CN111016932A - 节能型空轨系统的轨道巡检车和检测方法 - Google Patents
节能型空轨系统的轨道巡检车和检测方法 Download PDFInfo
- Publication number
- CN111016932A CN111016932A CN201911214839.4A CN201911214839A CN111016932A CN 111016932 A CN111016932 A CN 111016932A CN 201911214839 A CN201911214839 A CN 201911214839A CN 111016932 A CN111016932 A CN 111016932A
- Authority
- CN
- China
- Prior art keywords
- track
- vehicle
- module
- rail
- detection
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 144
- 238000007689 inspection Methods 0.000 title claims abstract description 116
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000012423 maintenance Methods 0.000 claims abstract description 38
- 238000004140 cleaning Methods 0.000 claims abstract description 24
- 230000005291 magnetic effect Effects 0.000 claims description 104
- 239000000725 suspension Substances 0.000 claims description 99
- 238000012544 monitoring process Methods 0.000 claims description 58
- 230000004907 flux Effects 0.000 claims description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 34
- 238000004891 communication Methods 0.000 claims description 32
- 238000005070 sampling Methods 0.000 claims description 31
- 238000005516 engineering process Methods 0.000 claims description 22
- 230000006698 induction Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 19
- 239000000428 dust Substances 0.000 claims description 19
- 238000013135 deep learning Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 238000012806 monitoring device Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000009545 invasion Effects 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 10
- 238000013467 fragmentation Methods 0.000 claims description 9
- 238000006062 fragmentation reaction Methods 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 230000036961 partial effect Effects 0.000 claims description 3
- 238000005339 levitation Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 24
- 238000013024 troubleshooting Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 36
- 238000012549 training Methods 0.000 description 25
- 230000005389 magnetism Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000002372 labelling Methods 0.000 description 6
- 238000011897 real-time detection Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000005347 demagnetization Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000009434 installation Methods 0.000 description 5
- 239000010410 layer Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 239000011241 protective layer Substances 0.000 description 4
- 206010024796 Logorrhoea Diseases 0.000 description 3
- 241000699670 Mus sp. Species 0.000 description 3
- 241000270295 Serpentes Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000005294 ferromagnetic effect Effects 0.000 description 3
- 230000001771 impaired effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241001669679 Eleotris Species 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 241001127637 Plantago Species 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 229920003023 plastic Polymers 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003822 epoxy resin Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229920000647 polyepoxide Polymers 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61B—RAILWAY SYSTEMS; EQUIPMENT THEREFOR NOT OTHERWISE PROVIDED FOR
- B61B3/00—Elevated railway systems with suspended vehicles
- B61B3/02—Elevated railway systems with suspended vehicles with self-propelled vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61B—RAILWAY SYSTEMS; EQUIPMENT THEREFOR NOT OTHERWISE PROVIDED FOR
- B61B12/00—Component parts, details or accessories not provided for in groups B61B7/00 - B61B11/00
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61D—BODY DETAILS OR KINDS OF RAILWAY VEHICLES
- B61D15/00—Other railway vehicles, e.g. scaffold cars; Adaptations of vehicles for use on railways
- B61D15/08—Railway inspection trolleys
