CN113282982B - 一种用于喷泥状况评估铁轨安全的系统和方法 - Google Patents
一种用于喷泥状况评估铁轨安全的系统和方法 Download PDFInfo
- Publication number
- CN113282982B CN113282982B CN202110478359.XA CN202110478359A CN113282982B CN 113282982 B CN113282982 B CN 113282982B CN 202110478359 A CN202110478359 A CN 202110478359A CN 113282982 B CN113282982 B CN 113282982B
- Authority
- CN
- China
- Prior art keywords
- mud
- layer
- spraying
- safety
- representing
- 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
- 238000005507 spraying Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000006073 displacement reaction Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000013210 evaluation model Methods 0.000 claims abstract description 20
- 230000007613 environmental effect Effects 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000009432 framing Methods 0.000 claims abstract description 7
- 239000000523 sample Substances 0.000 claims description 36
- 230000003068 static effect Effects 0.000 claims description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 17
- 230000008878 coupling Effects 0.000 claims description 15
- 238000010168 coupling process Methods 0.000 claims description 15
- 238000005859 coupling reaction Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 14
- 239000011148 porous material Substances 0.000 claims description 12
- 239000007921 spray Substances 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000006698 induction Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 2
- 239000011378 shotcrete Substances 0.000 claims 4
- 239000010802 sludge Substances 0.000 abstract description 8
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 2
- 201000010099 disease Diseases 0.000 abstract description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract 1
- 230000009467 reduction Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于喷泥状况评估铁轨安全的系统和方法，包括：获取喷泥的动态视频、喷泥位置的结构参数和环境参数；将动态视频进行分帧和特征识别，得到喷泥位移信息；调取多个经典喷泥状况及其路基形变量的样本数据，并将样本数据进行整合；将样本数据输入双隐层神经网络模型仿真训练，生成安全评估模型；将位移变换信息、喷泥位置的结构参数和环境参数输入安全评估模型，得到铁轨路基形变量。本发明通过获取喷泥动态视频，利用数字图像处理技术得到喷泥位移信息，实现对喷泥状况的动态识别，通过双隐层神经网络元法建立安全评估模型，可用于喷泥病害数据处理和铁轨安全评估，结果可靠，适用性强。
