CN111598061B - 一种自主识别定位轨道标识牌内容的系统和方法 - Google Patents
一种自主识别定位轨道标识牌内容的系统和方法 Download PDFInfo
- Publication number
- CN111598061B CN111598061B CN202010702118.4A CN202010702118A CN111598061B CN 111598061 B CN111598061 B CN 111598061B CN 202010702118 A CN202010702118 A CN 202010702118A CN 111598061 B CN111598061 B CN 111598061B
- Authority
- CN
- China
- Prior art keywords
- module
- vehicle body
- processing module
- signboard
- light
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 90
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 30
- 230000035807 sensation Effects 0.000 claims description 23
- 239000013589 supplement Substances 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 3
- 230000003137 locomotive effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- WYTGDNHDOZPMIW-RCBQFDQVSA-N alstonine Natural products C1=CC2=C3C=CC=CC3=NC2=C2N1C[C@H]1[C@H](C)OC=C(C(=O)OC)[C@H]1C2 WYTGDNHDOZPMIW-RCBQFDQVSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000009466 transformation 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
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L25/00—Recording or indicating positions or identities of vehicles or trains or setting of track apparatus
- B61L25/02—Indicating or recording positions or identities of vehicles or trains
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mechanical Engineering (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明涉及轨道交通领域,目的是提供一种自主识别定位轨道标识牌内容的系统和方法,系统包括车体上设置有定位模块、采集处理模块,所述处理模块分别与所述采集模块和所述定位模块连接;所述车体通过所述车轮在轨道上运动;所述定位模块包括有GPS模块和惯性导航装置,所述GPS模块还包括GPS天线,所述GPS天线位于所述车体的顶部;所述采集模块包括有捕捉模块和传送模块,所述捕捉模块通过所述传送模块与所述处理模块连接,所述捕捉模块用以捕捉标识牌图像;本发明结构合理,设计巧妙,适合推广。
Description
技术领域
本发明涉及轨道交通领域,具体涉及一种自主识别定位轨道标识牌内容的系统和方法。
背景技术
轨道两边通常每隔特定的距离设置不同类型或者相同类型的标识牌,便于轨道交通在行进过程中的对后面的路况有一定的了解,也便于操作人员对车体车速的控制,这些标识牌的距离往往都是固定的,基于此,考虑到现在轨道交通往往获取位置信息并没有足够的精准,一方面是因为在偏远的信号不佳的地方,另一方面隧道较多,车辆在进入隧道后,因为信号接收不良,导致车辆定位出现偏差,现有技术中,定位装置多数选用GPS北斗定位模块,但该装置对信号接收的完整度要求较高。
考虑到轨道上环境复杂,隧道内壁铺设有强光,相机可以直接捕捉标识牌的内容,但对于非隧道的环境下,轨道两边的灯光均集中在轨道路上,甚至没有灯光,紧靠车体自带的灯光,以至于相机在这种情况下无法清晰的捕捉标识牌上的内容。