- B61D15/12—Railway inspection trolleys power propelled
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
- B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
- B61K9/08—Measuring installations for surveying permanent way
Abstract
本发明涉及信号检测与处理技术领域,公开了一种节能型空轨系统的轨道巡检车及检测方法,该巡检车具备对悬挂天梁内部整体空间状态的实时检测和预处理能力,通过巡检车的车载通信模块实时进行数据交互,实现车地信息交换以及相关数据的存储与备份,该检测方法是一种集多种功能为一体的新型轨道检测与维护方法。本发明为实现空轨系统的沿线轨道内部设备的日常维修、清洁、排障、救援及险情巡查等提供了基础性方法实施保障,提高以空轨系统为代表的空中轨道交通系统的安全性与可靠性,同时车载智能化检测方法为该类交通系统未来实现节能化运行提供了基础设施保障。
Description
技术领域
本发明涉及信号检测与处理技术领域,具体地涉及一种节能型空轨系统的轨道巡检车和检测方法。
背景技术
目前,在发展传统结构的新制式的同时,在世界上也相继出现了各种新型交通制式,例如以色列提出并研发的新型悬挂式磁悬浮快车-Sky Tran系统,江西理工大学提出并研发的新型永磁悬浮轨道交通-虹轨系统等。
在悬挂单轨方面,在国内外相继提出了多种悬挂式轨道交通制式,如国内有中车机车公司的新能源悬挂式单轨列车、俄罗斯Sky Way轨道缆车、德国多特蒙德的空轨专列、日本千叶单轨电车等。但是对于轨道安全巡检设备的不足依然是有待完善的方向。其中,就‘虹轨’系统而言,属于一种新型永磁悬挂式轨道交通制式,在轨道结构上有一定的要求,特别是,永磁悬浮列车的完好无损是列车安全悬浮和运行的基本要求。在轨道质检中,依然依靠人力或者无人机遥控灯手段,导致巡检流程繁琐,成本较高等不足,对于永磁悬浮轨道上的灰尘以及吸附的碎磁屑等异物一时没有良好的手段进行清理和排除。在轨道巡检车的基础之上,依然需要一种具备高智能化的轨道检测手段来有效的保障轨道巡检设备的安全性和可靠性,有效地解决上述存在的空轨系统的悬挂天梁难以全面巡检、日常维护成本高等问题。
发明内容
本发明涉及永磁磁悬浮技术,轨道损耗质检、磁通信号检测与处理、基于深度学习的图像异物识别等技术,更具体地是涉及了一种新型永磁悬挂式轨道交通制式所涉及的悬挂天梁内部的永磁悬浮模块、驱动定子板模块以及其他设备在内的异物检测技术,主要针对一类悬挂式空轨系统的悬挂天梁的日常维护和巡检。
本发明的目的是为了克服现有技术存在的悬挂式空轨系统的轨道巡检难度大、人工维护成本高等问题,提供一种节能型空轨系统的轨道巡检车和检测方法,该节能型空轨系统的轨道巡检车为具备智能性、多功能性、高精度性等优势的综合化轨道自主巡检预警车。在功能上,实现了空轨系统中沿线铺设的轨道梁内部的相关设备的智能维护和检修等功能,其主要检测目标可包括:永磁悬浮轨道梁,驱动定子,滑触轨,测速定位设备,导向轮轨等相关功能模块,同时具备对天梁内部整体空间状态,例如是否存在异物等,实时检测和预处理能力,通过巡检车的车载通信设备进行实时的数据交互,实现人车的信息交换以及相关数据的存储与备份,是一种集综合功能为一体的新型轨道维护设备及方法。
为了实现上述目的,本发明一方面提供一种节能型空轨系统的轨道检测方法,所述检测方法包括:
S1、通过基于深度学习的图像异物检测手段建立相关的机器识别网络数据库;
S2、通过轨道巡检车的检测设备对轨道内部的相关部件进行图像/视频采集;
S3、将预设提取的样本数据加载到车载控制系统;
S4、车载控制系统将样本数据通过车载通信模块传送到地面监控中心,由地面数据处理单元进行轨道异物识别,地面监控中心发布相应的执行操作命令至轨道巡检车,轨道巡检车执行处理命令功能;并且/或者,
车载控制系统控制执行处理命令功能,由轨道巡检车的轨道异物清理模块执行相应的异物清除命令;并且/或者,
由地面监控中心发出轨道异常预警至轨道维护人员的监护设备上,通过人工清理异物,同时轨道巡检车依据不同程度的预警等级进行进一步的操作。
优选地,所述基于深度学习的图像异物检测手段包括基于深度学习的轨道异物识别算法,所述识别算法利用YOLO_v3网络模型构建永磁悬浮模块异物目标对象的智能检测模型,所述智能检测模型包括:
图形预处理模块,对检测视频进行单帧处理,并对获得的单帧图像进行预处理;和
轨道入侵区域划定模块,对检测图像进行处理,划定出危险区域,将多余的部分去除;和
轨道异物入侵检测模块,所述轨道异物入侵检测模块利用构建的智能检测模型对划定的入侵区域进行检测,如检测到有异物侵入到危险区域,则向地面控制中心/云端数据库/移动监控设备发布轨道异物警报。
本发明另一方面提供一种节能型空轨系统的轨道巡检车,所述巡检车包括:
轨道取样检测模块,所述轨道取样检测模块通过对悬挂式轨道梁两侧的永磁悬浮轨道进行轨道沿线的自动巡检,检测轨道悬浮阵列的部分受损情况、永磁悬浮块的碎裂、轨道形变、轨道保护皮翘皮;和
车载通信模块,所述车载通信模块能够和地面监控中心进行数据交互;和
监控设备模块,所述监控设备模块能够通过拍照/摄像手段对轨道进行图像取样,并配合所述车载通信模块将图像样本数据传送到地面监控中心;
轨道异物清理模块;和
车载运控模块。
优选地,所述轨道取样检测模包括:
磁通检测模块,所述磁通检测模块具有磁通检测设备,通过所述磁通检测设备对永磁悬浮轨道沿线的静态磁场变化进行实时检测,通过所述车载运控模块对所述磁通检测设备的检测数据进行识别、判断和轨道异常诊断;和
轨道状态取样模块,所述轨道状态取样模块通过与所述监控设备模块配合,对永磁悬浮轨道检测数据异常的位置进行图像样本采集,然后与对应的轨道位置的正常图像样本数据库进行智能化诊断。
优选地,所述轨道异物清理模块包括:
异物清扫设备,所述异物清扫设备实时保持与所述车载通信模块数据通信,并通过所述车载运控模块协调控制所述异物清扫设备的相应辅助设备进行异物清理;和
轨道除尘设备,所述轨道除尘设备能够扫除永磁悬浮轨道上吸附的包括磁屑和灰尘的屑末异物,优选所述轨道除尘设备位于永磁悬浮轨道的正上方。
优选地,所述异物清扫设备设置有滚筒刷、驱动电机、斩波器、传送带、收集台、收纳盒和液压升降杆,所述滚筒刷连接于液压升降杆,通过斩波器对滚筒刷和对滚筒刷连接的液压升降杆进行位置调整,在屑末异物的堆积过程中,通过所述斩波器对所述传送带进行控制及时将所述收集台上的屑末异物送入所述收纳盒。
优选地,所述车载运控模块包括:
设置有旋转电机的驱动导向设备;和
车载控制系统,所述车载控制系统能够对所述驱动导向设备的旋转电机进行控制和状态观测,实现对所述轨道巡检车运行状态的控制;和
车载测速定位模块,所述车载测速定位模块用于对所述轨道巡检车进行测速和定位监测。
优选地,所述车载测速定位模块采用交叉感应回线技术;并且/或者,所述车载测速定位模块采用无源磁码绝对定位技术。
优选地,所述车载运控模块进一步包括辅助设备;优选所述辅助设备设置有能够和所述车载控制系统配合的车载照明设备以及液压阻尼器设备。
优选地,所述巡检车进一步包括预警模块,根据检测到的轨道异物/故障的等级不同,所述预警模块能够发出不同等级的预警。
优选地,所述监控设备模块包括视频监控设备和拍照取样摄像设备,所述拍照取样摄像设备对轨道特定位置/发现可疑异物等轨道段时刻,通过车载智能识别系统对相关视频/样本进行异物识别,进行预警。
优选地,所述拍照取样摄像设备包括设置于所述轨道巡检车前端的近景摄像头和远景摄像头,所述远景摄像头能够采集所述轨道巡检车前端的图像/视频数据,所述远景摄像头能够采集较远距离的图像/视频数据。
进一步,所述轨道巡检车包括车体、机械橡胶轮和滑触线模块,滑触线模块包括滑触轨和受电刷,所述滑触轨沿轨道线铺设,所述受电刷装载于所述轨道巡检车上,通过所述受电刷与所述滑触轨滑动摩擦取电,为巡检车提供电能输出。
优选所述车体通过多组机械橡胶轮支撑于悬挂式轨道梁的两侧。
通过上述技术方案,本发明的轨道巡检车实现了空中轨道交通系统轨道梁内部相关设备的智能维护和检修等功能,同时具备对悬挂天梁内部整体空间状态的实时检测和预处理能力,通过巡检车的车载通信设备实时进行数据交互,实现车地信息交换以及相关数据的存储与备份;实现空轨系统的沿线轨道内部设备的日常维修、清洁、排障、救援及险情巡查等提供了基础性方法实施保障,提高以空轨系统为代表的一类空中轨道交通系统的安全性与可靠性,同时车载智能化检测方法为该类交通系统未来实现节能化运行提供了基础设施保障。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
图1为根据本发明一种优选实施方式提供的节能型空轨系统的轨道巡检车的截面视图;
图2为根据本发明一种优选实施方式提供的轨道巡检车的基本结构的俯视图;
图3为根据本发明一种优选实施方式的轨道巡检车的基本结构的侧视图;
图4为根据本发明一种优选实施方式提供的轨道巡检车的功能实现的基本流程图;
图5为根据本发明一种优选实施方式提供的轨道巡检车的轨道内部结构实物图;
图6为根据本发明一种优选实施方式提供的轨道巡检车的滑触线模块实物图;
图7为根据本发明一种优选实施方式提供的轨道巡检车对永磁悬浮轨道异物入侵检测流程图;