Description
技术领域
本发明涉及铁轨安全评估技术领域，特别涉及一种用于喷泥状况评估铁轨安全的系统及方法。
背景技术
铁轨路基是铁路轨道的基础，承受并传递轨道重量及车辆荷载，是保证车辆运行的重要条件，随着我国经济发展，道路交通流量增大、载重提升，各种路基灾害发生层出不穷，路基喷泥是由于受地面水或地下水的浸湿，在车辆动荷载作用下软化或液化形成泥浆，沿道床空隙向表面涌出的现象，喷泥不仅影响铁路线路质量，而且还增加铁路维修量，缩短轨道使用寿命，长期还会造成道床板结、整体弹性降低等危害，危及铁路行车安全。目前喷泥病害成因及对铁轨安全的评估，多依赖工程技术人员和铁路工作的经验判断，无固定标准及评估体系，因此有必要提出一种用于喷泥状况评估铁轨安全的系统和方法。
发明内容
本发明通过获取喷泥动态视频，利用数字图像处理技术得到喷泥位移信息，实现对喷泥状况的动态识别，通过双隐层神经网络元法建立安全评估模型，将喷泥位移信息、结构参数和环境参数输入安全评估模型，得到路基的位移量，进而评估铁轨的安全性。
本发明的技术方案为：
一种用于喷泥状况评估铁轨安全的方法，包括：
步骤一、获取喷泥的动态视频、喷泥位置的结构参数和环境参数；
步骤二、将动态视频进行分帧和特征识别，得到喷泥位移信息；
步骤三、调取多个经典喷泥状况及其路基形变量的样本数据，并将样本数据进行整合；
步骤四、将样本数据输入双隐层神经网络模型仿真训练，生成安全评估模型；
步骤五、将位移信息、结构参数和环境参数输入安全评估模型，得到铁轨路基形变量。
优选的是，步骤二包括：
将动态视频进行预处理得到静态图像；
将静态图像进行边缘检测；
计算每一帧静态图像相对于第一帧图像中边缘像素的位移量，得到喷泥的实际位移量和位移速度。
优选的是，预处理包括：
将动态视频分帧为连续的静态图像；
将静态图像进行灰度化处理；
采用5×5滤波模板进行中值滤波；
选取静态图像的灰度阈值，并根据灰度阈值进行二值化输出。
优选的是，边缘检测包括：
用高斯滤波平滑静态图像，去除噪声，得到图像数据；
计算图像数据水平方向和垂直方向的梯度幅值；
根据水平方向和垂直方向的梯度幅值计算图像梯度幅值和梯度方向；
保留梯度方向上的梯度幅值最大值，抑制非最大值；
设定梯度阈值，去除梯度值小于梯度阈值的伪边缘。
优选的是，结构参数包括孔隙水压、含水量、荷载幅值和渗透系数，环境参数包括温度和湿度。
优选的是，数据整合包括：
设定样本要素分布区间阈值；
将超出区间阈值的数据作为异常值；
通过插值处理替换异常值；
计算样本数据各要素与路基形变量的相关性系数；
将样本数据进行归一化处理。
优选的是，插值公式为：
式中，fk表示m个相邻数据zq,zq+1,…,zk,…zp-1,zp的平滑数据，zk表示异常值的等效替换值，ωi表示权重系数，且
p,q表示任意自然数，p+q＝m-1，N表示变量个数；
相关性系数计算公式为：
式中，λ表示相关性系数，X,Y表示样本数据要素，
表示样本数据要素均值，lX表示X的离均差平方和，lY表示Y的离均差平方和，lXY表示X与Y间的离均差积。
优选的是，双隐层神经网络模型包括：
建立双隐层神经网络模型激活函数为
层1为信息输入层，其输入向量为xi,i＝1,2…n；
层2为第一隐层，构建n1个节点，其输出向量为
层3为第二隐层，构建n2个节点，其输出向量为
层4为输出层，构建s个节点，输出向量为y＝(y0,y1,y2…ys)。
优选的是，仿真训练包括：
计算各层神经元的输出量；
将样本数据输入双隐层神经网络模型并计算总误差；
根据总误差逆向调整各层耦合权值，直到达到期望总误差；
式中，
表示第一隐层与输入层的耦合权值，εj表示第一隐层神经元阈值，υkj表示第二隐层与第一隐层的耦合权值，εk表示第二隐层神经元阈值，γlk表示输出层与第二隐层的耦合权值，εk表示输出层神经元阈值，EΣ表示期望总误差，α表示样本个数，
期望输出值，
实际输出值，
表示反向权值调整量，
表示任意两个神经元间的耦合权值，η表示学习率η∈(0.01,1)。
一种用于喷泥状况评估铁轨安全的系统，基于上述用于喷泥状况评估铁轨安全的方法，包括：
红外感应相机，其用于获取喷泥动态视频；
孔隙水压计，其用于监测地基层孔隙水压；
探针，其用于监测底基层含水率；
传感器，其用于监测喷泥位置的环境参数；
数字图像处理模块，其与红外感应相机、孔隙水压计、探针和传感器均通信连接，用于数据图像处理和建立安全评价模型。
本发明的有益效果是：
1.本发明提供的用于喷泥状况评估铁轨安全的方法，通过获取喷泥动态视频，利用数字图像处理技术得到喷泥位移信息，实现对喷泥状况的动态识别，通过双隐层神经网络元法建立安全评估模型，将喷泥位移信息、结构参数和环境参数输入安全评估模型，得到路基的位移量，进而评估铁轨的安全安全性，结果可靠，适用性强。
