CN113435404B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113435404B
CN113435404B CN202110795927.9A CN202110795927A CN113435404B CN 113435404 B CN113435404 B CN 113435404B CN 202110795927 A CN202110795927 A CN 202110795927A CN 113435404 B CN113435404 B CN 113435404B
Authority
CN
China
Prior art keywords
train
distance
radar
preset
running angle
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
Application number
CN202110795927.9A
Other languages
English (en)
Other versions
CN113435404A (zh
Inventor
魏伟航
杜卫红
谢立欧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Beyebe Network Technology Co ltd
Original Assignee
Shenzhen Beyebe Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Beyebe Network Technology Co ltd filed Critical Shenzhen Beyebe Network Technology Co ltd
Priority to CN202110795927.9A priority Critical patent/CN113435404B/zh
Publication of CN113435404A publication Critical patent/CN113435404A/zh
Application granted granted Critical
Publication of CN113435404B publication Critical patent/CN113435404B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明提供一种基于雷达及图像检测的电客车调车安全辅助驾驶方法及系统，包括：步骤S1，初始化信号采集模块的参数；步骤S2，实时获取当前采集的信号；步骤S3，获取列车的实时速度以及行驶角度，记录第一预设时间内的角度信息作为行驶角度列表；步骤S4，通过高清图像进行目标检测，框选出目标物品；步骤S5，检测到道岔后，当道岔距离小于预设距离时，通过麦克风进行语音播报，并通过行驶角度列表分析列车是否进行变道；步骤S6，检测到信号灯后，获取信号灯距离列车的距离；步骤S7，实时检测轨道旁是否存在人或物体，当在不安全区域内，进行语音播报。本发明能够及时且准确地进行提前预警，提高列车作业的安全性和可靠性。

Description

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
技术领域
本发明涉及一种调车安全辅助驾驶方法，尤其涉及一种基于雷达及图像检测的电客车调车安全辅助驾驶方法，并涉及采用了该基于雷达及图像检测的电客车调车安全辅助驾驶方法的电客车调车安全辅助驾驶系统。
背景技术
调车作业是地铁车辆由于维修、调试、保养需要调动而产生的需求。电客车调车作业是地铁交通安全运行中必不可少的环节，它对于提高轨道交通系统的运行效率、做好列车后勤保障、使车辆的维修和检查保养等工作顺利完成，具有非常重要的作用。
目前，地铁车辆段的电客车调车过程没有列车控制信号，司机在列车运行中进行不间断的观察，对各类异常状况，如地面信号灯状态、铁轨岔道状态、人员走动、车速过快、轨道安全和调车路径是否正确等果断采取措施。期间驾驶速度完全依靠司机控制，因此，存在较大的调车行车安全隐患。
发明内容
本发明所要解决的技术问题是需要提供一种能够及时自动地判断异常情况并实现语音播报，减少人员操作失误风险，提高列车作业安全性的基于雷达及图像检测的电客车调车安全辅助驾驶方法，在此基础上，还进一步提供采用了该基于雷达及图像检测的电客车调车安全辅助驾驶方法的电客车调车安全辅助驾驶系统。