图8为根据本发明一种优选实施方式提供的轨道巡检车的永磁悬浮轨道异物入侵检测系统对获取图像预处理和入侵区域划定流程图;
图9是基于YOLO_v3网络模型训练模型的基本流程图;
图10是基于YOLO_v3网络模型训练模型所采用的组合数据集结构图;
图11是基于YOLO_v3网络模型训练模型所涉及的Darknet-53网络结构图;
图12是基于YOLO_v3网络模型训练模型所涉及的模型均值平均精度结果图;
图13是基于YOLO_v3网络模型训练模型下的传统轨道异物识别测试图。
附图标记说明
1-悬挂式轨道梁;2-巡检车转向架;3-车载照明设备;4-轨道异物清理模块;5-液压阻尼器设备;6-悬挂吊车栏;7-监控设备模块;8-车辆支撑轮;9-驱动导向设备;10-车载测速定位模块;11-驱动定子;12-防撞软垫;13-磁通检测模块;131-轨道状态取样模块;14-轨道取样检测模块;15-轨道除尘设备;16-轨道保护层的固定扣;17-永磁悬浮轨道;18-防撞桩;19-驱动定子板;20-轨道天梁支柱;21-交叉感应回线;22-异物清扫设备;23-滑触轨的固定栓;24-滑触轨;25-受电刷支撑架;26-导线。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施方式,并不用于限制本发明实施方式。
本发明提供一种节能型空轨系统的轨道巡检车,该轨道巡检车在功能上实现了空中轨道交通系统中沿线铺设的悬挂式轨道梁1内部的相关设备的智能维护和检修等功能,其主要检测目标可包括:悬挂式轨道梁1,驱动定子11,滑触轨24,空轨系统的测速定位设备,空轨系统的导向轮轨等相关功能模块,同时具备对悬挂式轨道梁1内部整体空间状态,例如是否存在异物等的实时检测和预处理能力,通过巡检车的车载通信设备实时进行实时的数据交互,实现人车的信息交换以及相关数据的存储与备份,是一种集综合功能为一体的新型轨道维护设备及方法。
所述节能型空轨系统的轨道巡检车,其主要实现悬挂式轨道梁1的内部设备的日常维护、维修,轨道清洁及险情排查等功能,该轨道巡检车属于一种集综合功能为一体的新型轨道维护设备。
在硬件结构上,所述巡检车包括轨道取样检测模块14、监控设备模块7、轨道异物清理模块4、车载通信模块和车载运控模块。
所述轨道取样检测模块14通过对悬挂式轨道梁1两侧的永磁悬浮轨道17进行轨道沿线的自动巡检,检测轨道悬浮阵列的部分受损情况、永磁悬浮块的碎裂、轨道形变、轨道保护皮翘皮,所述车载通信模块能够和地面监控中心进行数据交互,所述监控设备模块7能够通过拍照/摄像手段对轨道进行图像取样,并配合所述车载通信模块将图像样本数据传送到地面监控中心,所述各个模块之间相互配合,协同运行。
在结构上,轨道巡检车的主体由多组车辆支撑轮8承载,优选所述车辆支撑轮8为机械橡胶轮支撑于悬挂式轨道梁1的两侧。具体而言,悬挂式轨道梁1通常采用“环抱式”轨道梁,在悬挂式轨道梁1的两侧用于铺设永磁悬浮阵列,对于机械轮轨结构的传统列车通常铺设轮轨的枕轨梁,而本发明所述的机械橡胶轮的枕轨梁则安放于悬挂式轨道梁1与永磁悬浮阵列的之间位置。
根据本发明一种优选实施方式,进一步地所述巡检车包括预警模块,根据检测到的轨道异物/故障的等级,所述预警模块能够发出不同等级的预警。
根据本发明,所述轨道取样检测模块14包括磁通检测模块13和轨道状态取样模块131。
所述磁通检测模块13具有磁通检测设备,通过所述磁通检测设备对永磁悬浮轨道17沿线的静态磁场变化进行实时检测,通过所述车载运控模块对所述磁通检测设备的检测数据进行识别、判断和轨道异常诊断;和
所述轨道状态取样模块131通过与所述监控设备模块7配合,对永磁悬浮轨道17检测数据异常的位置进行图像样本采集,然后与对应的轨道位置的正常图像样本数据库进行智能化诊断。
具体地,所述轨道取样检测模块14针对悬挂式轨道梁1的左右两侧的永磁悬浮轨道17进行轨道沿线的自动巡检,可包括轨道悬浮阵列的部分受损、永磁悬浮块的碎裂、轨道形变、轨道保护皮翘皮等诸多问题。由于悬浮永磁块的碎裂/受损等问题通常引起静态磁场的相关参数的变化,如磁场强度的不规则分布和无规律变化等,则车载巡检车主要通过磁通检测设备13,由磁通计对静态磁场的变化进行实时检测,通过车载控制系统对磁通计的检测数据进行识别和判断、轨道异常诊断等。而轨道状态取样设备131通过与所述监控设备模块配合,对17检测数据异常的位置进行图像样本采集,然后与对应的轨道位置的正常图像样本数据库进行智能化诊断,其中,正常的图像数据库可由事先采集好的样本数据进行的数据存储保存至云端数据库,所建立的数据库分别匹配对应的轨道位置信息,特别是对轨道极可能存在损耗的地段,例如轨道转弯地段、轨道梁的接缝处等。
所述监控设备模块7主要是安置在轨道巡检车上的视频/图像检测摄像头等设备实现,通过相关基于深度学习的图像异物识别手段,例如SSD目标检测算法,YOLO系列目标检测算法等对轨道内部的异常状况进行识别和排除/预警等处理,待检模块可以分为:永磁悬浮模块,交叉杆感应线21、滑触轨24、驱动定子11等设备。
根据本发明一种优选实施方式,所述巡检车上的监控设备模块7包括近景摄像头和远景摄像头,所述远景摄像头能够采集所述轨道巡检车前端的图像/视频数据,所述远景摄像头能够采集较远距离的图像/视频数据。根据不同的功能,可分为拍照取样摄像设备和视频监控设备。拍照取样摄像设备主要针对轨道特定位置/发现可疑异物等轨道段时刻,通过车载智能识别系统对相关视频/样本进行异物识别,进行预警;在位置上,位于轨道巡检车的前端,在巡检车前端的中间位置下垂的监控安装架上,分别安设左右各一个,配合轨道侧面图像采集设备,与监控安装架上的左右监控摄像头分别平行设置,如此一来,通过两对摄像头的交叉摄影,即可实现对两侧永磁悬浮轨道17的全方位视频监控和图像采集。同时,在监控安装架上,安设旋转式移动摄像头,对车辆行进方向进行全面的视频监控,通过车辆前行方向的视频和图像处理识别,可有效检测到前进方向可能存在的动物,如猫、蛇、鼠等,或较大异物,如运行车辆散落的机械零件等,做到及时停车/预警等处理。在巡检车的上端设置有上端监控摄像头,用于对悬挂轨道梁上臂的直线电机的常定子进行实时检测,摄像头可采用一组,亦可采用多组。
特别的,在轨道巡检车上的前后可设置多组可自由伸缩移动式的摄像探头,以便于对车辆预警时刻,通过移动伸缩摄像探头等操作对特定位置,或者是常规摄像覆盖范围的盲区,获取更加具体、清晰的视频/图像材料等,为轨道维护人员提供精准的检测信息。另外,在相应的摄像头端口分别设置有可调式探照灯等设备。
在上述的监控设备模块7中的摄像头可以采用两种方式,一种是采用红外设备,如红外摄像机,进行视频和图像数据的捕捉;另一种就是采用传统的常规摄像机进行,同时需要配合车载相应位置安置远程照明设备实时提供轨道内部的光线亮度。
对于车载测速定位模块10,优选采用交叉感应回线技术对巡检车辆进行定位和测速,实时确保对巡检车辆的位置和速度的控制与跟踪。其中,在悬挂式列车的运控中,车辆的定位和测速往往采用的是较为成熟的测速定位技术。为此,本发明充分利用现有磁悬浮列车的测速定位技术,将无线电磁信号通过输送到沿轨道铺设的交叉回线上,产生变化的电磁场,而运行巡检车对应设置车载感应线圈,实时接收轨道上回线上产生的交变磁场引起车载感应线圈上的感应电能,通过电能的持续变化,主要是感应电信号的正负,进一步来确定巡检车辆的运行速度和位置。另一方面,对于巡检车的测速定位功能,也可以采用无源绝对定位技术进行实现。所谓无源绝对定位技术就是通过沿轨道铺设已知的无源识别码,而后由车载识别设备进行沿轨道,持续识别轨道沿线的识别码进行的绝对位置的定位和测速。
在本发明中,所述车载运控模块包括设置有旋转电机的驱动导向设备9、车载控制系统和车载测速定位模块10,所述车载控制系统能够对所述驱动导向设备9的旋转电机进行控制和状态观测,实现对所述轨道巡检车运行状态的控制,所述车载测速定位模块10用于对所述轨道巡检车进行测速和定位监测。
在车载通信模块中,通过无线通信终端的数据前端的预处理,而后由无线通信收发器实现巡检车与云端数据库,移动监控终端和轨道交通系统总控室运行状态的实时数据传输和指令操作命令的下达等。在驱动设备中,主要实现对旋转电机的控制和状态观测,达到巡检车运行状态的控制。而独立的电机控制系统设置旋转电机的运行状态的监控,如温度,转速,电流等,驱动导向设备9直接通过逆变器控制电机的运行状态。其中,车载测速定位模块10的位置信息可直接传送到驱动导向设备9的控制器,同时,电机控制系统的实时数据与车载控制系统之间具备数据交换功能。
轨道异物清理模块4包括异物清扫设备22和轨道除尘设备15,所述异物清扫设备22设置有滚筒刷、驱动电机、斩波器、传送带、收集台、收纳盒和液压升降杆,在灰尘/碎磁屑异物的堆积过程中,通过所述斩波器对所述传送带进行控制以收集异物。
滚筒刷的转速、位置等信息采集由异物清扫设备22数据处理,通过斩波器对滚筒刷的驱动电机进行控制,以及对滚筒刷连接的两组液压升降杆进行位置调整,同时异物清扫设备22的实时保持与车载控制系统的数据通信,由车载控制系统协调控制相应辅助设备,例如照明设备的控制,便于摄像对指定位置的实时监控,在灰尘/碎磁屑的异物堆积过程中,异物清扫设备22由斩波器实现对传送带的控制,及时将收集台上的异物输送收纳盒。
