CN110962886A - 轨道智能监控预警系统 - Google Patents
轨道智能监控预警系统 Download PDFInfo
- Publication number
- CN110962886A CN110962886A CN201911273023.9A CN201911273023A CN110962886A CN 110962886 A CN110962886 A CN 110962886A CN 201911273023 A CN201911273023 A CN 201911273023A CN 110962886 A CN110962886 A CN 110962886A
- Authority
- CN
- China
- Prior art keywords
- track
- module
- server
- early warning
- information
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 84
- 230000009545 invasion Effects 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 238000009434 installation Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 230000001960 triggered effect Effects 0.000 claims description 2
- 230000008447 perception Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
- B61L23/04—Control, warning or like safety means along the route or between vehicles or trains for monitoring the mechanical state of the route
- B61L23/041—Obstacle detection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
- B61L23/06—Control, warning or like safety means along the route or between vehicles or trains for warning men working on the route
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提出了一种轨道智能监控预警系统,包括沿轨道设置的N个现场监控节点、M个设置于列车上的车载预警模块和服务器;所述现场监控节点与所述服务器相互通信,现场监控节点实时监控轨道侵限信息,并将该轨道侵限信息发送至所述服务器;所述车载预警模块包括主控模块和实时定位模块,所述实时定位模块输出端与主控模块输入端连接,向主控模块发送列车当前位置信息,所述主控模块与服务器相互通信,服务器向车载预警模块发送轨道侵限信息。该轨道智能监控预警系统通过现场监控节点、服务器以及车载预警模块的相互配合,能实时的对轨道的侵限情况进行监控,同时正在运行的列车可实时感知前方侵限信息,为运行列车提供及时的报警信息。
Description
技术领域
本发明涉及轨道交通领域,具体涉及一种轨道智能监控预警系统。
背景技术
目前,随着城市的发展,轨道交通由于其便利性和准时性、安全性等成为了人们出行的主要交通工具。城市轨道交通由于高密度运转,列车行车时间间隔短,行车速度高,列车编组辆数多而具有较大的运输能力。地铁达到3万~6万人次,甚至达到8万人次;轻轨1万~3万人次,有轨电车能达到1万人次,城市轨道交通的运输能力远远超过公共汽车。城市轨道交通由于充分利用了地下和地上空间的开发,不占用地面街道,能有效缓解由于汽车大量发展而造成道路拥挤、堵塞,有利于城市空间合理利用,特别有利于缓解大城市中心区过于拥挤的状态,提高了土地利用价值。城市轨道交通大部分采用地下隧道的方式进行修建。地铁隧道塌陷、异物、设备、设施等侵入地铁列车行车限界等通常会导致地铁列车事故的发生;情节较轻则会影响地铁列车的正常行驶,较重则会影响地铁列车的运行安全,甚至危及到地铁列车上乘客的生命安全。
发明内容
