CN114241476A - 一种列车车况检查方法、系统及相关装置 - Google Patents
一种列车车况检查方法、系统及相关装置 Download PDFInfo
- Publication number
- CN114241476A CN114241476A CN202111563032.9A CN202111563032A CN114241476A CN 114241476 A CN114241476 A CN 114241476A CN 202111563032 A CN202111563032 A CN 202111563032A CN 114241476 A CN114241476 A CN 114241476A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- carriage
- determining
- preset
- train
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000007689 inspection Methods 0.000 claims description 62
- 238000001514 detection method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 8
- 229910000831 Steel Inorganic materials 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种列车车况检查方法，包括：利用预设线阵相机采集车辆的车厢图像；根据车辆的车轴位置切分车厢图像，得到三维图片；确定各三维图片的车厢编号，并按照车厢编号顺序依次输入至训练模型；在训练模型中，根据三维图片确定车厢信息对应的车型，并根据车厢进行预设检查项的特征识别，识别得到检查项；确定检查项的标识，并调用计算模型识别标识对应的安全状态；根据各检查项的安全状态确定车辆的车况。本申请可以在列车运行过程中智能识别车辆的车况，无需人工逐个车厢检车，提高了车况检查的效率和精度。本申请还提供一种列车车况检查系统、计算机可读存储介质和电子设备，具有上述有益效果。
Description
技术领域
本申请涉及列车检测领域，特别涉及一种列车车况检查方法、系统及相关装置。
背景技术
随着铁路货物运输业的蓬勃发展，特别是铁路大提速以来，因铁路货运列车车厢装载问题导致的行车安全事故时有发生，给货运列车装载安全检查带来很大压力。现有的铁路货运装载安全检查方式主要有两种，一种是人工现场检查，依靠检车人员到车辆停靠现场，人眼目测逐车厢进行检查；另一种是依靠摄像机视频监控，列车进出站时，检车人员在监控室通过监控屏幕检查列车的装载状况，还是要依靠人工。人工检车已经无法满足现代铁路发展的需要，并且人工检车存在效率低下，一列五十节的车辆，检查完大约需要100分钟；劳动强度大，且存在一定危险性，检车作业人员需要逐车厢爬车检查，夏天炎热、冬天湿滑，恶劣天气作业更是困难，并且还需兼顾多个检查项，极易受到检车员技术和气候环境等因素的影响。因此亟需一套新的货运列车车厢装载安全检查系统来满足货检作业的需求。
发明内容
本申请的目的是提供一种列车车况检查方法、列车车况检查系统、计算机可读存储介质和电子设备，能够提高车况检测的精度和效率。
为解决上述技术问题，本申请提供一种列车车况检查方法，具体技术方案如下：
检测到车辆时，利用至少三个预设线阵相机采集所述车辆的车厢图像；其中，所述预设线阵相机分别位于所述车辆的两侧及车辆上方；
根据所述车辆的车轴位置切分所述车厢图像，得到以车厢为单位的三维图片；所述三维图片包括所述车厢的俯视图片和两侧图片；
确定各所述三维图片的车厢编号，并按照车厢编号顺序依次输入至训练模型；
在所述训练模型中，根据所述三维图片确定所述车厢信息对应的车型，并根据所述车厢进行预设检查项的特征识别，识别得到检查项；