轨道除尘设备15,所述轨道除尘设备15能够扫除永磁悬浮轨道17上吸附的磁屑和灰尘等异物,优选所述轨道除尘设备15位于永磁悬浮轨道17的正上方。
在监控设备模块7中,预设有前端监控设备对前端现场数据进行预处理,与车载控制系统的数据、指令之间的数据交互,其中数据的监控主要可以包括车辆行进监控端,沿轨道铺设的驱动定子板19监控端,轨道正面监控端和轨道侧面监控端,通过调用云端数据库,进行智能化的图像处理,系统智能化地鉴别与评估出轨道状况,当轨道面出现破损等存在安全隐患的可能,系统即可发送预警信号到数据监控室/移动监控端,以及云端数据控进行数据存储等。
另一方面,车辆两侧的磁通检测模块13实时对轨道的永磁阵列的磁场变化进行检测,由车载控制系统对磁通变化规律进行智能鉴别;通过磁通变化和图像识别等手段实现对悬挂式轨道梁1的内部结构进行安全质检;当车载控制系统对磁通/图像的数据的智能化鉴别,则向发送预警信号到数据监控室/移动监控端,以及云端数据控进行数据存储等;同时,对相应的存在安全隐患的部分进行视频跟踪和拍照,并出送至云端数据库进行存储,由轨道维护人员对相应的捕获的图像、视频进行再次鉴别和确认,同时,轨道维护人员也可以通过控制通信终端对移动伸缩摄像探头进行远程的视频观察与鉴别手段,对相应轨道的定点危险处排查等。
对于车载测速定位模块10,本发明提供了两套方案,一种是交叉感应回线技术,一种是无源磁码绝对定位技术。交叉感应回线技术在现有市场中,技术较为成熟,且是现有轨道交通领域较为普通采用的一种测速定位技术。为此,巡检车上对应设置交叉感应回线21的感应端,对轨道沿线交叉感应回线21上的交变信号进行检测与数据处理,实现对列车的定位和测速,巡检车上配置有车载通信接口,以便轨道维护人员对现场数据的调用和指令下达等操作。
另一方面,无源磁码绝对定位技术采用已知磁码沿轨道线铺设,由车载感应识别端进行识别,提取车辆位置信息以及数值处理获取列车速度。在获取上述的列车的信息上传至车载控制系统以及远端数据监控端。所述的两种方案均可实现对列车位置和速度的监控,具体可依据实际情况而定,在特点上,前者技术相对成熟,且轨道沿线的交叉感应回线可以直接使用,无需另外铺设,而后者技术要求较低,成本低,寿命长等优势。
所述车载运控模块进一步包括辅助设备,优选所述辅助设备包括能够和所述车载控制系统配合的车载照明设备3以及液压阻尼器设备5。
利用本发明提供的上述轨道巡检车,本发明提供了一种节能型空轨系统的轨道检测方法,包括:
S1、通过基于深度学习的图像异物检测手段建立相关的识别网络数据库;
S2、通过轨道巡检车的检测设备对轨道内部的相关部件进行图像/视频采集;
S3、将预设提取的样本数据加载到车载;
S4、车载将样本数据通过车载通信模块传送到地面监控中心/云端数据库/移动监控终端,由地面数据处理单元进行轨道异物识别,地面监控中心发布相应的执行操作命令至轨道巡检车,轨道巡检车执行处理命令功能;并且/或者,
车载控制轨道巡检车执行处理命令功能,由轨道巡检车的轨道异物清理模块执行相应的异物清除命令;并且/或者,
由地面监控中心发出轨道异常预警至轨道维护人员的移动监控终端监护设备,通过人工清理异物,同时轨道巡检车依据不同程度的预警等级进行进一步的操作。
具体地,该轨道巡检车的工作方式为:
率先通过较为成熟的基于深度学习的图像异物检测手段建立相关的机器识别网络数据库,通过巡检车上携带的监控设备模块7以及轨道取样检测模块14对轨道内部的相关部件进行图像/视频采集,将预设提取的样本数据加载到车载或者图像样本数据通过车载通信模块传送到地面监控中心,由地面数据处理单元进行轨道异物识别,进一步的发布相应的执行操作命令到轨道巡检车上,或是巡检车执行处理命令功能,由轨道异物清除模块等执行相应的异物清除命令,或是由地面监控中心发出轨道异常预警到轨道检修人员的监护设备上,同时轨道巡检车依据不同程度的预警等级进行进一步的操作。在轨道巡检车上设置有悬挂吊车栏6,悬挂吊车栏6由液压阻尼器设备5衔接于巡检车转向架2上,便于轨道维护人员搭乘以及提供排除轨道异物或险情的操作平台。
其中,在上述的图像样本数据的识别可以分为两种类型,一种是,图像样本数据直接由车载的图像样本数据处理单元进行轨道异样的识别,而后由车载控制系统直接发布相应的执行单元进行异物处理。而车载的图像样本数据,数据识别结果以及车辆处理结果等相关数据通过车载通信模块与地面监控中心和轨道维护人员的移动监控设备之间的实现实时的数据交互及检测数据的存储等;另外一种就是通过车载通信模块将监控设备模块7捕获的图像/视频样本数据直接传送到地面监控中心,由地面监控中心的数据处理单元进行轨道异物识别,经过地面监控中心的中央控制单元通过车载通信模块发布轨道异物预处理命令,由车载控制系统接受并发布到相应的车载功能执行模块,而车辆功能执行模块的结果,地面监控中心的中央控制单元和轨道维护人员的移动监控设备之间的实现实时的数据交互及检测数据的存储/备份等常规操作,值得注意的是,本方法最明显的不足之处在于车载与地面监控设备之间受限于通信模块的覆盖范围以及信号抗扰动能力等。
轨道巡检车依据不同程度的预警等级进行进一步的操作,具体而言可理解为预警等级可分为不同层次的等级,按照不同等级的预警所述轨道巡检车执行不同的操作。
在本发明的一种优选实施方式中,按照三等级模式可划分为轻度、中度、高度危险系数,当然,预警等级的划分亦可以更加的多层次化和精确化,再次本发明依照三等级进行说明,但并不代表本发明仅限于三等级模式的预警等级。
依据三等级层次的划分:
轻度-表现为永磁悬浮轨道17上吸附/堆积灰尘或碎磁屑以及较小的螺丝/螺丝帽等轨道异物,其他轨道设备,例如驱动定子板19/交叉回线面等均未出现受损,不构成列车运行的安全隐患,且不会影响轨道巡检车和列车的正常运行,但出于对轨道设备的维护,轨道巡检车对于此类预警,一般轨道巡检车直接执行异物清除功能,主要表现在轨道异物清理模块4对轨道面的灰尘/铁磁屑的常规清扫。
中度-表现为永磁悬浮轨道17上存在异物,如蛇、鼠等以及轨道面/驱动定子板19的驱动定子板面/交叉感应回线21的交叉回线面等存在部分部件存在受损或者轨道异物等现象存在一定的安全隐患,此时,巡检车将执行降低车速甚至停车操作,通过轨道取样检测模块14进行受损部位进行定位和摄像拍照操作,并将相应的受损部位的视频/图像数据回传至检修人员的监控设备上和地面监控中心,对于轨道上的蛇/鼠等异物,巡检车则通过车载的扩音器或者超声波等手段进行驱逐等操作。
高度-表现为永磁悬浮轨道17上较大的螺丝/螺栓,轨道空间中存在较大异物,例如永磁悬浮轨道17、驱动定子板19、滑触轨24和交叉感应回线21等相关设备上预设的设备保护层的脱焊、起皮;列车转向架脱落的较大零部件;塑料异物等,特别注意的是,悬挂式轨道梁1在安装时,或者悬挂式轨道梁1出现的自然下沉现象,易出现的永磁悬浮轨道17面的不平整,永磁悬浮轨道17接缝处的轨道面存在高低差距,由于列车悬浮高度的范围保持在毫米量级,因此轨道接缝处出现的高低差距存在一定的安全隐患,高度差较大时极易引起列车悬浮模块之间的碰撞,强烈的抖动和声响均会影响列车运行状态和乘客体验感,甚至导致列车安全事故的发生。当巡检车出现高度预警等级时刻,考虑到存在安全隐患的概率较大,引起的事故效应较大,因此,轨巡检车应立刻执行停车操作并及时向地面监控中心和轨道维护人员的移动监控设备发出轨道险情预警信号,等待轨道维护人员的现场确认与检修,及时排除安全隐患。在轨道预警中,出现中度和高度险情预警时,可由悬挂吊车搭载的轨道维护人员进行现场操作和实时维护,解除安全隐患。
进一步地,所述轨道巡检车包括车体、车辆支撑轮和滑触线模块,优选地,所述车体设置有防撞软垫12和防撞桩18。其中,滑触线模块包括滑触轨24、滑触轨的固定栓23、受电刷、受电刷支撑架25和导线26,所述滑触轨24沿轨道线铺设,所述受电刷装载于所述轨道巡检车上,通过所述受电刷与所述滑触轨24滑动摩擦取电为巡检车提供电能输出,永磁悬浮轨道17上部安装轨道保护层的固定扣16。
另外,在悬挂式轨道梁1内部沿线设置的滑触轨24、驱动定子板19、交叉感应回线21、驱动导向的塑胶轮支撑板以及巡检车车辆支撑轮8等设备在安装精度上要求较高,尽可能的无缝衔接。然而,在实际的工程建造中,上述轨道设备平面的平整性,即轨道梁之间的接缝处的衔接往往受到实际情况的影响,包括悬挂式轨道梁1、轨道天梁支柱20的建造误差,位置预定偏差,轨道天梁支柱20的自然下沉等等,易导致轨道天梁支柱20接缝处出现的不平整现象,这就要求巡检车在工程建造以及日常维护中重点检查的目标位置。
除此之外,轨道内部设备的通常覆盖有保护层,如永磁悬浮轨道17的不锈钢材质、驱动定子板19表面的环氧树脂,以及滑触轨24两侧的固定夹层等等,也存在保护层的脱落、接口翘起,碰撞等引起的受损,轨道变形等诸多可能存在的问题。综合上述的问题存在的可能性,往往是引起相关轨道设备位置、形状等变化,以及轨道面/悬挂式轨道梁1内部的异物存在等,相比于正常状态下的轨道面均会出现不同程度的变化,外形、位置的变化等。
针对上述情况,本发明主要解决思路是:利用监控设备模块7和智能深度学习策略,配合车载通信模块等相关设备进行轨道内部异样状态的识别与判断,最后由人工进行再次的判断,即可实现对轨道内部可能面临的安全隐患进行日常的维护与排查,确保空轨系统的安全性和可靠性。