为了克服上述现有技术中存在的缺陷,本发明的目的是提供一种轨道智能监控预警系统。
为了实现本发明的上述目的,本发明提供了一种轨道智能监控预警系统,包括沿轨道设置的N个现场监控节点、M个设置于列车上的车载预警模块和服务器,其中N和M为正整数;
所述现场监控节点与所述服务器相互通信,现场监控节点实时进行轨道图像采集和/或监控轨道侵限信息,并将采集的图像信息和/或轨道侵限信息发送至所述服务器,该轨道侵限信息包括侵限位置信息、侵限图像数据、侵限类型;
所述车载预警模块包括主控模块和实时定位模块,所述实时定位模块输出端与主控模块输入端连接,向主控模块发送列车当前位置信息,所述主控模块与服务器相互通信,服务器向车载预警模块发送轨道侵限信息。
该轨道智能监控预警系统通过现场监控节点、服务器以及车载预警模块的相互配合,能实时的对轨道的侵限情况进行监控,同时正在运行的列车可实时感知前方侵限信息,为运行列车提供及时的报警信息。
本申请的优选方案:所述主控模块将列车当前的位置信息与其所接收到的轨道侵限信息进行对比,得到列车当前位置与轨道侵限所在位置的实时距离。
本申请的优选方案:所述车载预警模块还包括显示模块和报警模块,所述显示模块实时显示轨道侵限信息以及列车与轨道侵限所在位置的实时距离;
当列车与轨道侵限所在位置的实时距离达到设定距离阈值时,所述主控模块控制所述报警模块发出警报。
本申请的优选方案:所述主控模块实时向服务器发送列车当前位置信息及列车编码,所述服务器根据列车当前位置信息及列车编码向该车载预警模块推送距离列车K距离以内的轨道侵限信息。
本申请的优选方案:所述服务器在设备现场安装完成后与正式运行前的时间段内根据所述现场监控节点采集的被测目标图像完成被测目标的深度学习训练,得到被测目标的特征向量参数;待训练完成后,将被测目标的目标特征向量参数发送到现场监控节点,进行正式监控运营;
在系统正式运营期间,服务器通过所述现场监控节点采集的被测目标图像进行进一步的深度学习训练,并将进一步深度学习到的被测目标的特征向量参数发送到现场监控节点;
当出现新的被测目标时,对该被测目标进行深度学习得到其特征向量参数,并发送到现场监控节点;
所述现场监控节点的图像采集模块将采集到的图像数据发送给图像处理模块,所述图像处理模块根据所述服务器下发的被测目标的图像特征向量参数,通过神经网络算法进行分析是否存在被测目标,在识别到被测目标后,生成轨道侵限信息,并上传到服务器。
这里通过深度学习算法进行智能侵限识别,同时将侵限识别放置在现场监控节点进行,提高了实时性,减轻了服务器的运算负担。
本申请的优选方案,还包括P个监控终端,每个所述监控终端与所述服务器通信连接,所述服务器对现场监控节点采集的图像信息拼接后显示于监控终端上。监控终端可进行人机交互,侵限信息展示,告警信息弹窗等工作,并具有告警信息报表输出等功能。
本申请的优选方案,所述现场监控节点与服务器之间、车载预警模块与服务器之间均通过5G通信模块进行通信。采用5G通信,无需接入传输线缆,极大降低现场安装及运维成本,扩展通信带宽,可实时传输现场视频以及报警信息,现场检测点安装位置灵活,现场监控节点布置不受空间及线缆连接等条件限制。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是轨道智能监控预警系统原理框图;
图2是现场监控节点硬件原理框图;
图3是车载预警模块原理框图;
图4是轨道智能监控预警系统现场安装图;
图5是图像处理模块工作流程图;
图6是服务器对被测目标的特征向量模型训练工作流程图;
图7是服务器现场图像拼接展示及轨道侵限信息下发工作流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
如图1和图4所示,本发明提供了一种轨道智能监控预警系统,可应用于轨道侵限、维护智能监控应用场景,其包括沿轨道设置的N个现场监控节点、M个车载预警模块和服务器,其中N和M为正整数。
现场监控节点与服务器相互通信,现场监控节点实时进行轨道图像采集和/或监控轨道侵限信息,并将采集的图像信息和/或轨道侵限信息发送至所述服务器,该轨道侵限信息包括侵限位置信息、侵限图像数据、侵限类型。具体布置时,可按距离、面积分布等因素还进行现场监控点的设置,比如现场每隔100米左右布置一个现场监控节点,每个监控节点能够实现100米的区域监控。这里的侵限包括有人员、动物或物体侵入轨道限界。