对此，本发明提供一种基于雷达及图像检测的电客车调车安全辅助驾驶方法，包括：
步骤S1，初始化信号采集模块的参数，测试信号采集设备是否正常工作；
步骤S2，实时获取当前采集的信号，对所有信号进行记录或者压缩存储；
步骤S3，对采集的加速度信号和雷达信号进行分析，获取列车的实时速度以及行驶角度，记录第一预设时间内的角度信息作为行驶角度列表；
步骤S4，通过高清图像进行目标检测，框选出目标物品，并标出信号灯的状态；
步骤S5，检测到道岔后，根据目标物品的位置和多普勒测距获取道岔距离列车的距离，当道岔距离小于预设距离时，通过麦克风进行语音播报,并通过行驶角度列表分析列车是否进行变道，并将变道事件记录到日志中；
步骤S6，检测到信号灯后，获取信号灯距离列车的距离，当信号灯与列车之间的距离小于预设距离时，通过麦克风进行语音播报，并说明信号灯状态；
步骤S7，实时检测轨道旁是否存在人或物体，若存在则判断人或物体与轨道之间的距离，当在不安全区域内，立即通过麦克风进行语音播报，并保存异常事件视频和日志。
本发明的进一步改进在于，所述步骤S3中，利用雷达在扫频周期内发射频率变化的连续波，被物体反射后的回波与发射信号有一定的频率差，通过测量频率差获得列车与雷达之间的距离信息，通过公式
Figure BDA0003162821260000021
获得列车与雷达之间的距离R，通过公式
Figure BDA0003162821260000022
获得列车的当前速度，其中，c为声波传播速度，Δf1为声波上升沿期间的频率差，Δf2为声波下降沿期间的频率差，Kr为调频斜率，γ为波长。
本发明的进一步改进在于，所述步骤S3中，通过公式θ＝cos-1(ax+ay)计算列车的行驶角度θ，其中，ax为三轴加速传感器在水平面的x轴方向上的加速度，ay为三轴加速传感器在水平面的y轴方向上的加速度。
本发明的进一步改进在于，所述步骤S5中，检测到道岔后，在列车与道岔之间的距离小于预设距离时，若对应的行驶角度列表中在第二预设时间内行驶角度变化超过预设角度，则判断为列车变道。
本发明的进一步改进在于，所述步骤S3中，获取列车的实时速度以及行驶角度后，记录10秒内的角度信息作为行驶角度列表；所述步骤S5中，在列车与道岔之间的距离小于150米时，若对应的行驶角度列表中在3秒内行驶角度变化超过25°，则判断为列车变道。
本发明的进一步改进在于，所述步骤S4对高清图像采用目标检测网络模型进行目标检测，具体包括以下步骤：
步骤S401，采集视频数据作为原始数据，并通过历史测试数据集作为补充数据集；
步骤S402，从视频数据中抽取有效帧，对图像进行数据清洗和分类，使用标注工具将目标物品进行框选，并生成相应的标签文件；
步骤S403，通过预设比例的训练集和测试集实现目标检测网络模型的训练和测试。
本发明的进一步改进在于，所述步骤S402中，有效帧指的是包括目标物品的图像，目标物品包括道岔、信号灯和人中的任意一种或几种，对图像进行数据清洗和分类的过程中，信号灯的数量总数要大于1000个，同一个目标物品在第三预设时间内只采集一次。
本发明的进一步改进在于，所述步骤S403中，实现目标检测网络模型的训练过程包括以下子步骤：
步骤S4031，采用coco数据训练后的参数进行模型骨架参数的初始化，全连接层使用服从均值为0、标准差为0.1的高斯分布随机数进行初始；
步骤S4032，使用Adam梯度下降算法训练权重，学习率为0.001，每300代衰减90％；
步骤S4033，进行预设代数的训练，每十代进行验证集的测试，保存结果最好的那一代训练模型，并将其用于测试集的测试，训练和测试的结果作为目标检测网络模型的学习结果。
本发明还提供一种基于雷达及图像检测的电客车调车安全辅助驾驶系统，采用了如上所述的基于雷达及图像检测的电客车调车安全辅助驾驶方法，并包括信号采集模块和人工智能主机，所述信号采集模块上配置毫米波雷达、高清摄像头、三轴加速传感器以及麦克风，用于对列车的调车路线进行数据采集，将加速度信号、高清视频信号和雷达信号实时传输至所述人工智能主机，所述人工智能主句完成对数据的分析处理、预警以及数据存储，将控制信号发送至所述信号采集模块，并控制麦克风进行事件预警。
本发明的进一步改进在于，所述人工智能主机采用加速度信号和雷达信号分析，获取列车的实时速度和行驶角度，分析列车是否超速或者变道；然后通过高清图像检测模块先检测信号灯状态、道岔状态以及轨行区人员闯入或异物干扰，在定位到检测目标后通过雷达信号分析检测目标与列车之间的距离，并语音播报对司机进行预警；最后通过数据存储模块存储异常状况下的各类数据。