因此,需要一种能够自动定位轨道车辆的方法,能够通过用户端实时的观察到车体的运行位置数据,即使因为信号等原因,造成数据的不同步情况,也能够通过自带的软件将信息进行匹配判断,更新最新最准确的位置数据,还能够利用路边标识牌上的信息,结合GPS定位装置实现精准的实时定位,为了确保获取的标识牌信息足够的清晰,通过增加补光灯,进一步的在光弱的情况下自动补光,在光强的情况下,补光关闭,自动拍照,节约电力成本。
发明内容
本发明目的在于提供一种自主识别定位轨道标识牌内容的系统和方法,通过在车体上安装能够识别标识牌的模型,通过GPS和惯导定位,用户端远程接收多数据信息并进行位置的判断确认,实现精准的车体定位,本发明结构合理,设计巧妙,适合推广;
本发明所采用的技术方案是:一种自主识别定位轨道标识牌内容的系统,包括有车体和用户端,所述车体设置有定位模块和采集模块、处理模块,所述处理模块分别与所述采集模块和所述定位模块连接;
所述车体还设置有驱动模块,所述驱动模块与所述处理模块连接,所述车体的底部还对称设置有车轮,所述车体通过所述车轮在轨道上运动;
所述定位模块包括有GPS模块和惯性导航装置,所述GPS模块还包括GPS天线,所述GPS天线位于所述车体的顶部;
所述采集模块包括有捕捉模块和传送模块,所述捕捉模块通过所述传送模块与所述处理模块连接,所述捕捉模块用以捕捉标识牌图像;
所述处理模块还包括有通信模块和强化照明模块,所述处理模块将所述车体的位置通过所述通信模块发送至用户端,所述处理模块还上预存有训练好的图像处理模型,所述用户端预存有标识牌公里标数据库;
所述强化照明模块还包括有计时模块、光感模块和控制器,所述计时模块与所述光感模块分别通过所述控制器与所述捕捉模块连接,所述光感模块位于所述车体的顶部;
所述惯性导航装置还包括有若干个速度传感器,所述速度传感器位于所述车轮的轮轴上,所述速度传感器的输出端与所述惯性导航装置连接;
所述车体还包括手动制动模块,所述手动制动模块与所述处理模块连接;
所述捕捉模块包括有相机和补光灯,所述传送装置为线缆,所述相机和补光灯通过线缆与所述处理模块连接,所述相机和所述补光灯均位于所述车体的顶部。
另一方面,在上述基础上的一种自主识别定位轨道标识牌内容的方法,
所述处理模块的工作过程包括以下步骤:
S1:用户端将启动指令通过所述通信模块发送至所述处理模块,所述处理模块驱动所述车体转动,进入到S2;
S2:所述处理模块驱动所述捕捉模块工作,所述捕捉模块将获取的轨道两边的标识牌图像作为输入发送至所述处理模块中的图像处理模型,进入到S3;
S3:所述处理模块将所述图像处理模型的结果与所述定位模块获取的位置数据通过所述通信模块发送至所述用户端;
S4,所述用户端更新并显示所述车体的位置数据;
所述计时模块包括有计时器和时间实时值,所述光感模块包括有光感器和光感实时值,所述控制器上预存有时间标准值和光感标准值,所述控制器还与所述处理模块连接;
所述强化照明模块的工作过程包括以下步骤:
S21:所述处理模块向所述控制器发送启动信号,所述控制器获取所述光感器上的光感实时值,并将所述光感实时值与所述光感标准值进行比较,当所述光感实时值大于所述光感标准值时,进入到S24,当所述光感实时值不大于所述光感标准值时,进入到S22;
S22:所述控制器获取所述计时器上的时间实时值,并将所述时间实时值与所述时间标准值进行比较,当所述时间实时值落入所述时间标准值内时,进入到S24,当所述时间实时值不落入到所述时间标准值内时,进入到S23;
S23:所述控制器驱动所述补光灯开起强光模式;
S24:所述控制器关闭所述补光灯;
所述线路基础数据库包括有标识牌公里标数值,每个标识牌公里标数值之间构成不同的数值区间,所述用户端位置匹配处理过程包括以下步骤:
S31:所述用户端通过所述通信模块接收到所述处理模块传送回来的数据,数据包括有图像处理模型的结果和所述定位模块发送的位置数据,进入到S32;
S32:所述用户端通过定位模块发送的位置数据得到所述车体所在的经纬度数据,并将经纬度数据标记为A,根据A的位置数据得到所述车体位于所述线路基础数据库的数值区间B,所述数值区间B中,与所述A的位置数据相邻的标识牌公里标数值为B1和B2,所述B1对应的标识牌内容为C1,所述B2对应的标识牌内容为C2,进入到S33;
S33:所述用户端通过图像处理模型的结果得到所述车体最后一次获取的标识牌的内容,最后一次获取的标识牌的内容为C0,当所述C0与所述C1匹配相同时,进入到S34,当所述C0与所述C2匹配时,进入到S35,当所述C0与所述C1和所述C2均不匹配时,进入到S36;
S34:所述车体的位置数据为A,进入到S4;
S35:所述车体的位置数据为B1,进入到S4;
S36:进入到S2。
优选的,所述图像处理模型的训练过程中包括有深度学习模型中Dropout算法。