轨道智能监控预警系统还包括P个监控终端,每个所述监控终端与所述服务器通信连接,服务器对现场监控节点采集的图像信息拼接后显示于监控终端上。监控终端完成人机交互,侵限信息展示,告警信息弹窗等工作,并具有告警信息报表输出等功能。
本实施例中,现场监控节点与服务器之间、车载预警模块与服务器之间均通过5G通信模块进行通信。
具体的,如图2所示,现场监控节点包括图像采集模块、图像处理模块和第一通信模块,图像采集模块实时采集轨道图像信息并发送至图像处理模块,图像处理模块识别轨道侵限信息,本实施例中图像处理模块通过深度学习算法识别轨道侵限信息,得到当前轨道路段是否存在侵限,如有,则将该轨道路的轨道侵限信息发送给服务器,这里图像处理模块通过第一通信模块与服务器进行通信。
图像采集模块包括同步触发的红外型面阵相机模块和脉冲式红外激光照明器,所述红外型面阵相机模块配有与所述脉冲式红外激光照明器输出光波长相同的窄带滤光片。优选的,脉冲式红外激光照明器输出光波长设置为850nm。采用了窄带滤光片与激光照明器,红外型面阵相机模块采集的图像不受列车直射灯光以及环境光影响;在白天黑夜以及变化光环境下获得较为清晰稳定的图像。
脉冲式红外激光照明器处于脉冲式工作,其出光脉冲宽度与红外型面阵相机模块曝光时间一致,脉冲式红外激光照明器的触发端、红外型面阵相机模块触发端分别与外部同步触发信号发生器连接,由外部同步触发信号控制触发,或者脉冲式红外激光照明器的触发端与红外型面阵相机模块的触发信号输出端连接,由红外面阵型相机模块输出控制;红外型面阵相机模块具有自动增益控制功能,随环境光照度变化自动调节其增益与曝光时间,脉冲式红外激光照明器同步调节其出光时间。这使得红外型面阵相机模块和脉冲式红外激光照明器采用严格的同步触发时序,只有在红外型面阵相机曝光时才会输出光功率,这极大的减小激光照明器的工作功率,延长激光照明器的稳定工作寿命,降低整个系统的功率消耗。
当脉冲式红外照明器触发端与红外型面阵相机模块的触发信号输出端连接时,红外型面阵相机模块采用其内部的时序触发脉冲式红外照明器,不会有滞后;例如:红外型面阵相机模块产生触发信号,同时给红外型面阵相机模块的图像传感器逻辑和脉冲式红外照明器,图像传感器逻辑可以做一定的延时再曝光,使得脉冲式红外照明器和红外型面阵相机模块同步。
车载预警模块安装于列车上,通常设置于驾驶室内,如图3所示,车载预警模块包括主控模块和实时定位模块,实时定位模块输出端与主控模块输入端连接,向主控模块发送列车当前位置信息,主控模块与服务器相互通信,服务器向车载预警模块发送轨道侵限信息,车载预警模块的显示模块显示该轨道侵限信息,车载预警模块的报警模块用于发出报警提示。实时定位模块优选但不限于为GPS/北斗定位模块。
本实施例的优选实施例:主控模块将列车当前的位置信息与其所接收到的轨道侵限信息进行对比,得到列车当前位置与轨道侵限所在位置的实时距离,显示模块实时显示轨道侵限信息以及列车与轨道侵限所在位置的实时距离,为列车司机提供操作参考;当列车与轨道侵限所在位置的实时距离达到设定距离阈值时,主控模块控制报警模块发出警报,提醒列车司机及时做出应对措施,保证列车的行驶安全。电源管理模块为整个车载预警模块提供稳定电源。
另外,现场监控节点向服务器发送的轨道侵限信息还包括有侵限等级,服务器同样把该侵限等级发送给车载预警模块,该侵限等级根据图像处理模块里设置的参数进行评估,此为现有技术,此处不做详述,当侵限报警等级影响到列车行驶安全,并且列车当前位置与侵限位置距离较近(达到设定距离阈值时)时,报警模块发出警报。报警模块优选但不限于为声光报警器。
本实施例的还有一种优选实施例:主控模块实时向服务器发送列车当前位置信息及列车编码,服务器通过列车编码可知该列车的运行路线,如图7所示,服务器根据列车当前位置信息及列车编码(运行路线)向该车载预警模块推送距离列车K距离以内的轨道侵限信息,K为实数。
如图6所示,服务器在设备现场安装完成后与正式运行前的时间段内根据所述现场监控节点采集的被测目标图像完成被测目标的深度学习训练,得到被测目标的特征向量参数;待训练完成后,将被测目标的目标特征向量参数发送到现场监控节点,进行正式监控运营。这里的被测目标包括入侵障碍物、维护人员、轨道巡查人员的服饰以及轨道巡查人员编号之一或任意组合,被测目标随着要求的变化而变化,可以通过在线的方式进行进一步学习与升级。
在系统正式运营期间,服务器通过所述现场监控节点采集的被测目标图像进行进一步的深度学习训练,不断优化被测目标的特征向量参数,使得测量精度和准确率随着系统运行时间增加而不断趋于稳定,并将进一步深度学习到的被测目标的特征向量参数发送到现场监控节点。