在上述异物检测的基础之上,针对永磁悬浮轨道17、交叉感应回线21、滑触轨24等相关设备存在较小的异物或者局部损伤,特别是永磁悬浮轨道17面上易吸附螺丝钉、螺丝帽等小部件,如此,也为轨道异物检测提出了极大的难题。
为此,本发明提出一种两层检测模型的方法:
具体而言,在轨道巡检车的前部视频采集端分别设置近景摄像头和远景摄像头,分别用于采集较远距离的图像数据和巡检车前端的图像数据。在轨道异物检测服务器中,分别对应保持两种轨道异物检测模型,分别用于识别近景和远景两种视频数据的轨道异样。
在功能上,远景摄像头捕获远景图像用于检测轨道内部较远距离的轨道异物,主要是为了及时识别出悬挂式轨道梁1内部,包括永磁悬浮轨道17、交叉感应回线21、滑触轨24等相关设备存在的较大异物或者损伤部件,特别是永磁悬浮轨道17模块上吸附较大的铁磁块/杂物等,保障巡检车有足够的时间去识别和预处理,及时做出停车报警或者减速再次确认等操作,可有效避免因轨道内部存在较大险情导致对巡检车/轨道相关设备的损害。
近景摄像头捕获近景图像用于检测轨道内部较近距离的轨道异物,主要是为了及时识别出悬挂式轨道梁1内部,包括永磁悬浮轨道17、交叉感应回线21、滑触轨24等相关设备存在的较小异物或者损伤,特别是永磁悬浮轨道17模块上吸附较小的铁磁块/杂物,如螺丝钉、螺丝帽等,有效补充了单一轨道异物检测模型对较小部件的识别精度,保障了巡检车对轨道内部相关设备的全方位的险情检测,特别是近景轨道异物检测算法应当选取识别数据处理较快的检测算法,例如FASTER-RCNN,SSD等,而异物数据处理器由轨道巡检车搭载为最好的方案。上述方案的具体实施情况应依实际情况为准,但并不能理解为是本发明的限制。
在实际的工程实现中轨道取样检测模块14主要依据上述所提的基于深度学习的图像异物检测手段进行巡检。
本发明提供了一种基于深度学习方法利用YOLO_v3网络模型构建轨道永磁悬浮模块异物目标对象的智能检测模型,其中轨道面的异样均视为轨道异物入侵的方式处理,实现对轨道永磁悬浮模块异物入侵的智能监测、预警系统。
在算法的甄选中,考虑到YOLO_v3网络模型是当下图像异物检测策略中,较为最优的目标对象检测算法之一,已被广泛应用到了各个领域的相关应用技术开发。因此,采用YOLO_v3网络模型的识别算法,在目标对象智能检测方面,不仅可以保障较高的检测准确率和检测速度,同时可以解决传统检测系统对静止目标对象的智能化、高精度的检测问题。
在轨道异物识别算法的具体设计:
所述的轨道异物入侵检测算法首先对检测视频进行单帧处理,并对获得的单帧图像进行必要的预处理;由于在轨道内部的复杂环境下获取的视频过程和图像转换过程会产生一定的噪声,所以需要先对图像进行去噪处理。综合传统常用图像滤波算法,本发明采用中值滤波算法对图像进行预处理。为了更好地捕获轨道永磁模块的图像,对去噪图像进行了加权平均化灰度处理、二值化处理和边缘检测提取等一系列操作,得到最优边缘检测图。通过霍夫变换算法检测出轨道永磁悬浮模块,以永磁悬浮模块作为基线向轨道外侧平移,从而划定了轨道异物入侵区域。
最后使用预先训练好的检测模型对画好的入侵区域进行检测,如果检测到有异物侵入到危险区域,则同时向地面控制中心/云端数据库/维护人员携带的移动监控设备发布轨道异物警报,依据预先设定的预警等级,轨道巡检车及时执行停车或者降速等操作,等待轨道维护人员现场确认、报备等,及时解除轨道异常险情。基本流程算法框架参阅图7所示。
在上述的识别算法中设计的基于深度学习的轨道异物入侵检测模型包括图形预处理模块、轨道入侵区域划定模块和轨道异物入侵检测模块。
其一,图形预处理:首要步骤就是先对检测视频进行单帧处理,本文使用了OpenCV中的cv2.VideoCapture()函数来获取检测图像,然后对图像进行了预处理,参阅图8(a)所示。
其二,轨道入侵区域划定:在获取实时检测视频时,由于摄像设备的拍摄范围较广,会将距离轨道很远的物体也记录下来,使得检测时出现误检的情况,而且还会浪费检测时间;所以进行轨道异物检测时,需要先对检测图像进行处理,划定出危险区域,将多余的部分去除。通过轨道位置来确定危险区域的,因为轨道入侵区域就是指侵入轨道及其附近的区域,故必须先找到轨道所在的位置,才能确定入侵检测区域,进一步检测入侵异物,参阅图8(b)所示。
其三,轨道入侵异物检测:对轨道巡检车的实际应用场景,自身的轨道异物识别算法应该具备精度和高识别率等特点,因此,基于深度学习检测算法的轨道异物入侵检测系统中使用的是YOLO_v3算法属于当下较为理想的识别载体。
本发明以YOLO_v3算法作为轨道异物识别的手段进行对本发明涉及的内容进行解释说明,并不能理解为本发明的限制。
针对智能检测模型训练:
在现有轨道识别模型的实验基础之上,本发明将利用下面几个指标、数据源和模型架构来评估我们的模型的有效性,支撑所述算法的可行性。基本结构可包括:数据集的获取,模型网络结构定义,模型训练和模型评估。
其一,数据集获取:本文数据集除了官方PASCAL_VOC2016数据集,还制作标注了1000张轨道异物入侵图像,用于丰富训练的数据集,使其在轨道异物检测上更加准确。优选标注的图像来自实际摄像机拍摄的视频中处理得到的800张图像和手机照片200张图像。之后将标注好的图像加载到PASCAL_VOC2016数据集,共同用于模型的训练。
具体标注步骤如下:(1)数据集标注;用labelImg生成的是xml格式标记文件,labelImg是专门用于标注目标边界框的工具,该工具可实现手动标注后生成xml的标注文本,其中含有目标位置、目标分类和目标真实框。(2)整理数据集路径格式;将labelImg标注好的xml文件放到PASCAL_VOC2016数据集中的Annotations文件夹下。(3)生成txt标签和list文件;将第二步中加入标注好的xml文件的PASCAL_VOC2016数据集通过转换程序,生成Main文件夹下4个txt文件test.txt,train.txt,trainval.txt,val.txt。trainval和test内容相加为所有xml文件,train和val内容相加为trainval。运行将程序与ImageSets和Annotations放在同一目录下。用修改了Annotations、ImageSets、JPEGImages\Main三个文件夹的数据替换原来的数据。之后便可以训练制作好数据集了。重新改进后的PASCAL_VOC2016数据集共有12540张图像,其中训练集有6500张图像,验证集5940张图像,测试集有100张图像;制作好的数据集结构参阅图10所示。
其二,模型网络结构定义:YOLO_v3算法作为YOLO系列目前最新的算法,也是端到端进行训练的算法。其沿用的Darknet-53的网络结构如附图11所示。YOLO_v3算法对于网格单元预测的边界框置信度的方法是回归处理。若是有网格单元上的一个预先边界框与真实框的交并比大于预先设置的阈值,则表示其置信度为1并代表有目标。若是其重合度的交并比未达到阈值,则表示其置信度为0,代表其中没有目标,一般使用的阈值是0.5。其在多个尺寸的特征图上做检测,对于小目标的检测效果提升十分明显。其损失函数分为3个部分,分别为定位损失函数、置信度损失函数和类别概率损失函数,如下面公式所示:
式(1)是位置预测的损失函数,预测边界框的坐标与位置为(x,y,w,h),其中(x,y)是边界框的中心坐标值,(w,h)是边界框的尺寸值;式(2)是置信度损失函数,其使用smoothL1作为损失计算函数;式(3)是类别概率的损失函数。将上式(1)、(2)、(3)中的三个损失函数都加在一起就是YOLO_v3算法总的损失函数。
其三,神经网络运行:在上述已经对图像做了初步处理,例如去噪、灰度化和二值化等一系列的处理;但是由于各种光照、成像角度、透视关系乃至镜头自身原因会导致各种误差,还会因为图像单一造成过拟合问题,为了更好的完成训练,防止过拟合问题,并增强模型对图像的处理能力,有必要在训练过程中随机对图像数据进行修改调整。这种随机修改调整有图像尺寸、位置、色调、对比度等多个操作。经过对改进后的数据集进行处理,将图像数据转换成了合适尺寸的张量数据,并将其包装为批数据包的形式。
基于Tensorflow框架下的YOLO_v3模型训练的具体步骤如下:
(1)参数初始化
初始化训练参数:YOLO_v3算法网络中的训练参数有训练迭代次数、初始学习率等,但是最重要的同样是默认框的设置;
(2)加载预训练模型
加载预训练模型:在COCO数据集上训练的,通过加载预训练模型能够缩短大量的训练模型时间,而且很好的防止过拟合。
(3)训练模型
运行训练模型:YOLO_v3不需要额外选择正负样本,训练过程简单;待检测图像中有多的目标时,需要进行阈值筛选和非最大抑制,根据预测边界框置信度和输入的阈值,将小于阈值的预测边界框剔除,然后再使用非最大抑制,受交并比参数的影响,去除多余的预测边界框,即一个目标同时被多个框预测的情况,保留其中概率最大的框为预测目标框。对于类别识别则是选取出每个预测边界框概率最大值的位置编号,从对应类别的编号中找出最大类别的概率值;对于目标置信度得分需要使用阈值筛选掉小于阈值的预测框,得出初步筛选的预测框对应类别和得分,遍历三个尺度的特征图之后得出预测框的置信度。
(4)模型保存
训练YOLO_v3网络模型时,最多保存5个训练模型,从中选择性能最好的模型,用于轨道入侵异物的实时检测。