优选的,所述时间标准值为时间区间,时间区间设定为7点到17点,所述光感标准值为200cd/m2。
优选的,所述相机选用线阵相机。
优选的,所述补光灯采用高亮LED补光灯。
优化的,当用户端通过所述通信模块发送制动信号时,所述处理模块接收所述制动模块停止工作,处于休眠状态。
优化的,所述通信模块选用4G通信模块。
优化的,所述电源模块对上述模块进行供电。
与现有技术相比,本发明的有益效果为:
1.能够同过预存有现有的标识牌数据结合GPS经纬度校车体的位置;
2.通过自动补光提高标识牌图像捕捉的清晰度,同时合理补光,节约电力成本。
附图说明
图 1为一种自主识别定位轨道标识牌内容的方法的示意图;
图 2 为本发明的实施例中所述强化照明模块的工作过程的示意图;
图 3 为本发明的实施例中所述用户端位置匹配处理过程的示意图;
图 4 为本发明的实施例中模拟车体在轨道上运动的示意图;
图 5 为本发明的实施例中速度传感器工作原理的示意图。
具体实施方式
下面结合本发明的附图1~5,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施。
在本发明的描述中,需要理解的是,术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
图1为本发明一种自主识别定位轨道标识牌内容的方法的结构图;
实施例1:
一种自主识别定位轨道标识牌内容的系统,包括有车体和用户端,所述车体设置有定位模块和处理模块、采集模块,所述处理模块分别与所述采集模块和所述定位模块连接;
所述车体还设置有驱动模块,所述驱动模块与所述处理模块连接,所述车体的底部还对称设置有车轮,所述车体通过所述车轮在轨道上运动;
所述定位模块包括有GPS模块和惯性导航装置,所述GPS模块还包括GPS天线,所述GPS天线位于所述车体的顶部;
所述采集模块包括有捕捉模块和传送模块,所述捕捉模块通过所述传送模块与所述处理模块连接,所述捕捉模块用以捕捉标识牌图像;
所述处理模块还包括有通信模块和强化照明模块,所述处理模块将所述车体的位置通过所述通信模块发送至用户端,所述处理模块还上预存有训练好的图像处理模型,所述用户端预存有标识牌公里标数据库;
所述强化照明模块还包括有计时模块、光感模块和控制器,所述计时模块与所述光感模块分别通过所述控制器与所述捕捉模块连接,所述光感模块位于所述车体的顶部;
所述惯性导航装置还包括有若干个速度传感器,所述速度传感器位于所述车轮的轮轴上,所述速度传感器的输出端与所述惯性导航装置连接;
所述车体还包括手动制动模块,所述手动制动模块与所述处理模块连接;
所述捕捉模块包括有相机和补光灯,所述传送装置为线缆,所述相机和补光灯通过线缆与所述处理模块连接,所述相机和所述补光灯均位于所述车体的顶部;
实施例2:
在实施例1的基础上进一步得到:
所述处理模块的工作过程包括以下步骤:
S1:用户端将启动指令通过所述通信模块发送至所述处理模块,所述处理模块驱动所述车体转动,进入到S2;
S2:所述处理模块驱动所述捕捉模块工作,所述捕捉模块将获取的轨道两边的标识牌图像作为输入发送至所述处理模块中的图像处理模型,进入到S3;
S3:所述处理模块将所述图像处理模型的结果与所述定位模块获取的位置数据通过所述通信模块发送至所述用户端,进入到S4;
S4,所述用户端更新并显示所述车体的位置数据,结束;
所述计时模块包括有计时器和时间实时值,所述光感模块包括有光感器和光感实时值,所述控制器上预存有时间标准值和光感标准值,所述控制器还与所述处理模块连接。
所述强化照明模块的工作过程包括以下步骤:
S21:所述处理模块向所述控制器发送启动信号,所述控制器获取所述光感器上的光感实时值,并将所述光感实时值与所述光感标准值进行比较,当所述光感实时值大于所述光感标准值时,进入到S24,当所述光感实时值不大于所述光感标准值时,进入到S22;
S22:所述控制器获取所述计时器上的时间实时值,并将所述时间实时值与所述时间标准值进行比较,当所述时间实时值落入所述时间标准值内时,进入到S24,当所述时间实时值不落入到所述时间标准值内时,进入到S23;
S23:所述控制器驱动所述补光灯开起强光模式;
S24:所述控制器关闭所述补光灯;
所述线路基础数据库包括有标识牌公里标数值,每个标识牌公里标数值之间构成不同的数值区间,所述用户端位置匹配处理过程包括以下步骤:
S31:所述用户端通过所述通信模块接收到所述处理模块传送回来的数据,数据包括有图像处理模型的结果和所述定位模块发送的位置数据,进入到S32;
S32:所述用户端通过定位模块发送的位置数据得到所述车体所在的经纬度数据,并将经纬度数据标记为A,根据A的位置数据得到所述车体位于所述线路基础数据库的数值区间B,所述数值区间B中,与所述A的位置数据相邻的标识牌公里标数值为B1和B2,所述B1对应的标识牌内容为C1,所述B2对应的标识牌内容为C2,进入到S33;