与现有技术相比，本发明的有益效果在于：采用了多维度信息分析对地铁列车调车作业中的轨道情况进行了智能分析，结合列车运行的特殊环境针对性进行了优化设计，受气候条件影响较小，测速、测距以及角度检测精准可靠，能够及时且准确地对作业过程中一些情况进行提前预警，大幅度降低了由于司机分神或疲劳等情况造成事故的可能性，提高列车作业的安全性，并且，对于异常情况通过高清视频进行检测和对应日志的存储，配合少量的人工复检即可完成准确度高且及时有效的确认。
附图说明
图1是本发明一种实施例的工作流程示意图；
图2是本发明一种实施例的详细工作流程示意图；
图3是本发明另一种实施例的系统架构示意图。
具体实施方式
下面结合附图，对本发明的较优的实施例作进一步的详细说明。
如图1和图2所示，本例提供一种基于雷达及图像检测的电客车调车安全辅助驾驶方法，包括：
步骤S1，初始化信号采集模块的参数，测试信号采集设备是否正常工作；
步骤S2，实时获取当前采集的信号，对所有信号进行记录或者压缩存储；
步骤S3，对采集的加速度信号和雷达信号进行分析，获取列车的实时速度以及行驶角度，记录第一预设时间内的角度信息作为行驶角度列表；
步骤S4，通过高清图像进行目标检测，框选出目标物品，并标出信号灯的状态；
步骤S5，检测到道岔后，根据目标物品的位置和多普勒测距获取道岔距离列车的距离，当道岔距离小于预设距离时，通过麦克风进行语音播报,并通过行驶角度列表分析列车是否进行变道，并将变道事件记录到日志中；
步骤S6，检测到信号灯后，获取信号灯距离列车的距离，当信号灯与列车之间的距离小于预设距离时，通过麦克风进行语音播报，并说明信号灯状态；
步骤S7，实时检测轨道旁是否存在人或物体，若存在则判断人或物体与轨道之间的距离，当在不安全区域内，立即通过麦克风进行语音播报，并保存异常事件视频和日志。
本例所述步骤S1中，测试信号采集设备是否正常工作指的是测试毫米波雷达、高清摄像头、三轴加速传感器和麦克风是否正常工作，初始化信号采集模块的参数指的是初始化毫米波雷达、高清摄像头、三轴加速传感器(也称三翼加速度传感器)和麦克风的参数；所述步骤S2中，实时获取当前采集的信号，包括加速度信号、高清视频信号和雷达信号。
本例采用了多维度信息分析对地铁列车调车作业中的轨道情况进行了智能分析，其中毫米波雷达受气候条件影响较小，测速测距精准；三轴加速传感器则弥补了毫米波雷达角度检测不准的缺陷，针对列车这种特殊的运行环境，本例还加入了一些针对性的优化设计，详见步骤S3至步骤S7的信息描述。
本例所述步骤S3中，利用雷达在扫频周期内发射频率变化的连续波，被物体反射后的回波与发射信号有一定的频率差，通过测量频率差获得列车与雷达之间的距离信息，通过公式
Figure BDA0003162821260000051
获得列车与雷达之间的距离R，通过公式
Figure BDA0003162821260000052
获得列车的当前速度，其中，c为声波传播速度，Δf1为声波上升沿期间的频率差，Δf2为声波下降沿期间的频率差，Kr为调频斜率，γ为波长。本例采用多普勒测速获取列车的实时速度，分析列车是否超速，若超速则通过麦克风进行警报，要求司机进行降速。
本例的加速度信号为三个方向的加速度，根据列车的轨道运行规律，本例采用水平方向的加速度来实现列车行驶角度的获取；所述步骤S3中，通过公式θ＝cos-1(ax+ay)计算列车的行驶角度θ，其中，ax为三轴加速传感器在水平面的x轴方向上的加速度，ay为三轴加速传感器在水平面的y轴方向上的加速度。值得说明的是，与其他车辆的转向判断不同，在本例的电客车这种列车的使用环境中，主要是在检测到道岔之后，通过行驶角度列表中在规定时间内的变化来实现变道判断；在本例所述步骤S5中，检测到道岔后，在列车与道岔之间的距离小于预设距离时，若对应的行驶角度列表中在第二预设时间内行驶角度变化超过预设角度，则判断为列车变道。所述预设距离指的是列车与道岔之间的预先设置的距离阈值，一般默认选取为150米，当然，这个数值在实际应用中，可以根据实际情况进行自定义设置和调整，一般选取范围为130米至180米之间，这样数据量不会太大，且及时可靠；第一预设时间指的是针对列车所保存的行驶角度列表中角度信息变化的预设时间，该第一预设时间并不是随意设置的，而是根据行驶角度列表中在规定时间内的变化来设置的，关系着变道判断的准确性，本例所述第一预设时间优选为10秒；所述第二预设时间指的是在检测到道岔且列车与道岔之间的距离小于预设距离的情况下，也就是马上要进行是否变道的情况下，所预设设置好的行驶角度变化时间值，本例所述第二预设时间优选为3秒；所述预设角度指的是在检测到道岔且列车与道岔之间的距离小于预设距离的情况下，针对所述第二预设时间所设置的角度变化阈值，本例所述预设角度优选为25°。当然，这些数值并不是完全固定不变的，而是可以根据不同的应用环境进行小范围调整，但是以上这些参数都是针对电客车的列车这种特定的使用环境而优选的。