确定所述检查项的标识，并调用计算模型识别所述标识对应的安全状态；
根据各所述检查项的安全状态确定所述车辆的车况。
可选的，还包括：
利用测速雷达检测所述车辆的车速；
根据所述车速调整所述预设线阵相机的采集行频。
可选的，根据所述车速调整所述预设线阵相机的采集行频包括：
利用预设计算公式，并根据所述车速、所述预设线阵相机的每线像素数和所述车辆的宽幅确定采集行频；
其中，所述预设公式为Vc＝Hc*Vo/Lo；其中，Vc为所述采集行频，Hc为所述预设线阵相机的每线像素数，Vo为所述车速，Lo为所述车辆的宽幅。
可选的，调用计算模型识别所述标识对应的安全状态之前，还包括：
利用预设数据集和卷积神经网络训练得到所述计算模型。
可选的，调用计算模型识别所述标识对应的安全状态时，还包括：
确定所述检查项的安全等级；
则根据各所述检查项的安全状态确定所述车辆的车况后，还包括：
上报所述车况和所述安全等级。
可选的，利用预设数据集和卷积神经网络确定所述计算模型包括：
获取预设数据集；
通过预设算法对所述数据集中的数据进行数据增强；其中所述预设算法为翻转、自动增强、随机裁剪、随机平移变换中的一种或者任意几种的组合；
确定总损失函数，以ResNeXt网络作为骨干网络构建AI模型；
将经过数据增强的所述预设数据集中的图像输入所述AI模型，计算各所述图像对应的特征值；
计算所述特征值与特征库中标准图像的图像特征值的余弦相似度，以便根据所述余弦相似度确定检查项的异常，并得到所述计算模型。
可选的，根据各所述检查项的安全状态确定所述车辆的车况之后，还包括：
根据所述车况确定车厢编号与对应异常的映射关系，并生成所述映射关系对应的检车报告清单；
根据所述车厢图像和所述检查报告清单生成车况检测日志。
本申请还提供一种列车车况检查系统，包括：
图像获取模块，用于检测到车辆时，利用至少三个预设线阵相机采集所述车辆的车厢图像；其中，所述预设线阵相机分别位于所述车辆的两侧及车辆上方；
图像解析模块，用于根据所述车辆的车轴位置切分所述车厢图像，得到以车厢为单位的三维图片；所述三维图片包括所述车厢的俯视图片和两侧图片；
车厢确定模块，用于确定各所述三维图片的车厢编号，并按照车厢编号顺序依次输入至训练模型；
检查项识别模块，用于在所述训练模型中，根据所述三维图片确定所述车厢信息对应的车型，并根据所述车厢进行预设检查项的特征识别，识别得到检查项；
异常检测模块，用于确定所述检查项的标识，并调用计算模型识别所述标识对应的安全状态；
车况确定模块，用于根据各所述检查项的安全状态确定所述车辆的车况。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本申请还提供一种电子设备，包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如上所述的方法的步骤。
本申请提供一种列车车况检查方法，包括：检测到车辆时，利用至少三个预设线阵相机采集所述车辆的车厢图像；其中，所述预设线阵相机分别位于所述车辆的两侧及车辆上方；根据所述车辆的车轴位置切分所述车厢图像，得到以车厢为单位的三维图片；所述三维图片包括所述车厢的俯视图片和两侧图片；确定各所述三维图片的车厢编号，并按照车厢编号顺序依次输入至训练模型；在所述训练模型中，根据所述三维图片确定所述车厢信息对应的车型，并根据所述车厢进行预设检查项的特征识别，识别得到检查项；确定所述检查项的标识，并调用计算模型识别所述标识对应的安全状态；根据各所述检查项的安全状态确定所述车辆的车况。
本申请获取到车厢数据后，先以车厢为单位进行图像切分，再以车厢为单位进行检查项的特征识别，从而先后利用训练模型和计算模型识别检查项并确定检查项的安全状态，可以在列车运行过程中智能识别车辆的车况，无需人工逐个车厢检车，提高了车况检查的效率和精度。
本申请还提供一种列车车况检查系统、计算机可读存储介质和电子设备，具有上述有益效果，此处不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种列车车况检查方法的流程图；