2.本发明提供的用于喷泥状况评估铁轨安全的方法，提供了喷泥状况动态数据处理和特征识别方法，以得到喷泥位移信息，特征提取精度高，为后续铁轨安全评估提供数据基础。
3.本发明提供的用于喷泥状况评估铁轨安全的方法，通过双隐层神经网络元法建立安全评估模型，输出结果精度高。
附图说明
图1为本发明一种用于喷泥状况评估铁轨安全的系统及方法流程图。
图2为本发明的一个实施例中步骤二的流程图。
图3为本发明的一个实施例中数据整合方法流程图。
图4为本发明的一个实施例中仿真训练方法流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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例，都属于本发明保护的范围。
需要说明的是，在本发明的描述中，术语“中”、“上”、“下”、“横”、“内”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示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。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
如图1所示，用于喷泥状况评估铁轨安全的方法，包括：
S110、获取喷泥的动态视频、喷泥位置的结构参数和环境参数。
优选的是，结构参数包括孔隙水压、含水量、荷载幅值和渗透系数；
优选的是，环境参数包括温度和湿度。
S120、将动态视频进行分帧和特征识别，得到喷泥位移信息。
S130、调取多个经典喷泥状况及其路基形变量的样本数据，并将样本数据进行整合。
S140、将样本数据输入双隐层神经网络模型仿真训练，生成安全评估模型。
其中，双隐层神经网络模型包括：
建立双隐层神经网络模型激活函数为
层1为信息输入层，其输入向量为xi,i＝1,2…n；
层2为第一隐层，构建n1个节点，其输出向量为
层3为第二隐层，构建n2个节点，其输出向量为
层4为输出层，构建s个节点，输出向量为y＝(y0,y1,y2…ys)；
S150、将位移信息、结构参数和环境参数输入安全评估模型，得到铁轨路基形变量。
通过获取喷泥动态视频，利用数字图像处理技术得到喷泥位移信息，实现对喷泥状况的动态识别，通过双隐层神经网络元法建立安全评估模型，将喷泥位移信息、结构参数和环境参数输入安全评估模型，得到路基的位移量，进而评估铁轨的安全性。
进一步的，如图2所示，S120包括：
S121、将动态视频进行预处理得到静态图像。
将动态视频分帧为连续的静态图像；
将静态图像进行灰度化处理；
Vgray＝0.30R+0.59G+0.11B；
式中，Vgray表示灰度值，R表示红色，G表示蓝色，B表示绿色；
采用5×5滤波模板进行中值滤波；
中值滤波法是一种非线性处理方法，计算简单、运行速度快，在抑制噪声的同时可以很好地保护图像边缘特征，使图像不被模糊。其基本原理是把数字图像中待处理的像点像素值用该点某邻域窗口内各像点像素值中值代替，让周围的像素值接近真实值，从而消除孤立的噪声点。中值滤波法使用二维滑动模板，在数字图像内顺次滑动，记录模板内各像素点的像素值并生成单调顺序的为二维数据序列，序列中间的像素值即为滤波模板中心点经过中值滤波处理后的像素值。
选取静态图像的灰度阈值，并根据灰度阈值进行二值化输出；
T＝argmax(g(t))；
g(t)＝ω0(μ0-μ)2+ω1(μ1-μ)2；
式中，T表示灰度阈值，argmax表示取最大值，g(t)表示类间方差，ω0表示目标像素点占整幅图像所有像素点的比例，μ0表示目标像素点的平均灰度值，ω1表示背景像素点占整幅图像所有像素点的比例，μ0表示背景像素点的平均灰度值。
图像二值化能突出显示目标的轮廓，有利于数字图像进一步处理，转换之后的二值图像运算量明显小于原始图像，在进行计算机识别时可以增加识别效率。
S122、将静态图像进行边缘检测。
用高斯滤波平滑静态图像，去除噪声，得到图像数据；
在图像中噪声的灰度变化很大，容易被检测为伪边缘，所以边缘检测第一步是用高斯滤波平滑图像，去除噪声。
计算图像数据水平方向和垂直方向的梯度幅值；
根据水平方向和垂直方向的梯度幅值计算图像梯度幅值和梯度方向；
θM＝arctan(Gx/Gy)；
式中，M(x,y)表示图像梯度幅值，Gx表示水平方向梯度幅值，Gy表示垂直方向梯度幅值，Gx＝fs(x,y)×Px(x,y)，Gy＝fs(x,y)×Py(x,y)，fs(x,y)表示去噪后的图像数据，Px(x,y)表示水平差分算子，Py(x,y)表示垂直差分算子；
保留梯度方向上的梯度幅值最大值，抑制非最大值；
设定梯度阈值，去除梯度值小于梯度阈值的伪边缘。
S123、计算每一帧静态图像相对于第一帧图像中边缘像素的位移量，得到喷泥的实际位移量和位移速度。