当出现新的被测目标时,对该被测目标进行深度学习得到其特征向量参数,并发送到现场监控节点。
同时图像处理模块还对图像采集模块传输过来的图像数据进行实时的图像预处理,如图像噪声消除、形态学滤波、图像二值化等;完成图像处理后,图像处理模块将图像数据以及侵限位置信息、侵限类型、侵限等级等通过5G通信模块上传到服务器以进行下一步处理,其工作流程如图5所示。服务器将被测目标的特征向量参数发送给现场监控节点。
这里涉及到的深度学习算法优选但不限于为CNN深度学习算法。
现场监控节点的图像采集模块将采集到的图像数据发送给图像处理模块,图像处理模块优选但不限于为基于FPGA的嵌入式系统,它根据服务器下发的被测目标的图像特征向量参数,通过神经网络算法,如YOLO V3目标检测算法,进行归类输出,分析得到是否存在被测目标。
如果分析得到存在被测目标,则表示有侵限情况存在,现场监控节点生成轨道侵限信息,并将该侵限信息发送至服务器,如果此时处于轨道运行期,那么服务器向车载预警模块推送侵限信息;如果此时处于轨道天窗期,服务器根据现场监控节点智能识别出来的维护人员或轨道巡查人员的服饰以及编号,实现人员工作状态跟踪以及考核的作用,如果是其它侵限情况,工作人员通过监控终端得知具体情况后安排排除侵限情况。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种轨道智能监控预警系统,其特征在于,包括沿轨道设置的N个现场监控节点、M个设置于列车上的车载预警模块和服务器,其中N和M为正整数;
所述现场监控节点与所述服务器相互通信,现场监控节点实时进行轨道图像采集和/或监控轨道侵限信息,并将采集的图像信息和/或轨道侵限信息发送至所述服务器,该轨道侵限信息包括侵限位置信息、侵限图像数据、侵限类型;
所述车载预警模块包括主控模块和实时定位模块,所述实时定位模块输出端与主控模块输入端连接,向主控模块发送列车当前位置信息,所述主控模块与服务器相互通信,服务器向车载预警模块发送轨道侵限信息。
2.根据权利要求1所述的轨道智能监控预警系统,其特征在于,所述现场监控节点包括图像采集模块、图像处理模块和第一通信模块,所述图像采集模块实时采集轨道图像信息并发送至所述图像处理模块,图像处理模块识别轨道侵限信息,所述图像处理模块通过所述第一通信模块与所述服务器进行通信。
3.根据权利要求1所述的轨道智能监控预警系统,其特征在于,所述主控模块将列车当前的位置信息与其所接收到的轨道侵限信息进行对比,得到列车当前位置与轨道侵限所在位置的实时距离。
4.根据权利要求1或3所述的轨道智能监控预警系统,其特征在于,所述车载预警模块还包括显示模块和报警模块,所述显示模块实时显示轨道侵限信息以及列车与轨道侵限所在位置的实时距离;
当列车与轨道侵限所在位置的实时距离达到设定距离阈值时,所述主控模块控制所述报警模块发出警报。
5.根据权利要求1所述的轨道智能监控预警系统,其特征在于,所述主控模块实时向服务器发送列车当前位置信息及列车编码,所述服务器根据列车当前位置信息及列车编码向该车载预警模块推送距离列车K距离以内的轨道侵限信息。
6.根据权利要求2所述的轨道智能监控预警系统,其特征在于,所述图像采集模块包括同步触发的红外型面阵相机模块和脉冲式红外激光照明器;所述脉冲式红外激光照明器的出光脉冲宽度与红外型面阵相机模块曝光时间一致,所述脉冲式红外激光照明器的触发端、红外型面阵相机模块触发端分别与外部同步触发信号发生器连接,或者脉冲式红外激光照明器的触发端与所述红外型面阵相机模块的触发信号输出端连接;所述红外型面阵相机模块随环境光照度变化自动调节其增益与曝光时间,所述脉冲式红外激光照明器同步调节其出光时间;所述红外型面阵相机模块配有与所述脉冲式红外激光照明器输出光波长相同的窄带滤光片。
7.根据权利要求6所述的轨道智能监控预警系统,其特征在于,所述服务器在设备现场安装完成后与正式运行前的时间段内根据所述现场监控节点采集的被测目标图像完成被测目标的深度学习训练,得到被测目标的特征向量参数;待训练完成后,将被测目标的目标特征向量参数发送到现场监控节点,进行正式监控运营;
在系统正式运营期间,服务器通过所述现场监控节点采集的被测目标图像进行进一步的深度学习训练,并将进一步深度学习到的被测目标的特征向量参数发送到现场监控节点;
当出现新的被测目标时,对该被测目标进行深度学习得到其特征向量参数,并发送到现场监控节点;
