将轮廓面积大于闭合轮廓面积阈值的区域判定为异物，将轮廓面积小于闭合轮廓面积阈值的区域判定为正常物体。

由于采用了上述技术方案，本发明提供的一种铁路货车装载视频智能监视系统，该系统基于Darknet深度学习框架和Yolo神经网络算法对部件进行定位，再利用异常检测算法对部件进行异常检测，并且针对不同类别的异常检测采用了不同的方法，采用定制化高清彩色线阵相机，结合列车运行速度设置相机采样频率，获得列车高清彩色图像，还原真实细节；同时该系统环境适应性更强，在雨雪、夜间等不利于作业人员亲临现场的情况下均可保证成图质量；进一步的该系统智能化程度更高，针对多类别状态检测项，均可实现部件的异常检测。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明铁路货车装载视频智能监视系统的结构示意图。

具体实施方式

为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

如图1所示的一种铁路货车装载视频智能监视系统，具体包括：传感器单元、图像采集单元、车号采集单元、灯控单元、车厢分割单元、传输单元和智能监视单元。

所述传感器单元安装在车站进出口轨道旁位置，当列车经过检测点时，列车会依次触发不同位置的传感器单元，传感器单元为系统提供和传送启动信号、列车运行方向、列车车速等信息。在非车辆进入时段，系统保持关闭状态，有效节约能源，延长系统使用寿命。图像采集单元安装于列车行进路径的周围，分别获取左视、俯视、右视的列车信息，该图像采集单元采用高清彩色线阵相机拍摄视频并结合列车实时速度，可获取经过列车的动态图像。车号采集单元安装在运行轨道，可接收货车车厢底部的无线身份识别卡中的车厢身份信息，包括车厢型号、长度、载重等，再经由数据传输单元发送至智能监视单元，使车厢信息与车厢图像相匹配。灯控单元为图像采集单元提供稳定照明，通过安装在每个线阵相机周围的LED光源保证成图稳定，确保在夜间或极端天气情况下均可获得高清图像。车厢分割单元安装在轨道两侧，通过红外漫反射传感器判定当前拍摄位置是否为列车车厢连接处，当列车车厢连接处运行至红外漫反射传感器时会将触发信号发送至线阵相机，线阵相机通过数据传输单元将该分割位置信息传输至智能监视单元。系统以此信息进行断图操作，保证每节车厢生成一幅图像。数据传输单元，通过室内外两端光端机实现高速数据传输，有效保障传输数据的稳定性与及时性。其中所述智能监视单元采用Darknet深度学习框架和Yolo神经网络算法对车厢体的部件进行定位检测，采用异常检测算法对定位后出现异常状况的部件进行异常判断。

进一步的，在基于Darknet深度学习框架与Yolo神经网络算法的部件定位算法中，Darknet网络结构的卷积层接收上一个深度网络层输出的底层部件特征进行特征学习，生成高度抽象的部件特征。在池化层中，采用最大池化算法提取并学习部件特征图中深层次的语义信息，并忽略重要程度低的特征图学习结果。网络结构引入LRN层用以提高特征学习的速度，增大反馈较大神经元的影响权重，抑制反馈较小的神经元，提升模型泛化能力。逻辑回归层采用多标签多分类的方式，对同一检测框内的多类部件实现更高精度的识别，分别输出对应标签，完成部件识别。

在基于模式识别的异常检测算法中，针对不同类别的异常检测采用了不同的方法。对于门窗开合类异常检测，在门窗部件定位的基础上，建立门窗开合状态的样本，以门窗闭合图像为正样本，门窗开启图像为负样本，使用支持向量机(SVM)完成正负样本的训练，生成门窗开合状态判定的分类器，也就是说将开合状态训练数据集线性不可分问题转为最优分类超平面求解问题，即凸二次规划问题。

进一步的，对于表面异物类的检测算法步骤如下：

图像校正：由于车速的非线性变化会导致的图像存在水平方向的压缩和拉伸，对于完成定位的部件图像需进行图像校正。选定模板图像，采用SIFT算法分别提取模板图像与待测图像的部件特征点，按照随机抽样一致原则(RANSAC原则)筛选可靠的匹配点，生成校正变换矩阵，完成待测图像的校正。