精确求解喷泥位移信息对于喷泥灾害的监控与防治有着十分重要的意义，将数字图像相关方法应用于喷泥位移计算，可以快速准确得到喷泥在一段时间的位移信息。
进一步的，如图3所示，数据整合包括：
S131、设定样本要素分布区间阈值。
P(|x-μ|＞3σ)≤0.03；
式中，P表示区间分布概率，σ表示标准差，μ表示均值，x表示数据要素。
S132、将超出区间阈值的数据作为异常值。
通过筛选异常值，可以将样本数据中存在的不合理的或明显偏离其他观测值的个别数据筛选出来。
S133、通过插值处理替换异常值。
在样本集合样本偏少的状况下，直接去除异常值会耗损大量资源，同时还会导致分析结果偏离真实性甚至导致错误结论，因此，利用等权中心平滑法插值处理，替换异常值，能够最大程度保证数据的完整性。
插值公式为：
式中，fk表示m个相邻数据yq,yq+1,…,yk,…yp-1,yp的平滑数据，yk表示异常值的等效替换值，ωi表示权重系数，且
p,q表示任意自然数，p+q＝m-1，N表示变量个数。
S134、计算样本数据各要素与路基形变量的相关性系数。
相关性分析是量化不同要素间变动状况一致程度的重要指标。在样本数据降维、缺失值估计和异常值修正方面发挥着极其重要的作用。
相关性系数计算公式为：
式中，λ表示相关性系数，X,Y表示样本数据要素，
表示样本数据要素均值，lX表示X的离均差平方和，lY表示Y的离均差平方和，lXY表示X与Y间的离均差积。
S135、将样本数据进行归一化处理。
数据中不同要素的量纲存在不一致现象，各变量数值间的差距也很大，不进行处理会影响到数据分析的结果。其次，在双隐层神经网络模型中也要求对各变量进行初始化，以使各变量处于同等地位。因此，为了减轻模型仿真训练的难度必须将输入数据标准归一化到一个较小的范围之内。
归一化的处理公式为：
式中，Ei表示归一化后的数值，ei表示归一化前的数值，Emin表示最小变量值，Emax表示最大变量值。
经过整合，不但能够对大量数据进行降噪、降维处理，提高模型的运算效率，还能够明显改善预报结果，提高预报精度和准确度。
进一步的，如图4所示，仿真训练包括：
S141、计算各层神经元的输出量；
S142、将样本数据输入双隐层神经网络模型并计算总误差；
S143、根据总误差逆向调整各层耦合权值，直到达到期望总误差；
式中，
表示第一隐层与输入层的耦合权值，εj表示第一隐层神经元阈值，υkj表示第二隐层与第一隐层的耦合权值，εk表示第二隐层神经元阈值，γlk表示输出层与第二隐层的耦合权值，εk表示输出层神经元阈值，EΣ表示期望总误差，α表示样本个数，
期望输出值，
实际输出值，
表示反向权值调整量，
表示任意两个神经元间的耦合权值，η表示学习率η∈(0.01,1)。
试验过程中，网络隐层神经元节点数的不同设置会对模型输出结果造成显著差异。隐层神经元节点设置数量过少，对信息的提取能力会产生不足，造成预测误差偏大；节点设置过多，对信息处理又会出现过拟合现象，将原始数据的噪音信号转变为特征信号，造成模型最终泛化能力不强。
作为一种优选，双隐层神经网络结构为：
输入层，其输入向量为xi,i＝5；
第一隐层，构建10个节点；
第二隐层，构建10个节点；
输出层，构建1个节点。
一种用于喷泥状况评估铁轨安全的系统，包括：
红外感应相机，其用于获取喷泥动态视频；
孔隙水压计，其用于监测地基层孔隙水压；
探针，其用于监测底基层含水率；
传感器，其用于监测喷泥位置的环境参数；
数字图像处理模块，其与红外感应相机、孔隙水压计、探针和传感器均通信连接，用于数据图像处理和建立安全评价模型。
本发明通过获取喷泥动态视频，利用数字图像处理技术得到喷泥位移信息，实现对喷泥状况的动态识别，通过双隐层神经网络元法建立安全评估模型，将喷泥位移信息、结构参数和环境参数输入安全评估模型，得到路基的位移量，进而评估铁轨的安全安全性，结果可靠，适用性强。
以上所述实施例中，各技术特征可以任意组合，为使描述简洁，未对上述实施例中各技术特征所有可能的组合都进行描述，然而只要这些技术特征组合不存在矛盾，都应当认为是本说明书记载的范围。
以上内容仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不脱离本发明的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。
Claims (8)
1.一种用于喷泥状况评估铁轨安全的方法，其特征在于，包括：
步骤一、获取喷泥的动态视频、喷泥位置的结构参数和环境参数；
步骤二、将所述动态视频进行分帧和特征识别，得到喷泥位移信息；
步骤三、调取多个经典喷泥状况及其路基形变量的样本数据，并将所述样本数据进行整合；
步骤四、将所述样本数据输入双隐层神经网络模型仿真训练，生成安全评估模型；所述双隐层神经网络模型包括：
建立双隐层神经网络模型激活函数为