其四,模型评估:在获取较好训练模型之后往往需要对其模型进行精准度的评估和测试。为此,本发明将使用了均值平均精度(Mean Average Precision,简称MAP)进行两种算法模型的性能评估。因为目标检测模型中的分类和定位都需要进行评估,因此,用于评估图像分类模型所使用的标准度量不能直接应用于目标检测模型的性能评估。
结合实际应用背景的技术需求和环境特点,进行了针对性的改进处理,使用自制的数据集与PASCAL_VOC数据集联合训练,利用实验仿真分别对两个模型应用于轨道异物入侵检测算法进行了有效性测试。参阅图12所述,证实了YOLO_v3模型用于轨道异物入侵检测的卓越性能。该算法既保证了实时检测的计算速度要求也大幅提升了检测精度,而且对于远距离小目标的检测精度也有质的提升。其训练模型具有很好的迁移性,将其迁移到轨道检测系统中能够很好的保障铁路的安全运营。
其中,为了检测速度可以达到实时要求,使用的轻量级YOLO_v3模型在100张样本图像上的均值平均精度结果进行了对比。
结合上述实验室的运行结果,表明了YOLO_v3模型具备的良好的识别效果。为此,本发明将依据传统轨道异物的检测进行再次说明本发明所述的智能轨道异物识别模型的合理性和可靠性。
前面训练好的轻量级YOLO_v3模型加载到测试程序中,运行测试程序,其测试结果参阅图13所示。
参阅图13所示,YOLO_v3模型无论是检测大型物体目标还是检测小物体目标,都能有效的将物体检测出来,总体表现良好。YOLO_v3算法之所以能够高效的检测小目标物体,是因为YOLO_v3网络改进了YOLO_v2网络对于小目标检测精度差的问题,通过增加了多尺度检测特征图,使用52*52的特征图检测小目标物体,提高了小目标的检测精度。对于铁路轨道入侵异物大小不能确定的情况,YOLO_v3算法可以很好的检测到大的异物,也能检测到小的异物,保证了异物检测的精度;故YOLO_v3算法很适合用于铁路轨道异物入侵检测。随着YOLO系列算法的不断创新,其对于铁路轨道异物入侵实时检测的精度也会不断提高。
特别地,在上述的YOLO系列算法的具体阐释主要是对本发明所述的空轨系统设计的悬挂式轨道梁1内部的永磁悬浮轨道17模块的异样,包括吸附的铁磁性异物、轨道面受损、小动物等,并不能理解为对本发明内容的限制。为了确保轨道上表面的精准性识别,本发明公开了一种双层识别模块,分别着重于轨道近景和远景两个层面进行异物识别,但其方法均可以采用上述相同的轨道异物识别模型,但本发明所涉及的智能识别模型包括其他合理性的算法模型以及两层识别模型的综合性识别算法。
另一方面,空轨系统设计的悬挂式轨道梁1内部的其他设备,如交叉感应回线21、滑触轨24、驱动定子11等相关设备的异样检测均相比于永磁悬浮模块更加的简单化,算法模型要求较低,相应设备的异样设备均类同于永磁悬浮模块的异样识别模型。为此,本文将不再一一描述。
针对永磁悬浮轨道17悬浮模块的空轨系统来讲,往往因客观因素,如工程建造/列车运行期间存在的碰撞引起的碎裂,高温环境下永磁体不同程度的退磁等导致永磁体永久性的损伤,例如碎裂、退磁等。为此,本发明围绕轨道巡检车上的磁通检测手段进行轨道异样排查。
具体的,所述的巡检车辆上的轨道取样检测模块14包括:磁通检测设备13和轨道状态取样设备131。
轨道状态取样设备131主要是上小节所述的基于深度学习的图像异物检测手段进行巡检。
而磁通检测设备13主要依靠车载磁通检测设备对永磁悬浮轨道17沿线永磁悬浮模块进行的磁通变化的样本数据进行识别的一种手段。本部分功能主要针对悬挂式轨道梁1的左右两侧的永磁悬浮轨道17进行轨道沿线的自动巡检,可包括轨道悬浮阵列的部分受损、永磁悬浮块的碎裂、轨道形变、相邻轨道之间接缝处的不平整等诸多问题。由于悬浮永磁块的碎裂/受损等问题通常引起静态磁场的相关参数的变化,如磁场强度的不规则分布和强度的无规律变化等,则车载巡检车主要通过磁通检测设备13,由磁通计对静态磁场的变化进行实时检测,通过车载控制系统对磁通计的检测数据进行识别和判断、轨道异常诊断等。
而磁通检测的样本数据的处理手段可以理解为:在空轨系统建成之后,由轨道巡检车率先沿轨道线对永磁悬浮模块进行正常磁通变化的数据提取和采集,存储于地面控制中心或者数据云端控制器,建立磁通样本数据库,并以此为标准磁通样本数据,在标准磁通样本数据应与轨道位置等构成映射关系,特别是两组悬挂式轨道梁1之间的接缝处。在样本数据的采集和提取中,轨道巡检车可以采用多次检测记录,求取平均值等手段,确保标准样布数据的准确性。然后,以磁通标准样本库为依据,轨道巡检车沿轨道线对永磁悬浮模块进行实时的磁通数据的采集和提取,结合相应的位置信息,对所检测的磁通样本数据和标准磁通样本数据进行差值处理,考虑每一节悬挂式轨道梁1的制作生产厂商/工艺等有区别,特别是永磁体,对轨道沿线的永磁体模块的磁通变化有所影响,再此,本发明将依据检测的磁通样本数据和标准磁通样本数据的差值之间,预设一个安全阈值,其阈值也可以是多层次的设置,简单而言,阈值设置为一级,二级,三级等,随着等级越高意味着差值越大,永磁体的受损的可能性越高,程度越严重;而多层次化的阈值设置主要是以便对永磁体的受损状态进行量化式判别,特别的,轨道之间的接缝处应具有针对性的设置,接缝处由于存在一定的间隙或者接口处的水平高度差距导致静态磁场发布有别于其他轨道永磁面的发布。当差值达到预设的安全阈值时,数据处理单元即可判断出永磁体的受损程度,如果预设的安全阈值属于多层次化,数据处理单元可根据不同的差值,判别出不同的受损等级,为中央控制器提供了轨道永磁受损检测的数据和结果,进一步由中央控制器将配合轨道永磁面异物图像处理的结果进行综合性判别,例如永磁悬浮轨道17轨道面是否完好,是否有异物等,磁通样本数据是否有较大的受损等级等,通过图像异样处理手段和磁通变化的判别策略,为中央控制器提供了双重的判别依据,也保证了对高危型永磁体受损状态的精准识别。
而对于永磁体的退磁现象,往往伴随着磁通的急剧下降但轨道面不会存在异样的情况,为此,本发明主要依靠磁通变化策略进行立体化判断。具体而言,当中央控制器收到的现场轨道图像异样处理的结果和磁通变化的识别结果出现轨道面无异样,且磁通判别策略出现较高等级的受损报告时,中央处理器则立即发送轨道巡检车停车命令,并将数据异样警报发布到地面监控中心和轨道维护人员的移动监控设备上;巡检车则针对相应位置的永磁悬浮轨道17轨道面进行横向,即垂直于行车方向的磁通变化的再次检测确认,例如Halbach永磁阵列的磁场发布具有明显的“正弦”发布,这也为横向磁通检测提供了依据,当横向检测再次出现磁通衰减迹象,则说明永磁体存在退磁/消磁现象,为后续天梁内永磁悬浮轨道17的更换提供了检测依据,这也是本发明所提的轨道检修车和检修方法的意义所在,为空轨系统的日常轨道维护提供了较为精准的轨道异样维护手段,高效智能化的设备解放了大量维护人员和维护手段,有效降低了列车营运成本。
上述的磁通数据样本的处理过程可以在车载的控制器中进行,也可以由数据云端控制器完成。而数据之间的信息交互则依然由车载通信模块与移动监控设备和地面监控中心实现。
特别地,上述描述的磁通轨道检测方法并不能说明本发明的全部内容,换言之,本发明对标准磁通数据库的建立和轨道磁通异样判别手段等相应的方法并不局限于所提的具体的数据处理方法。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于此。在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,包括各个具体技术特征以任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。但这些简单变型和组合同样应当视为本发明所公开的内容,均属于本发明的保护范围。
Claims (10)
1.一种节能型空轨系统的轨道检测方法,其特征在于,所述检测方法包括:
S1、通过基于深度学习的图像异物检测手段建立机器识别网络数据库;
S2、通过轨道巡检车的检测设备对轨道内部的相关部件进行图像/视频采集;
S3、将预设提取的样本数据加载到车载;
S4、车载将样本数据通过车载通信模块传送到地面监控中心/云端数据库/移动监控终端,由地面数据处理单元进行轨道异物识别,地面监控中心发布相应的执行操作命令至轨道巡检车,轨道巡检车执行处理命令功能;并且/或者,
车载控制轨道巡检车执行处理命令功能,由轨道巡检车的轨道异物清理模块执行相应的异物清除命令;并且/或者,
由地面监控中心发出轨道异常预警至轨道维护人员的移动监控终端监护设备,通过人工清理异物,同时轨道巡检车依据不同程度的预警等级进行进一步的操作。
2.根据权利要求1所述的轨道检测方法,其中,所述基于深度学习的图像异物检测手段包括基于深度学习的轨道异物识别算法,所述识别算法利用YOLO_v3网络模型构建永磁悬浮模块异物目标对象的智能检测模型,所述智能检测模型包括:
图形预处理模块,对检测视频进行单帧处理,并对获得的单帧图像进行预处理;和
轨道入侵区域划定模块,对检测图像进行处理,划定出危险区域,将多余的部分去除;和
轨道异物入侵检测模块,所述轨道异物入侵检测模块利用构建的智能检测模型对划定的入侵区域进行检测,如检测到有异物侵入到危险区域,则向地面控制中心/云端数据库/移动监控设备发布轨道异物警报。
3.一种节能型空轨系统的轨道巡检车,其特征在于,所述巡检车包括能够相互配合的轨道取样检测模块、车载通信模块、监控设备模块、车载运控模块和轨道异物清理模块;