S33:所述用户端通过图像处理模型的结果得到所述车体最后一次获取的标识牌的内容,最后一次获取的标识牌的内容为C0,当所述C0与所述C1匹配相同时,进入到S34,当所述C0与所述C2匹配时,进入到S35,当所述C0与所述C1和所述C2均不匹配时,进入到S36;
S34:所述车体的位置数据为A,进入到S4;
S35:所述车体的位置数据为B1,进入到S4;
S36:进入到S2。
值得说明的是,传统上来说,可以使用标准的计算机视觉的方法来对交通标志进行检测和分类,但同时也需要耗费相当多的时间来手工处理图像中的重要特征。现在,我们引入深度学习技术来解决这个问题。我们可以创建一个能够对交通标志进行分类的模型,并且让模型自己学习识别这些交通标志中最关键的特征,数据集可分为训练集、测试集和验证集,图像为32(宽)×32(高)×3(RGB彩色通道),训练集由34799张图片组成,验证集由4410个图像组成,测试集由12630个图像组成,共有43个种类(例如限速20公里/小时、禁止进入、颠簸路等等),将使用Python 3.5与Tensorflow来编写代码,训练集中各个种类图像的数量明显不平衡。某些种类的图片少于200张,而其他的则有2000多张。这意味着我们的模型可能会偏向于代表性过高的种类,特别是当它的预测无法确定时。我们稍后会看到如何使用数据增强来缓解这个问题,我们首先要对图像应用两个预处理步骤,把三通道的图像转换为单通道灰度图像,我们通过用数据集平均值减去每个图像并除以其标准偏差来确定图像数据集分布的中心。这有助于提高模型在处理图像时的一致性,交通标志分类器架构的灵感来自于Yann Le Cun的论文。我们在他的基础上做了一些调整,并创建了一个模块化的代码库,它允许我们尝试不同的过滤器大小、深度和卷积层的数量,以及完全连接层的维度。我们将主要尝试5x5和3x3大小的过滤器(又名内核),并且卷积层的深度从32开始,该网络由3个卷积层组成,内核大小为3x3,下一层的深度加倍,使用ReLU作为激活函数,每一层的后面是最大2×2的池操作。最后3层完全连接,最后一层能产生43个结果(可能的标签总数),使用SoftMax作为激活函数。这个网络使用附带Adam优化器的迷你批次随机梯度下降算法进行训练,
实际上是以卷积深度为16开始的,但在深度为32的时候获得了更好的结果并最终确定了这个值。我们还比较了彩色与灰度图像、标准和归一化的图像,最后发现灰度图往往优于彩色图,为了提高模型的可靠性,我们需要使用dropout算法,这个算法是指在深度学习网络的训练过程中,对于神经网络单元,按照一定的概率将其暂时从网络中丢弃。这样可以防止模型过度拟合,采用类似的方法,定义两个级别的dropout,一个用于卷积层,另一个用于完全连接层,引入dropout算法后,在灰度归一化图像上的模型性能,尽管做了直方图均衡化,但有些图像仍然非常模糊,并且有些图像似乎是失真的,扩展数据集,并在不同的照明条件和方向上提供其他图片,提高模型的通用性,提高测试和验证的准确性,特别是对失真的图像,使用了一个名为imgaug的库来创建扩展数据。我们主要应用仿射变换来增强图像,图像的分布当然不会发生显著的变化,但是我们确实对图像应用了灰度化、直方图均衡化,以及归一化等预处理步骤。我们训练2000次,附加dropout算法。
值得说明的是,上述图像识别模型为现有交通标识牌的图像处理的过程,本实施例借鉴采用。
值得说明的是,用户端的软件上预存有线路基础数据库,所述线路基础数据库包含有标识牌公里标数值,对于轨道沿线上的每个标识牌进行标号,每个标号牌之间的距离值也均记录在线路基础数据库内,每个标号的标识牌的图像也记录在线路基础数据库中,通过软件调取实时传回的相机拍摄的图像,拍摄的图像因为是在移动中拍摄的,故通过图像处理模型得出最终所确定的标识牌的图像,比如,照片模糊,但通过处理模型输出自动匹配为“减速慢行”标识牌。
值得说明的是,速度的测量计算通过在列车轮轴上安装光电编码式速度传感器来实现,该传感器的转轴随着电力机车轮轴一起转动,且每转动一圈输出200个脉冲信号,信号采集板接收并处理该脉冲信号从而计算得到电力机车的运行速度信息,请参照图4,假设列车车轮的直径为d,其周长C计算得出,
假设单位时间T内系统采集到的传感器输出的脉冲数量为P,则该时间内列车车轮实际行驶过的距离L为:
这里的[]为取整符号,%为求余数符号。据此计算出当前的车速V如下:
值得说明的是,由于机车车辆轮毂踏面为圆锥形,在其行进过程中并非按照直线方向行驶,而是按照“一左一后”的方式进行蛇形运动,如图3所示。因此,如果按照速度乘以时间的方式计算机车前行的距离,将会产生很大的测量误差。
值得说明的是,车轮每旋转一圈该传感器就输出200个脉冲信号。由于列车车轮直径一般为840mm,即:车轮旋转一周将行驶3.14*840=2637.6mm,每输出一个脉冲信号相当于列车前行了13.188mm,统计单位时间内输出的脉冲数量即可计算得到车辆的准确行驶速度。