图像对比：将待测图像与模板图像差分处理，对图像开操作后进行二值化，设定闭合轮廓面积阈值，超出阈值的区域判定为异物，否则为正常。

进一步的，该发明的铁路货车装载视频智能监视系统的工作流程如下：列车经过时，启动传感器单元接收来车信号，该信息传输至图像采集单元和车号采集单元，设备启动进入工作状态，列车行驶过程中，会依次触发不同位置的列车车轮传感器，获取列车运行方向、列车运行速度等信息，并将该信息传输至图像采集单元。图像采集单元启动后，高清彩色线阵相机根据现场实际光线情况调整灯控单元，二者相互结合，确保在不良光线下成像稳定；同时，图像采集单元结合列车运行速度自动调整采样频率，保证图像的生成质量。当列车车厢连接处经过车厢分割单元时，红外漫反射传感器将触发信号发送至线阵相机，线阵相机通过数据传输单元将该分割位置信息传输至智能监视单元。车号采集单元将实时读取到的列车车厢身份信息同步传输给智能监视单元，将图像有序切割，保证每节车厢生成一幅图像；智能监视单元中的人机界面可实时监测数据传输单元传递的新数据，提供人工检车记录，综合统计异常数量，形成检车报告，并将检测到的异常部件准确标记，方便维修人员后续处理。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种铁路货车装载视频智能监视系统，其特征在于包括：

安装于车站进出口轨道处用于检测列车的驶入信号的传感器单元；

接收所述传感器单元传送的触发信号的图像采集单元，所述图像采集单元安装于列车行进路径的周围位置、分别获取列车左视、俯视和右视图像信息，其中图像采集单元采用高清彩色线阵相机拍摄列车的视频信息将视频信息与列车的实时速度相结合获取经过列车的动态图像；

接收传感器单元传送的触发信号的车号采集单元，所述车号采集单元安装在运行轨道上获取货车车厢底部的无线身份识别卡中的车厢身份信息，其中该车厢身份信息至少包括车厢型号信息、长度信息和载重信息；

安装在图像采集单元的周围为系统提供稳定光源的灯控单元；

安装在轨道两侧用于判断当前图像采集单元的拍摄位置是否为列车车厢连接处的车厢分割单元，当列车车厢连接处运行至车厢分割单元时，所述车厢分割单元将触发信号发送至图像采集单元，所述图像采集单元记录该分割位置信息并输出；

接收所述图像采集单元传送的图像信息和分割位置信息以及车号采集单元传送的车厢身份信息的传输单元，所述传输单元将接收到的信息传送至智能监视单元，所述智能监视单元将接收到的图像信息按照车厢切割后的形式存储；

所述智能监视单元采用Darknet深度学习框架和Yolo神经网络算法对车厢体的部件进行定位检测，采用异常检测算法对定位后出现异常状况的部件进行异常判断。

2.根据权利要求1所述的铁路货车装载视频智能监视系统，其特征还在于：所述智能监视单元采用Darknet深度学习框架和Yolo神经网络算法对车厢体的部件进行定位检测中具体采用如下方式：

Darknet网络结构的卷积层接收上一个深度网络层输出的底层部件特征进行特征学习、生成高度抽象的部件特征；

在池化层中采用最大池化算法提取并学习部件特征图中深层次的语义信息，并忽略表现特征程度低的特征图学习结果；

采用LRN层提高特征学习的速度；

其中逻辑回归层采用多标签多分类方式对同一检测框内的多类部件进行识别、输出每个部件以及该部件对应的标签。

3.根据权利要求1所述的铁路货车装载视频智能监视系统，其特征还在于：所述智能监视单元采用异常检测算法对出现异常状况的部件进行异常判断中具体采用如下方式：

对于门窗开合类异常检测中：在门窗部件定位的基础上，建立门窗开合状态的样本，以门窗闭合图像为正样本，门窗开启图像为负样本，使用支持向量机SVM完成正负样本的训练，生成门窗开合状态判定的分类器；

对于表面异物类的检测中：选定完成定位的部件图像，选择模板图像，采用SIFT算法分别提取模板图像与待测图像的部件特征点，按照随机抽样一致原则筛选可靠性匹配点并生成校正变换矩阵完成待测图像的校正；将待测图像与模板图像进行差分处理，对待测图像开操作后再进行二值化处理，设定闭合轮廓面积阈值，将轮廓面积大于闭合轮廓面积阈值的区域判定为异物，将轮廓面积小于闭合轮廓面积阈值的区域判定为正常物体。