所述现场监控节点的图像采集模块将采集到的图像数据发送给图像处理模块,所述图像处理模块根据所述服务器下发的被测目标的图像特征向量参数,通过神经网络算法进行分析是否存在被测目标,在识别到被测目标后,生成轨道侵限信息,并上传到服务器。
8.根据权利要求7所述的轨道智能监控预警系统,其特征在于,所述被测目标包括入侵障碍物、维护人员、轨道巡查人员的服饰以及轨道巡查人员编号之一或任意组合。
9.根据权利要求1所述的轨道智能监控预警系统,其特征在于,还包括P个监控终端,每个所述监控终端与所述服务器通信连接,所述服务器对现场监控节点采集的图像信息拼接后显示于监控终端上。
10.根据权利要求1所述的轨道智能监控预警系统,其特征在于,所述现场监控节点与服务器之间、车载预警模块与服务器之间均通过5G通信模块进行通信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911273023.9A CN110962886A (zh) | 2019-12-12 | 2019-12-12 | 轨道智能监控预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911273023.9A CN110962886A (zh) | 2019-12-12 | 2019-12-12 | 轨道智能监控预警系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110962886A true CN110962886A (zh) | 2020-04-07 |
Family
ID=70034025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911273023.9A Pending CN110962886A (zh) | 2019-12-12 | 2019-12-12 | 轨道智能监控预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110962886A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111717243A (zh) * | 2020-06-22 | 2020-09-29 | 成都希格玛光电科技有限公司 | 一种轨道交通监控系统及方法 |
CN112590860A (zh) * | 2020-12-10 | 2021-04-02 | 长春理工大学 | 一种用于轨道交通的光纤传感器智能监测系统 |
CN113011252A (zh) * | 2021-02-04 | 2021-06-22 | 成都希格玛光电科技有限公司 | 轨道异物侵限检测系统及方法 |
CN113562005A (zh) * | 2021-09-27 | 2021-10-29 | 江苏濠汉信息技术有限公司 | 轨道列车司机行为智能监测和障碍物侵限智能侦测系统 |
WO2024055438A1 (zh) * | 2022-09-14 | 2024-03-21 | 卡斯柯信号有限公司 | 一种列车自主感知系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103529622A (zh) * | 2013-11-01 | 2014-01-22 | 四川中盾金卫光电科技有限公司 | 红外相机 |
CN104192174A (zh) * | 2014-08-29 | 2014-12-10 | 北京交通大学 | 列车预警系统和列车预警方法 |
CN110276255A (zh) * | 2019-05-17 | 2019-09-24 | 南京理工大学 | 基于gmm模型与bp神经网络的高速铁路异物识别与分类方法 |
-
2019
- 2019-12-12 CN CN201911273023.9A patent/CN110962886A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103529622A (zh) * | 2013-11-01 | 2014-01-22 | 四川中盾金卫光电科技有限公司 | 红外相机 |
CN104192174A (zh) * | 2014-08-29 | 2014-12-10 | 北京交通大学 | 列车预警系统和列车预警方法 |