值得说明的是,速度传感器辅助进行车辆行驶里程的计算,惯导在隧道外通过连接至GPS/北斗卫星提供经纬度信息,惯导在隧道内利用惯性导航算法提供车辆运行经纬度数据,将车辆长期行驶过程中积累的大量线路支柱经纬度数据、铁路管理部门提供的线路标识牌杆号数据、行车公里标数据等信息予以结合,形成线路基础数据库,从而方便车辆当前行驶位置的精确定位。
值得说明的是,请参照图3,通过所述处理模块传回的数据与所述用户端内的预存数据基础线路库进行匹配,得到如下的判断过程,将车体的位置进行更新校准,能够得到车体实时的位置数据。
值得说明的是,本实施例中光感标准值的选取采用平均值,考虑到隧道内的光照强度为140 cd/m2,白天光照强度一般为1000~10000 cd/m2 ,本申请中只需补光灯在凌晨、傍晚或者夜晚时,对不在隧道内的轨道两边的标识牌起到补光作用即可,即光感标准值略大于隧道内的光照强度即可,对于通常情况的白天隧道外或者对隧道内,均无需开启补光灯,使用合理,节约电力。
综上所述,本实施例的工作原理为,一般通过GPS模块和惯导定位车体的实时位置信息,但当车体位置数据发生错误或者延迟时,无法发现错误,也无法实现自动的纠正定位,因此,本发明通过定位车体所在的标识牌的区间,分别对车体前后的标识牌的内容进行判断比对,确定此时车体是否是在正常的行进,位置数据是否准确,一旦不匹配,就自动更新为新的位置信息,本发明结构合理,设计巧妙,适合推广。
Claims (1)
1.一种自主识别定位轨道标识牌内容的系统,其特征在于,包括有车体和用户端,所述车体设置有定位模块、采集模块和处理模块,所述处理模块分别与所述采集模块和所述定位模块连接;
所述车体的底部还对称设置有车轮,所述车体通过所述车轮在轨道上运动;
所述定位模块包括有GPS模块和惯性导航装置,所述GPS模块还包括GPS天线,所述GPS天线位于所述车体的顶部;
所述采集模块包括有捕捉模块和传送模块,所述捕捉模块通过所述传送模块与所述处理模块连接,所述捕捉模块用以捕捉标识牌图像;
所述处理模块还包括有通信模块和强化照明模块,所述处理模块将所述车体的位置通过所述通信模块发送至用户端,所述处理模块还上预存有训练好的图像处理模型,所述用户端预存有线路基础数据库;
所述强化照明模块还包括有计时模块、光感模块和控制器,所述计时模块与所述光感模块分别通过所述控制器与所述捕捉模块连接,所述光感模块位于所述车体的顶部;
所述惯性导航装置还包括有若干个速度传感器,所述速度传感器位于所述车轮的轮轴上,所述速度传感器的输出端与所述惯性导航装置连接;
所述车体还包括手动制动模块,所述手动制动模块与所述处理模块连接;
所述捕捉模块包括有相机和补光灯,所述传送装置为线缆,所述相机和补光灯通过线缆与所述处理模块连接,所述相机和所述补光灯均位于所述车体的顶部,
所述处理模块的工作过程包括以下步骤:
S1:用户端将启动指令通过所述通信模块发送至所述处理模块,所述处理模块驱动所述车体转动,进入到S2;
S2:所述处理模块驱动所述捕捉模块工作,所述捕捉模块将获取的轨道两边的标识牌图像作为输入发送至所述处理模块中的图像处理模型,进入到S3;
S3:所述处理模块将所述图像处理模型的结果与所述定位模块获取的位置数据通过所述通信模块发送至所述用户端,进入到S4;
S4,所述用户端更新并显示所述车体的位置数据,结束;
所述计时模块包括有计时器和时间实时值,所述光感模块包括有光感器和光感实时值,所述控制器上预存有时间标准值和光感标准值,所述控制器还与所述处理模块连接;
所述强化照明模块的工作过程包括以下步骤:
S21:所述处理模块向所述控制器发送启动信号,所述控制器获取所述光感器上的光感实时值,并将所述光感实时值与所述光感标准值进行比较,当所述光感实时值大于所述光感标准值时,进入到S24,当所述光感实时值不大于所述光感标准值时,进入到S22;
S22:所述控制器获取所述计时器上的时间实时值,并将所述时间实时值与所述时间标准值进行比较,当所述时间实时值落入所述时间标准值内时,进入到S24,当所述时间实时值不落入到所述时间标准值内时,进入到S23;
S23:所述控制器驱动所述补光灯开起强光模式;
S24:所述控制器关闭所述补光灯;
所述线路基础数据库包括有标识牌公里标数值,每个标识牌公里标数值之间构成不同的数值区间,所述用户端位置匹配处理过程包括以下步骤:
S31:所述用户端通过所述通信模块接收到所述处理模块传送回来的数据,数据包括有图像处理模型的结果和所述定位模块发送的位置数据,进入到S32;
S32:所述用户端通过定位模块发送的位置数据得到所述车体所在的经纬度数据,并将经纬度数据标记为A,根据A的位置数据得到所述车体位于所述线路基础数据库的数值区间B,所述数值区间B中,与所述A的位置数据相邻的标识牌公里标数值为B1和B2,所述B1对应的标识牌内容为C1,所述B2对应的标识牌内容为C2,进入到S33;