因此，更为具体的，本例所述步骤S3中，获取列车的实时速度以及行驶角度后，记录10秒内的角度信息作为行驶角度列表，通过实现存储好合适时间段的行驶角度列表，进而在检测到道岔且列车与道岔之间的距离小于预设距离的情况下，能够通过查表的方式快速实现准确的判断，无需繁琐的数据计算，也不要求很高的计算和响应能力，进而使得所述基于雷达及图像检测的电客车调车安全辅助驾驶方法更为稳定可靠，且局限性小；所述步骤S5中，在列车与道岔之间的距离小于150米时，若对应的行驶角度列表中在3秒内行驶角度变化超过25°，则判断为列车变道。在实际应用中，还可以在列车与道岔之间的距离为150-300米时，先将当前的行驶角度与所述行驶角度列表进行匹配，若匹配成功，则先发出第一次匹配的信号；接着，在列车与道岔之间的距离小于150米时，若对应的行驶角度列表中在3秒内行驶角度变化超过25°，则判断为列车变道，通过这种双重判断，一方面能够提高其准确度，另一方面也能够给司机更长的判断和反应时间，并且不会增加过多的复杂计算，不会给人工智能主机带来很大的负担，符合电客车的特殊使用环境。
本例所述步骤S4对高清图像采用目标检测网络模型进行目标检测，所述目标检测算法优选采用yolov5算法，采用模型骨架为v5x，输入图像尺寸为512*512，目标检测具体包括以下步骤：
步骤S401，采集视频数据作为原始数据，由于缺少异常时间，因此本例通过历史测试数据集作为补充数据集；
步骤S402，从视频数据中抽取有效帧，有效帧指的是包括目标物品的图像，目标物品包括道岔、信号灯和人中的任意一种或几种；在视频数据中，每秒抽取一帧图像，再对图像进行数据清洗和分类，对图像进行数据清洗和分类的过程中，信号灯的数量总数要大于1000个，同一个目标物品在第三预设时间内只采集一次，挑选出包括道岔、信号灯和人中的任意一种或几种的图像，使用标注工具labelimage将目标物品进行框选，并生成相应的标签文件；所述第三预设时间指的是对目标事件预设的采集事件周期，默认设置为2秒，可以根据实际需求进行自定义修改和调整，即同一个目标物品在2秒内只采集一次，便于降低重复的图像数据，避免过多的数据冗余；
步骤S403，通过预设比例的训练集和测试集实现目标检测网络模型的训练和测试。所述预设比例可以根据实际情况进行自定义修改和调整，优选为8:1；实现目标检测网络模型的训练过程包括以下子步骤：
步骤S4031，采用coco数据训练后的参数进行模型骨架参数的初始化，全连接层使用服从均值为0、标准差为0.1的高斯分布随机数进行初始；
步骤S4032，使用Adam梯度下降算法训练权重，学习率为0.001，每300代衰减90％，批处理大小优选设置为8；
步骤S4033，进行预设代数的训练，每十代进行验证集的测试，保存结果最好的那一代训练模型，并将其用于测试集的测试，训练和测试的结果作为目标检测网络模型的学习结果；预设代数指的是预先设置的训练的数量，优选设置为1000代，可以根据实际情况进行修改和调整；信号灯的状态，包括红灯和绿灯两种状态。
本发明还提供一种基于雷达及图像检测的电客车调车安全辅助驾驶系统，采用了如上所述的基于雷达及图像检测的电客车调车安全辅助驾驶方法，并包括信号采集模块和人工智能主机，所述信号采集模块上配置毫米波雷达、高清摄像头、三轴加速传感器以及麦克风，用于对列车的调车路线进行数据采集，将加速度信号、高清视频信号和雷达信号实时传输至所述人工智能主机，所述人工智能主句完成对数据的分析处理、预警以及数据存储，将控制信号发送至所述信号采集模块，并控制麦克风进行事件预警。
本例所述人工智能主机采用加速度信号和雷达信号分析，获取列车的实时速度和行驶角度，分析列车是否超速或者变道；然后通过高清图像检测模块先检测信号灯状态、道岔状态以及轨行区人员闯入或异物干扰，在定位到检测目标后通过雷达信号分析检测目标与列车之间的距离，并语音播报对司机进行预警；最后通过数据存储模块存储异常状况下的各类数据。
综上所述，与现有技术相比，本例采用了多维度信息分析对地铁列车调车作业中的轨道情况进行了智能分析，结合列车运行的特殊环境针对性进行了优化设计，受气候条件影响较小，测速、测距以及角度检测精准可靠，能够及时且准确地对作业过程中一些情况进行提前预警，大幅度降低了由于司机分神或疲劳等情况造成事故的可能性，提高列车作业的安全性，并且，对于异常情况通过高清视频进行检测和对应日志的存储，配合少量的人工复检即可完成准确度高且及时有效的确认。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (6)