CN110276255A (zh) * | 2019-05-17 | 2019-09-24 | 南京理工大学 | 基于gmm模型与bp神经网络的高速铁路异物识别与分类方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111717243A (zh) * | 2020-06-22 | 2020-09-29 | 成都希格玛光电科技有限公司 | 一种轨道交通监控系统及方法 |
CN111717243B (zh) * | 2020-06-22 | 2022-04-01 | 成都希格玛光电科技有限公司 | 一种轨道交通监控系统及方法 |
CN112590860A (zh) * | 2020-12-10 | 2021-04-02 | 长春理工大学 | 一种用于轨道交通的光纤传感器智能监测系统 |
CN113011252A (zh) * | 2021-02-04 | 2021-06-22 | 成都希格玛光电科技有限公司 | 轨道异物侵限检测系统及方法 |
CN113011252B (zh) * | 2021-02-04 | 2023-12-05 | 成都希格玛光电科技有限公司 | 轨道异物侵限检测系统及方法 |
CN113562005A (zh) * | 2021-09-27 | 2021-10-29 | 江苏濠汉信息技术有限公司 | 轨道列车司机行为智能监测和障碍物侵限智能侦测系统 |
WO2024055438A1 (zh) * | 2022-09-14 | 2024-03-21 | 卡斯柯信号有限公司 | 一种列车自主感知系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110962886A (zh) | 轨道智能监控预警系统 | |
CN111223302B (zh) | 移动载具用外部坐标实时三维路况辅助装置及该系统 | |
CN110085029B (zh) | 基于轨道式巡检机器人的高速公路巡检系统与方法 | |
CN112071117A (zh) | 一种基于车路协同的高速公路交通安全预警系统及方法 | |
CN113706737B (zh) | 基于自动驾驶车辆的路面巡检系统及方法 | |
CN111473980A (zh) | 一种智能汽车自动驾驶能力测试系统 | |
CN110648528A (zh) | 一种智慧公路管理系统 | |
KR102262810B1 (ko) | 도로 상황에 따른 가변형 제한속도 관리시스템과 판단방법 | |
CN101777268B (zh) | 引导式高速公路防雾系统 | |
CN103440767A (zh) | 高速公路行车信息车载终端、监控系统和方法 | |
WO2009070839A1 (en) | Improved railroad crossing | |
CN206805801U (zh) | 危险车辆过街警示系统 | |
CN102592457A (zh) | 基于物联网技术的复合型区间测速系统及方法 | |
CN106568403A (zh) | 路面积水检测方法及装置 | |
CN203606954U (zh) | 一种高速公路气象监测系统 | |
CN112562407B (zh) | Odd状态预判的方法、装置及自主代客泊车系统 | |
CN117558129B (zh) | 一种用于高速公路建设用的智能定位系统及方法 | |
CN108510749A (zh) | 交通监测装置及方法 | |
CN115527364B (zh) | 一种基于雷视数据融合的交通事故溯源方法及系统 | |
CN111477011A (zh) | 一种用于道路路口预警的检测装置及检测方法 | |
CN211630273U (zh) | 用于铁路环境的图像智能识别装置 | |
CN117894187A (zh) | 一种高速公路智能检测预警系统 | |
CN211827518U (zh) | 一种铁路沿线落石监测预警装置 | |
CN107839718A (zh) | 基于固定设备的有轨电车路口安全区域控制装置 | |
CN115903779A (zh) | 一种盾构隧道电机车的智能预警系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200407 |
|
RJ01 | Rejection of invention patent application after publication |