S33:所述用户端通过图像处理模型的结果得到所述车体最后一次获取的标识牌的内容,最后一次获取的标识牌的内容为C0,当所述C0与所述C1匹配相同时,进入到S34,当所述C0与所述C2匹配时,进入到S35,当所述C0与所述C1和所述C2均不匹配时,进入到S36;
S34:所述车体的位置数据为A,进入到S4;
S35:所述车体的位置数据为B1,进入到S4;
S36:进入到S2;
所述图像处理模型的训练过程中包括有深度学习模型中Dropout算法,
所述时间标准值为时间区间,时间区间设定为7点到17点,所述光感标准值为200cd/m2,
所述相机选用线阵相机,所述处理模块上电后每隔两秒触发相机拍摄一次,
所述补光灯采用高亮LED补光灯,
当用户端通过所述通信模块发送制动信号时,所述处理模块接收所述制动模块停止工作,处于休眠状态,
所述通信模块选用4G通信模块,
还包括电源模块,所述电源模块对车体上各个模块进行供电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010702118.4A CN111598061B (zh) | 2020-07-21 | 2020-07-21 | 一种自主识别定位轨道标识牌内容的系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010702118.4A CN111598061B (zh) | 2020-07-21 | 2020-07-21 | 一种自主识别定位轨道标识牌内容的系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598061A CN111598061A (zh) | 2020-08-28 |
CN111598061B true CN111598061B (zh) | 2020-10-20 |
Family
ID=72186560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010702118.4A Active CN111598061B (zh) | 2020-07-21 | 2020-07-21 | 一种自主识别定位轨道标识牌内容的系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598061B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990132B (zh) * | 2021-04-27 | 2023-01-03 | 成都中轨轨道设备有限公司 | 一种轨道标号牌定位识别方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11022982B2 (en) * | 2014-03-18 | 2021-06-01 | Transforation Ip Holdings, Llc | Optical route examination system and method |
US9145139B2 (en) * | 2013-06-24 | 2015-09-29 | Google Inc. | Use of environmental information to aid image processing for autonomous vehicles |
DE102014211840A1 (de) * | 2014-06-20 | 2015-12-24 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Ansteuern eines Stromabnehmers eines Schienenfahrzeugs und Ansteuersystem für einen Stromabnehmer eines Schienenfahrzeugs |
CN105407611A (zh) * | 2015-12-15 | 2016-03-16 | 厦门市智联信通物联网科技有限公司 | 一种补光灯的远程智能控制系统 |
KR20180011415A (ko) * | 2016-07-22 | 2018-02-01 | 주식회사 셈앤텍 | 표지판 특성에 기초한 철도 차량의 안전 운행 보조 장치 |
JP6846519B2 (ja) * | 2017-06-30 | 2021-03-24 | 川崎重工業株式会社 | 鉄道車両の走行位置特定システム、走行位置特定装置及び走行位置特定方法 |