层1为信息输入层，其输入向量为xi,i＝1,2...n；
层2为第一隐层，构建n1个节点，其输出向量为
层3为第二隐层，构建n2个节点，其输出向量为
层4为输出层，构建s个节点，输出向量为y＝(y0,y1,y2...ys)；
所述仿真训练包括：
计算各层神经元的输出量；
将所述样本数据输入双隐层神经网络模型并计算总误差；
根据所述总误差逆向调整各层耦合权值，直到达到期望总误差；
式中，
表示第一隐层与输入层的耦合权值，εj表示第一隐层神经元阈值，υkj表示第二隐层与第一隐层的耦合权值，εk表示第二隐层神经元阈值，γlk表示输出层与第二隐层的耦合权值，εl表示输出层神经元阈值，EΣ表示期望总误差，α表示样本个数，
期望输出值，
实际输出值，
表示反向权值调整量，
表示任意两个神经元间的耦合权值，η表示学习率η∈(0.01,1)；
步骤五、将所述位移信息、所述结构参数和所述环境参数输入所述安全评估模型，得到铁轨路基形变量。
2.如权利要求1所述的用于喷泥状况评估铁轨安全的方法，其特征在于，所述步骤二包括：
将所述动态视频进行预处理得到静态图像；
将所述静态图像进行边缘检测；
计算每一帧静态图像相对于第一帧图像中边缘像素的位移量，得到喷泥的实际位移量和位移速度。
3.如权利要求2所述的用于喷泥状况评估铁轨安全的方法，其特征在于，所述预处理包括：
将所述动态视频分帧为连续的静态图像；
将所述静态图像进行灰度化处理；
采用5×5滤波模板进行中值滤波；
选取所述静态图像的灰度阈值，并根据所述灰度阈值进行二值化输出。
4.如权利要求3所述的用于喷泥状况评估铁轨安全的方法，其特征在于，所述边缘检测包括：
用高斯滤波平滑所述静态图像，去除噪声，得到图像数据；
计算所述图像数据水平方向和垂直方向的梯度幅值；
根据所述水平方向和垂直方向的梯度幅值计算图像梯度幅值和梯度方向；
保留所述梯度方向上的梯度幅值最大值，抑制非最大值；
设定梯度阈值，去除梯度值小于梯度阈值的伪边缘。
5.如权利要求4所述的用于喷泥状况评估铁轨安全的方法，其特征在于，所述结构参数包括孔隙水压、含水量、荷载幅值和渗透系数，所述环境参数包括温度和湿度。
6.如权利要求5所述的用于喷泥状况评估铁轨安全的方法，其特征在于，数据整合包括：
设定样本要素分布区间阈值；
将超出所述区间阈值的数据作为异常值；
通过插值处理替换异常值；
计算所述样本数据各要素与路基形变量的相关性系数；
将所述样本数据进行归一化处理。
7.如权利要求6所述的用于喷泥状况评估铁轨安全的方法，其特征在于，所述插值公式为：
式中，fm表示m个相邻数据zq,zq+1,…,zm,…zp-1,zp的平滑数据，zm表示异常值的等效替换值，ωi表示权重系数，且
p,q表示任意自然数，p+q＝m-1，N表示变量个数；
所述相关性系数计算公式为：
式中，λ表示相关性系数，X,Y表示样本数据要素，
表示样本数据要素均值，lXX表示X的离均差平方和，lYY表示Y的离均差平方和，lXY表示X与Y间的离均差积。
8.一种用于喷泥状况评估铁轨安全的系统，基于如权利要求1-7任一项所述的用于喷泥状况评估铁轨安全的方法，其特征在于，包括：
红外感应相机，其用于获取喷泥动态视频；
孔隙水压计，其用于监测地基层孔隙水压；
探针，其用于监测底基层含水率；
传感器，其用于监测喷泥位置的环境参数；
数字图像处理模块，其与所述红外感应相机、所述孔隙水压计、所述探针和所述传感器均通信连接，用于数据图像处理和建立安全评价模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110478359.XA CN113282982B (zh) | 2021-04-30 | 2021-04-30 | 一种用于喷泥状况评估铁轨安全的系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110478359.XA CN113282982B (zh) | 2021-04-30 | 2021-04-30 | 一种用于喷泥状况评估铁轨安全的系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113282982A CN113282982A (zh) | 2021-08-20 |
| CN113282982B true CN113282982B (zh) | 2023-04-18 |
Family
ID=77277752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110478359.XA Active CN113282982B (zh) | 2021-04-30 | 2021-04-30 | 一种用于喷泥状况评估铁轨安全的系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113282982B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114022826B (zh) * | 2022-01-05 | 2022-03-25 | 石家庄学院 | 一种基于区块链的铁轨检测方法及系统 |