所述轨道取样检测模块通过对悬挂式轨道梁两侧的永磁悬浮轨道进行轨道沿线的自动巡检,检测轨道悬浮阵列的部分受损情况、永磁悬浮块的碎裂、轨道形变、轨道保护皮翘皮;
所述车载通信模块能够和地面监控中心/云端数据库/移动监控终端进行数据交互;
所述监控设备模块能够通过拍照/摄像手段对轨道进行图像取样,并配合所述车载通信模块将图像样本数据传送到地面监控中心/云端数据库/移动监控终端,所述轨道异物清理模块能够执行车载通信模块和车载运控模块的命令以清理轨道。
4.根据权利要求3所述的轨道巡检车,其特征在于,所述轨道取样检测模包括:
磁通检测模块,所述磁通检测模块具有磁通检测设备,通过所述磁通检测设备对永磁悬浮轨道沿线的静态磁场变化进行实时检测,通过所述车载运控模块对所述磁通检测设备的检测数据进行识别、判断和轨道异常诊断;和
轨道状态取样模块,所述轨道状态取样模块通过与所述监控设备模块配合,对永磁悬浮轨道检测数据异常的位置进行图像样本采集,然后与对应的轨道位置的正常图像样本数据库进行智能化诊断。
5.根据权利要求3所述的轨道巡检车,其特征在于,所述轨道异物清理模块包括:
异物清扫设备,所述异物清扫设备实时保持与所述车载通信模块数据通信,并通过所述车载运控模块协调控制所述异物清扫设备进行异物清理;和
轨道除尘设备,所述轨道除尘设备能够扫除永磁悬浮轨道上吸附的包括磁屑和灰尘的屑末异物,优选所述轨道除尘设备位于永磁悬浮轨道的正上方。
6.根据权利要求5所述的轨道巡检车,其特征在于,所述异物清扫设备设置有滚筒刷、驱动电机、斩波器、传送带、收集台、收纳盒和液压升降杆,所述滚筒刷连接于液压升降杆,通过斩波器对滚筒刷和对滚筒刷连接的液压升降杆进行位置调整,在屑末异物的堆积过程中,通过所述斩波器对所述传送带进行控制及时将所述收集台上的屑末异物送入所述收纳盒。
7.根据权利要求3所述的轨道巡检车,其特征在于,所述车载运控模块包括:
驱动导向设备;和
车载控制系统,所述车载控制系统能够对所述轨道巡检车运行状态控制;和
车载测速定位模块,所述车载测速定位模块用于对所述轨道巡检车进行测速和定位监测。
8.根据权利要求7所述的轨道巡检车,其特征在于,所述车载测速定位模块采用交叉感应回线技术或者无源磁码绝对定位技术。
9.根据权利要求7所述的轨道巡检车,其特征在于,所述车载运控模块进一步包括辅助设备;优选所述辅助设备包括能够和所述车载控制系统配合的车载照明设备以及液压阻尼器设备。
10.根据权利要求3所述的轨道巡检车,其特征在于,进一步包括预警模块,根据所述轨道巡检车检测到的轨道异物/故障的等级,所述预警模块能够发出不同等级的预警信号;和/或
所述监控设备模块包括:
视频监控设备;和
拍照取样摄像设备,所述拍照取样摄像设备对轨道特定位置/发现可疑异物等轨道段时刻,通过车载智能检测模型对相关视频/样本进行异物识别,进行预警;和/或
优选地,设置于所述轨道巡检车前端的近景摄像头,所述远景摄像头能够采集所述轨道巡检车前端的图像/视频数据;和
设置于所述轨道巡检车前端的远景摄像头,所述远景摄像头能够采集较远距离的图像/视频数据;
和/或,所述轨道巡检车包括车体、车辆支撑轮和滑触线模块,滑触线模块包括滑触轨和受电刷,所述滑触轨沿轨道线铺设,所述受电刷装载于轨道巡检车上,通过所述受电刷与滑触轨滑动摩擦取电,为轨道巡检车提供电能输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911214839.4A CN111016932B (zh) | 2019-12-02 | 2019-12-02 | 节能型空轨系统的轨道巡检车和检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911214839.4A CN111016932B (zh) | 2019-12-02 | 2019-12-02 | 节能型空轨系统的轨道巡检车和检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111016932A true CN111016932A (zh) | 2020-04-17 |
CN111016932B CN111016932B (zh) | 2021-02-12 |
Family
ID=70203831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911214839.4A Expired - Fee Related CN111016932B (zh) | 2019-12-02 | 2019-12-02 | 节能型空轨系统的轨道巡检车和检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111016932B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582339A (zh) * | 2020-04-28 | 2020-08-25 | 江西理工大学 | 一种基于深度学习的车辆检测与识别的方法 |
CN111626169A (zh) * | 2020-05-20 | 2020-09-04 | 中铁二院工程集团有限责任公司 | 一种基于图像的铁路危险落石尺寸判断方法 |
CN111926640A (zh) * | 2020-08-14 | 2020-11-13 | 北京中建空列集团有限公司 | 可移动的悬挂式空中列车轨道检修系统 |
CN111935451A (zh) * | 2020-07-16 | 2020-11-13 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 铁路安全监测装置 |
CN112348209A (zh) * | 2020-10-26 | 2021-02-09 | 中车工业研究院有限公司 | 列车组运维系统及方法、电子设备及可读存储介质 |
CN113433963A (zh) * | 2021-07-15 | 2021-09-24 | 江西理工大学 | 一种针对磁悬浮轨道巡检的无人机多平台系统及方法 |
CN113435404A (zh) * | 2021-07-14 | 2021-09-24 | 深圳市比一比网络科技有限公司 | 基于雷达及图像检测的电客车调车安全辅助驾驶方法与系统 |
CN113940267A (zh) * | 2021-10-15 | 2022-01-18 | 中国农业科学院都市农业研究所 | 一种用于植物工厂的照护装置及方法 |
CN116300885A (zh) * | 2023-02-03 | 2023-06-23 | 广州市佳启智能科技有限责任公司 | 一种轨道线路智能巡检机器人的应急控制方法及系统 |
CN117719554A (zh) * | 2024-02-18 | 2024-03-19 | 成都磁速科技有限公司 | 高温超导磁悬浮轨道巡检预警系统 |
CN117719554B (zh) * | 2024-02-18 | 2024-04-26 | 成都磁速科技有限公司 | 高温超导磁悬浮轨道巡检预警系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2556259Y (zh) * | 2002-06-08 | 2003-06-18 | 宋福荣 | 道路清扫机 |
CN104787084A (zh) * | 2015-04-16 | 2015-07-22 | 北京交通大学 | 一种铁路异物侵限检测系统及检测方法 |
CN107433952A (zh) * | 2017-05-12 | 2017-12-05 | 北京瑞途科技有限公司 | 一种智能巡检机器人 |
CN107653775A (zh) * | 2017-08-15 | 2018-02-02 | 中铁二院工程集团有限责任公司 | 悬挂式单轨交通轨道梁外部智能检查维修车 |
CN107901947A (zh) * | 2017-12-13 | 2018-04-13 | 中铁第四勘察设计院集团有限公司 | 一种适用于空轨轨道的自动走行检测装置 |
CN108197610A (zh) * | 2018-02-02 | 2018-06-22 | 北京华纵科技有限公司 | 一种基于深度学习的轨道异物检测系统 |
CN108304807A (zh) * | 2018-02-02 | 2018-07-20 | 北京华纵科技有限公司 | 一种基于fpga平台和深度学习的轨道异物检测方法及系统 |
CN109697424A (zh) * | 2018-12-19 | 2019-04-30 | 浙江大学 | 一种基于fpga和深度学习的高速铁路异物侵限检测装置及方法 |
CN109987116A (zh) * | 2019-04-13 | 2019-07-09 | 西南交通大学 | 一种高温超导磁悬浮轨检车 |
CN110341749A (zh) * | 2019-07-24 | 2019-10-18 | 武汉大学 | 一种轨道病害巡检机器人系统及控制方法 |
CN110435689A (zh) * | 2019-09-09 | 2019-11-12 | 中铁电气化局集团西安电气化工程有限公司 | 基于模块化控制的智能障碍探测车及探测方法 |