CN109664919A (zh) * | 2017-10-17 | 2019-04-23 | 株洲中车时代电气股份有限公司 | 一种列车定位方法及定位系统 |
CN110096937A (zh) * | 2018-01-31 | 2019-08-06 | 北京四维图新科技股份有限公司 | 一种用于辅助车辆自动驾驶的图像识别的方法及装置 |
CN108928292B (zh) * | 2018-06-27 | 2020-06-05 | 郑州轻工业学院 | 光照角度实时调整的汽车远近光灯自动切换及联网系统 |
CN109334711A (zh) * | 2018-08-23 | 2019-02-15 | 浙江浙大列车智能化工程技术研究中心有限公司 | 一种列车精确定位系统 |
CN110435689B (zh) * | 2019-09-09 | 2020-12-08 | 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的探测方法 |
AU2020100048A4 (en) * | 2020-01-10 | 2020-02-13 | Ding, Mengfang Mr | Method of object detection for vehicle on-board video based on RetinaNet |
-
2020
- 2020-07-21 CN CN202010702118.4A patent/CN111598061B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111598061A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106919915B (zh) | 基于adas系统的地图道路标记及道路质量采集装置及方法 | |
Yan et al. | EU long-term dataset with multiple sensors for autonomous driving | |
CN110501018B (zh) | 一种服务于高精度地图生产的交通标志牌信息采集方法 | |
CN100555311C (zh) | 图像识别装置及图像识别方法 | |
CN109389046B (zh) | 用于自动驾驶的全天候物体识别与车道线检测方法 | |
JP5435306B2 (ja) | 画像処理システム及び位置測位システム | |
CN105185118B (zh) | 一种基于视频检测的违章车辆检测装置及其方法 | |
CN107144285A (zh) | 位姿信息确定方法、装置和可移动设备 | |
CN109359409A (zh) | 一种基于视觉与激光雷达传感器的车辆可通过性检测系统 | |
CN110395258A (zh) | 路面状态推断装置以及路面状态推断方法 | |
CN108036794A (zh) | 一种高精度地图生成系统及生成方法 | |
CN105844257A (zh) | 基于机器视觉雾天行车错失道路标志牌的预警系统及方法 | |
CN107195024A (zh) | 通用型车辆行驶数据记录系统和处理方法 | |
US20060233424A1 (en) | Vehicle position recognizing device and vehicle position recognizing method | |
CN107438754A (zh) | 用于自主车辆导航的稀疏地图 | |
CN105512623A (zh) | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 | |
WO2020083103A1 (zh) | 一种基于深度神经网络图像识别的车辆定位方法 | |
CN109537488A (zh) | 一种自动驾驶车路协同标识牌、自动驾驶系统及控制方法 | |
CN108428254A (zh) | 三维地图的构建方法及装置 | |
CN108918532A (zh) | 一种快速道路交通标志破损检测系统及其检测方法 | |
CN116529783A (zh) | 用于构建机器学习模型的数据的智能选择的系统和方法 | |
CN111256693B (zh) | 一种计算位姿变化方法及车载终端 | |
CN111598061B (zh) | 一种自主识别定位轨道标识牌内容的系统和方法 | |
CN111062971B (zh) | 一种基于深度学习多模态的跨摄像头泥头车追踪方法 | |
WO2024046053A1 (zh) | 车辆违规检测方法、装置及系统、存储介质 |
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 |