| CN115859841B (zh) * | 2023-02-28 | 2023-05-05 | 湖南光华防务科技集团有限公司 | 一种灭火弹挂飞温度仿真方法和系统 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AUPO894497A0 (en) * | 1997-09-02 | 1997-09-25 | Xenotech Research Pty Ltd | Image processing method and apparatus |
| JP2007031986A (ja) * | 2005-07-25 | 2007-02-08 | Satoru Minamihata | 安全ガードレール |
| US8942426B2 (en) * | 2006-03-02 | 2015-01-27 | Michael Bar-Am | On-train rail track monitoring system |
| JP5534844B2 (ja) * | 2010-02-09 | 2014-07-02 | 三菱電機株式会社 | プラットホーム安全監視装置 |
| WO2013121344A2 (en) * | 2012-02-17 | 2013-08-22 | Balaji Venkatraman | Real time railway disaster vulnerability assessment and rescue guidance system using multi-layered video computational analytics |
| US9734567B2 (en) * | 2015-06-24 | 2017-08-15 | Samsung Electronics Co., Ltd. | Label-free non-reference image quality assessment via deep neural network |
| KR102275126B1 (ko) * | 2017-12-18 | 2021-07-09 | 한국전기안전공사 | 인공지능기법을 이용한 전기설비 안전도 평가 시스템 |
| US11042992B2 (en) * | 2018-08-03 | 2021-06-22 | Logitech Europe S.A. | Method and system for detecting peripheral device displacement |
| CN109298415B (zh) * | 2018-11-20 | 2020-09-22 | 中车株洲电力机车有限公司 | 一种轨道和道路障碍物检测方法 |
| EP3798945A1 (en) * | 2019-09-30 | 2021-03-31 | Siemens Mobility S.A.S. | System, apparatus and method for remotely managing operation of rail vehicles |
| US11455793B2 (en) * | 2020-03-25 | 2022-09-27 | Intel Corporation | Robust object detection and classification using static-based cameras and events-based cameras |
-
2021
- 2021-04-30 CN CN202110478359.XA patent/CN113282982B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113282982A (zh) | 2021-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113282982B (zh) | 一种用于喷泥状况评估铁轨安全的系统和方法 | |
| Lei et al. | New crack detection method for bridge inspection using UAV incorporating image processing | |
| CN111079747B (zh) | 铁路货车转向架侧架断裂故障图像识别方法 | |