CN110466549A (zh) * | 2018-05-09 | 2019-11-19 | 兰州交通大学 | 一种多功能轨道检测车 |
JP2019200512A (ja) * | 2018-05-15 | 2019-11-21 | 株式会社日立システムズ | 構造物劣化検出システム |
-
2019
- 2019-12-02 CN CN201911214839.4A patent/CN111016932B/zh not_active Expired - Fee Related
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2556259Y (zh) * | 2002-06-08 | 2003-06-18 | 宋福荣 | 道路清扫机 |
CN104787084A (zh) * | 2015-04-16 | 2015-07-22 | 北京交通大学 | 一种铁路异物侵限检测系统及检测方法 |
CN107433952A (zh) * | 2017-05-12 | 2017-12-05 | 北京瑞途科技有限公司 | 一种智能巡检机器人 |
CN107653775A (zh) * | 2017-08-15 | 2018-02-02 | 中铁二院工程集团有限责任公司 | 悬挂式单轨交通轨道梁外部智能检查维修车 |
CN107901947A (zh) * | 2017-12-13 | 2018-04-13 | 中铁第四勘察设计院集团有限公司 | 一种适用于空轨轨道的自动走行检测装置 |
CN108304807A (zh) * | 2018-02-02 | 2018-07-20 | 北京华纵科技有限公司 | 一种基于fpga平台和深度学习的轨道异物检测方法及系统 |
CN108197610A (zh) * | 2018-02-02 | 2018-06-22 | 北京华纵科技有限公司 | 一种基于深度学习的轨道异物检测系统 |
CN110466549A (zh) * | 2018-05-09 | 2019-11-19 | 兰州交通大学 | 一种多功能轨道检测车 |
JP2019200512A (ja) * | 2018-05-15 | 2019-11-21 | 株式会社日立システムズ | 構造物劣化検出システム |
CN109697424A (zh) * | 2018-12-19 | 2019-04-30 | 浙江大学 | 一种基于fpga和深度学习的高速铁路异物侵限检测装置及方法 |
CN109987116A (zh) * | 2019-04-13 | 2019-07-09 | 西南交通大学 | 一种高温超导磁悬浮轨检车 |
CN110341749A (zh) * | 2019-07-24 | 2019-10-18 | 武汉大学 | 一种轨道病害巡检机器人系统及控制方法 |
CN110435689A (zh) * | 2019-09-09 | 2019-11-12 | 中铁电气化局集团西安电气化工程有限公司 | 基于模块化控制的智能障碍探测车及探测方法 |
Non-Patent Citations (1)
Title |
---|
王前选,李鹏,崔灿,周伟: "轨道交通线路异物入侵的视觉检测方法", 《五邑大学学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582339A (zh) * | 2020-04-28 | 2020-08-25 | 江西理工大学 | 一种基于深度学习的车辆检测与识别的方法 |
CN111626169A (zh) * | 2020-05-20 | 2020-09-04 | 中铁二院工程集团有限责任公司 | 一种基于图像的铁路危险落石尺寸判断方法 |
CN111935451A (zh) * | 2020-07-16 | 2020-11-13 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 铁路安全监测装置 |
CN111926640A (zh) * | 2020-08-14 | 2020-11-13 | 北京中建空列集团有限公司 | 可移动的悬挂式空中列车轨道检修系统 |
CN112348209A (zh) * | 2020-10-26 | 2021-02-09 | 中车工业研究院有限公司 | 列车组运维系统及方法、电子设备及可读存储介质 |
CN112348209B (zh) * | 2020-10-26 | 2024-02-09 | 中车工业研究院有限公司 | 列车组运维系统及方法、电子设备及可读存储介质 |
CN113435404A (zh) * | 2021-07-14 | 2021-09-24 | 深圳市比一比网络科技有限公司 | 基于雷达及图像检测的电客车调车安全辅助驾驶方法与系统 |
CN113433963B (zh) * | 2021-07-15 | 2022-05-20 | 江西理工大学 | 一种针对磁悬浮轨道巡检的无人机多平台系统及方法 |
CN113433963A (zh) * | 2021-07-15 | 2021-09-24 | 江西理工大学 | 一种针对磁悬浮轨道巡检的无人机多平台系统及方法 |
CN113940267A (zh) * | 2021-10-15 | 2022-01-18 | 中国农业科学院都市农业研究所 | 一种用于植物工厂的照护装置及方法 |
CN116300885A (zh) * | 2023-02-03 | 2023-06-23 | 广州市佳启智能科技有限责任公司 | 一种轨道线路智能巡检机器人的应急控制方法及系统 |
CN117719554A (zh) * | 2024-02-18 | 2024-03-19 | 成都磁速科技有限公司 | 高温超导磁悬浮轨道巡检预警系统 |
CN117719554B (zh) * | 2024-02-18 | 2024-04-26 | 成都磁速科技有限公司 | 高温超导磁悬浮轨道巡检预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111016932B (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111016932B (zh) | 节能型空轨系统的轨道巡检车和检测方法 | |
CN106647819B (zh) | 移动式图像采集装置及高速列车一级检修智能辅助系统 | |
CN108267172B (zh) | 矿用智能机器人巡检系统 | |
CN108491758B (zh) | 一种轨道检测方法及机器人 | |
CN111005272B (zh) | 一种基于悬挂式磁悬浮轨道交通系统的轨道维护设备 | |
CN102129564B (zh) | 基于无人飞行器的接触网故障检测与诊断方法 | |
CN108956640B (zh) | 适用于配电线路巡检的车载检测装置及检测方法 | |
CN202793389U (zh) | 一种高铁接触网在线巡检装置 | |
CN105115605A (zh) | 轨道列车红外检测系统及检测方法 | |
CN108288055A (zh) | 基于深度网络与分级测试的电力机车受电弓及电弧检测方法 | |
CN206074832U (zh) | 一种地铁车辆车顶受电弓异物检测系统 | |
CN110888423A (zh) | 一种用于隧道的智能巡检系统 | |
CN105857341A (zh) | 一种智能铁路轨道巡检机器人 | |
CN104410820A (zh) | 一种车载轨旁设备箱盒及线缆外观检测系统 | |
CN110646801A (zh) | 一种用于铁路货车车厢的检测装置及其检测方法 | |
CN111833302A (zh) | 一种车号与箱号识别关联系统 | |
CN111723706A (zh) | 基于树莓派的厢式货车厢门开度监控装置及系统 | |
CN103422417A (zh) | 一种公路表面破损的动态识别系统与方法 | |
CN210954335U (zh) | 一种用于铁路货车车厢的检测装置 | |
CN116008284A (zh) | 一种巡检装置及其应用 | |
CN112045690B (zh) | 用于轨道交通的智能巡检机器人 | |
Maheswari et al. | An Automated Technology for IoT based Rail-Track Inspection to Locate Surface Flaws by Robotics and Neural Networks | |
CN205157057U (zh) | 轨道列车红外检测系统 | |
CN215037536U (zh) | 一种轨道交通车辆侧边巡检机器人系统 | |
CN111114587A (zh) | 一种车站接发列车预警系统及其图像预处理方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210212 |
|
CF01 | Termination of patent right due to non-payment of annual fee |