1.一种基于雷达及图像检测的电客车调车安全辅助驾驶方法，其特征在于，包括：
步骤S1，初始化信号采集模块的参数，测试信号采集设备是否正常工作；
步骤S2，实时获取当前采集的信号，对所有信号进行记录或者压缩存储；
步骤S3，对采集的加速度信号和雷达信号进行分析，获取列车的实时速度以及行驶角度，记录第一预设时间内的角度信息作为行驶角度列表；
步骤S4，通过高清图像进行目标检测，框选出目标物品，并标出信号灯的状态；
步骤S5，检测到道岔后，根据目标物品的位置和多普勒测距获取道岔距离列车的距离，当道岔距离小于预设距离时，通过麦克风进行语音播报,并通过行驶角度列表分析列车是否进行变道，并将变道事件记录到日志中；
步骤S6，检测到信号灯后，获取信号灯距离列车的距离，当信号灯与列车之间的距离小于预设距离时，通过麦克风进行语音播报，并说明信号灯状态；
步骤S7，实时检测轨道旁是否存在人或物体，若存在则判断人或物体与轨道之间的距离，当在不安全区域内，立即通过麦克风进行语音播报，并保存异常事件视频和日志；
所述步骤S5中，检测到道岔后，在列车与道岔之间的距离小于预设距离时，若对应的行驶角度列表中在第二预设时间内行驶角度变化超过预设角度，则判断为列车变道；所述第二预设时间指的是在检测到道岔且列车与道岔之间的距离小于预设距离时，预设设置好的行驶角度变化时间值；
所述步骤S3中，获取列车的实时速度以及行驶角度后，记录10秒内的角度信息作为行驶角度列表，并在检测到道岔之后，通过行驶角度列表中在规定时间内的变化来实现变道判断；所述步骤S5中，在列车与道岔之间的距离为150-300米时，先将当前的行驶角度与所述行驶角度列表进行匹配，若匹配成功，则先发出第一次匹配的信号；接着，在列车与道岔之间的距离小于150米时，若对应的行驶角度列表中在3秒内行驶角度变化超过25°，则判断为列车变道；
所述步骤S4对高清图像采用目标检测网络模型进行目标检测，具体包括以下步骤：
步骤S401，采集视频数据作为原始数据，并通过历史测试数据集作为补充数据集；
步骤S402，从视频数据中抽取有效帧，对图像进行数据清洗和分类，使用标注工具将目标物品进行框选，并生成相应的标签文件；
步骤S403，通过预设比例的训练集和测试集实现目标检测网络模型的训练和测试；
所述步骤S402中，有效帧指的是包括目标物品的图像，目标物品包括道岔、信号灯和人中的任意一种或几种，对图像进行数据清洗和分类的过程中，信号灯的数量总数要大于1000个，同一个目标物品在第三预设时间内只采集一次。
2.根据权利要求1所述的基于雷达及图像检测的电客车调车安全辅助驾驶方法，其特征在于，所述步骤S3中，利用雷达在扫频周期内发射频率变化的连续波，被物体反射后的回波与发射信号有一定的频率差，通过测量频率差获得列车与雷达之间的距离信息，通过公式
Figure QLYQS_2
获得列车与雷达之间的距离
Figure QLYQS_5
，通过公式
Figure QLYQS_8
获得列车的当前速度，其中，
Figure QLYQS_3
为声波传播速度，
Figure QLYQS_4
为声波上升沿期间的频率差，
Figure QLYQS_6
为声波下降沿期间的频率差，
Figure QLYQS_7
为调频斜率，
Figure QLYQS_1
为波长。
3.根据权利要求1所述的基于雷达及图像检测的电客车调车安全辅助驾驶方法，其特征在于，所述步骤S3中，通过公式
Figure QLYQS_9
计算列车的行驶角度
Figure QLYQS_10
，其中，
Figure QLYQS_11
为三轴加速传感器在水平面的x轴方向上的加速度，
Figure QLYQS_12
为三轴加速传感器在水平面的y轴方向上的加速度。
4.根据权利要求1至3任意一项所述的基于雷达及图像检测的电客车调车安全辅助驾驶方法，其特征在于，所述步骤S403中，实现目标检测网络模型的训练过程包括以下子步骤：
步骤S4031，采用coco数据训练后的参数进行模型骨架参数的初始化，全连接层使用服从均值为0、标准差为0.1的高斯分布随机数进行初始；
步骤S4032，使用Adam梯度下降算法训练权重，学习率为0.001，每300代衰减90%；
步骤S4033，进行预设代数的训练，每十代进行验证集的测试，保存结果最好的那一代训练模型，并将其用于测试集的测试，训练和测试的结果作为目标检测网络模型的学习结果。