| Mathavan et al. | Use of a self-organizing map for crack detection in highly textured pavement images | |
| KR102282977B1 (ko) | 머신러닝을 이용한 실시간 수문학적 강우량 예보 시스템 | |
| WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
| Ying et al. | Beamlet transform‐based technique for pavement crack detection and classification | |
| Chaiyasarn et al. | Crack detection in masonry structures using convolutional neural networks and support vector machines | |
| JP2019035626A (ja) | タイヤ画像の認識方法及びタイヤ画像の認識装置 | |
| CN109214439B (zh) | 一种基于多特征融合的红外图像结冰河流检测方法 | |
| Etzelmüller et al. | Automatic regional classification of topography in Norway. | |
| US20060078205A1 (en) | Detecting roads in aerial images using feature-based classifiers | |
| Lin et al. | Applications of image recognition for real-time water level and surface velocity | |
| CN110223341A (zh) | 一种基于图像识别的智能水位监测方法 | |
| KR102169452B1 (ko) | IoT 기상환경 수집 데이터의 안정성 확보 방법 | |
| US20130163858A1 (en) | Component recognizing apparatus and component recognizing method | |
| Ghanta et al. | Automatic road surface defect detection from grayscale images | |
| CN115797473B (zh) | 一种土建工程用混凝土成型评估方法 | |
| Kumar et al. | An automated road roughness detection from mobile laser scanning data | |
| CN103325123A (zh) | 一种基于自适应神经模糊推理系统的图像边缘检测方法 | |
| CN115909256A (zh) | 基于道路视觉图像的道路病害检测方法 | |
| Lin et al. | Earthquake-induced landslide hazard and vegetation recovery assessment using remotely sensed data and a neural network-based classifier: a case study in central Taiwan | |
| Lydon et al. | Development and testing of a composite system for bridge health monitoring utilising computer vision and deep learning | |
| CN112991425B (zh) | 一种水域水位提取方法、系统及存储介质 | |
| CN116908114B (zh) | 一种流域颗粒有机碳通量遥感监测方法 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A system and method for evaluating the safety of railway tracks using mud spraying conditions Effective date of registration: 20231108 Granted publication date: 20230418 Pledgee: Guotou Taikang Trust Co.,Ltd. Pledgor: Hangzhou Shenhao Technology Co.,Ltd. Registration number: Y2023980064429 |