5.一种基于雷达及图像检测的电客车调车安全辅助驾驶系统，采用了如权利要求1至4任意一项所述的基于雷达及图像检测的电客车调车安全辅助驾驶方法，并包括信号采集模块和人工智能主机，所述信号采集模块上配置毫米波雷达、高清摄像头、三轴加速传感器以及麦克风，用于对列车的调车路线进行数据采集，将加速度信号、高清视频信号和雷达信号实时传输至所述人工智能主机，所述人工智能主机完成对数据的分析处理、预警以及数据存储，将控制信号发送至所述信号采集模块，并控制麦克风进行事件预警。
6.根据权利要求5所述的基于雷达及图像检测的电客车调车安全辅助驾驶系统，其特征在于，所述人工智能主机采用加速度信号和雷达信号分析，获取列车的实时速度和行驶角度，分析列车是否超速或者变道；然后通过高清图像检测模块先检测信号灯状态、道岔状态以及轨行区人员闯入或异物干扰，在定位到检测目标后通过雷达信号分析检测目标与列车之间的距离，并语音播报对司机进行预警；最后通过数据存储模块存储异常状况下的各类数据。
CN202110795927.9A 2021-07-14 2021-07-14 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 Active CN113435404B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110795927.9A CN113435404B (zh) 2021-07-14 2021-07-14 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110795927.9A CN113435404B (zh) 2021-07-14 2021-07-14 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

Publications (2)

Publication Number Publication Date
CN113435404A CN113435404A (zh) 2021-09-24
CN113435404B true CN113435404B (zh) 2023-05-12

Family

ID=77760380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110795927.9A Active CN113435404B (zh) 2021-07-14 2021-07-14 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

Country Status (1)

Country Link
CN (1) CN113435404B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114047259B (zh) * 2021-10-28 2024-05-10 深圳市比一比网络科技有限公司 一种基于时间序列多尺度钢轨伤损缺陷的检测方法
CN116597404B (zh) * 2023-05-06 2024-04-09 浙江大学 基于多源传感器融合的可持续道路异常检测方法与系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014056513A (ja) * 2012-09-13 2014-03-27 Toyota Motor Corp 運転支援装置及び運転支援方法
WO2020216316A1 (zh) * 2019-04-26 2020-10-29 纵目科技（上海）股份有限公司 基于毫米波雷达的辅助驾驶系统、方法、终端和介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010001865A1 (ja) * 2008-06-30 2010-01-07 ローム株式会社 車両の走行情報記録装置
CN202115549U (zh) * 2011-05-23 2012-01-18 成都可益轨道技术有限公司 铁路机车轨道智能识别系统
CN202669631U (zh) * 2012-05-29 2013-01-16 浙江吉利汽车研究院有限公司杭州分公司 一种车辆变道、转弯时的警示装置
CN105480229B (zh) * 2015-11-24 2018-01-16 大连楼兰科技股份有限公司 一种基于信息融合的智能变道辅助方法
CN110546027A (zh) * 2017-01-04 2019-12-06 Aktv8有限公司 用于车辆负载管理的系统和方法
CN107336724B (zh) * 2017-06-14 2019-04-12 北京遥感设备研究所 一种计算机视觉和毫米波技术结合的高铁防撞设备及方法
CN111016932B (zh) * 2019-12-02 2021-02-12 江西理工大学 节能型空轨系统的轨道巡检车和检测方法
CN111959507A (zh) * 2020-07-06 2020-11-20 江铃汽车股份有限公司 一种变道控制方法、系统、可读存储介质及车辆
CN111830942A (zh) * 2020-07-27 2020-10-27 北京享云智汇科技有限公司 一种安全自动驾驶方法及系统
CN112319552A (zh) * 2020-11-13 2021-02-05 中国铁路哈尔滨局集团有限公司 轨道车运行探测预警系统
CN112967497B (zh) * 2021-02-01 2022-02-01 吉林大学 共享汽车监管系统及监管方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014056513A (ja) * 2012-09-13 2014-03-27 Toyota Motor Corp 運転支援装置及び運転支援方法
WO2020216316A1 (zh) * 2019-04-26 2020-10-29 纵目科技（上海）股份有限公司 基于毫米波雷达的辅助驾驶系统、方法、终端和介质

Also Published As

Publication number Publication date
CN113435404A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN110264783B (zh) 基于车路协同的车辆防碰撞预警系统及方法
CN113435404B (zh) 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
CN106061822B (zh) 车辆成像系统和方法
CN112307594B (zh) 道路数据采集和模拟场景建立一体化系统及方法
CN103770780B (zh) 一种车辆主动安全系统告警屏蔽装置
CN109552366B (zh) 机车车载铁道障碍物智能探测报警系统及其预警方法
CN106394513A (zh) 一种雨雪天气下无人驾驶车辆的行车装置与策略
CN103208186B (zh) 一种激光三维扫描车辆的方法及装置
CN111198371A (zh) 前视障碍物检测系统
CN104567713B (zh) 一种多点雪深测量方法及装置
CN110133669A (zh) 一种三维激光异物侵限监测方法及系统
CN105015411A (zh) 一种基于视频融合的汽车微波雷达防撞预警方法及系统
CN104573646A (zh) 基于激光雷达和双目相机的车前行人检测方法及系统
CN110329316A (zh) 一种城市轨道障碍物检测装置及检测方法
CN113340325A (zh) 一种验证车路协同路侧感知融合精度的系统、方法及介质
CN109910955A (zh) 基于应答器信息传输的轨道交通隧道障碍物检测系统及方法
CN109061669A (zh) 限界检测系统及其方法
EP4418014A1 (en) Train active obstacle detection method and apparatus based on positioning technology
CN116572996B (zh) 一种车辆的控制方法、装置和无人驾驶车辆
CN111661111A (zh) 轨道交通障碍探测方法及装置
CN116859962A (zh) 一种航空器着陆障碍物规避方法及系统
CN107945518A (zh) 无队列的激光式车型识别装置和识别方法
US20220024503A1 (en) Vehicle monitoring system
CN117198057A (zh) 一种面向路侧感知轨迹数据质量检评的实验方法及系统
CN113781471A (zh) 一种自动驾驶测试场系统及方法

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
GR01 Patent grant
GR01 Patent grant