图2为本申请实施例所提供的一种列车车况检查应用场景的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种列车车况检查方法的流程图，该方法包括：
S101：检测到车辆时，利用至少三个预设线阵相机采集所述车辆的车厢图像；
本步骤需要采集车辆的车厢图像，该预设线阵相机分别位于所述车辆的两侧及车辆上方，即车辆的上方、左侧和右侧均设有线阵相机。当然，本实施例对于线阵相机的具体参数不作限定，容易理解的是，线阵相机拍摄的车厢图像越清晰，则本实施例所可实现的检测精度越高。
为此，可以在线阵相机周围设置补光灯，以实现在环境亮度不足的情况下进行补光。同时还可以采用高清彩色线阵相机，以提高检测精度。
在本实施例的基础上，还可以利用测速雷达检测所述车辆的车速，以便根据车速调整预设线阵相机的采集行频，从而保证采集到的高清彩色图像不变形，同样可以提高检测精度。
具体的，可以利用预设计算公式，并根据车速、预设线阵相机的每线像素数和车辆的宽幅确定采集行频；
其中，预设公式为Vc＝Hc*Vo/Lo；其中，Vc为采集行频，Hc为预设线阵相机的每线像素数，Vo为车速，Lo为车辆的宽幅。
S102：根据所述车辆的车轴位置切分所述车厢图像，得到以车厢为单位的三维图片；所述三维图片包括所述车厢的俯视图片和两侧图片；
采集的车厢三路高清图像输入至图像处理单元，根据每节车厢的车轴抽位置，将车厢图像进行切分，实现一节车厢一副图像，则可得到共三幅图像。
S103：确定各所述三维图片的车厢编号，并按照车厢编号顺序依次输入至训练模型；
本步骤先确定三维图片的车厢编号，即确定每张图片的车厢编号。容易理解的是，在实际检测时，若车辆处于移动中，则车厢编号为按照实际车辆车厢编号顺序排序。若车辆处于静止状态，而车厢图片来源于多组线阵相机，每组线阵相机均由位于车厢上方和两侧的至少三个相机构成，则此时需要很对各线阵相机返回的车厢图片确定其对应的车厢编号。
在确定车厢编号后，按照车厢编号依次输入至训练模型。
S104：在所述训练模型中，根据所述三维图片确定所述车厢信息对应的车型，并根据所述车厢进行预设检查项的特征识别，识别得到检查项；
本步骤旨在确定预设检测项的特征识别，即确定车辆的检查项，例如可以包括车厢中门、小门、罐式箱上盖、常见异物等检查项。需要注意的的是，每个检查项可以包括若干检查特征，例如车厢中门上的锁扣和螺栓，均属于车厢中门这个检查项需要检测的特征。
S105：确定所述检查项的标识，并调用计算模型识别所述标识对应的安全状态；
本步骤中的标识对应每个检查项需要检测的内容，相当于检查项的每个特征对应一个标识，而本申请则是需要确定每个检查项对应的标识，从而进行标识对应特征的识别。计算模型通过对检查项的标识特征与模型学习的数据库进行对比，实时匹配，确定的检查项类别，并判断出该检查项的安装状况。
此外，还可以确定检查项的安全等级。在此对于安全等级的等级如何划分不做限定。例如，识别项按照安全等级分为两类，安全隐患一类可以包括如下情况：篷布苫盖破损、篷布掀开、篷布缺少腰绳、篷布绳索未栓结、篷布绳网未栓结、篷布绳索腐朽、篷布顶部异物、敞顶箱篷布破损、敞顶箱篷布绳索松开、敞顶箱货物未卸净、卷钢移位(顶部观看)、固定卷钢钢丝绳弯折(顶部观看)、液体货物渗漏、散堆类货物撒漏、其他类货物撒漏、两用平车端板未立起、平车顶部异物、平车货物超出车端、罐车上盖张开、罐车泄露、集装箱角件未入槽、集装箱箱门未关闭、集装箱顶部异物、敞车货物未卸载干净、敞车卷钢座架漏卸、敞车卷钢漏装(只装了一端)、敞车内异物、敞车货物顶部异物、敞车车体异物、敞车车门窗开启(中门、小门)、敞车货物窜出车帮、敞车中门未用铁丝加固、敞车中门插销未入槽、棚车门开启、罐式箱顶盖开启、干散货箱顶盖开启。而安全隐患第二类可以包括：棚车未按规定施封、罐车螺栓未拧固、敞车底开门上木棍栓松动(小门大木棍)、两用平板集装箱箱门朝外。当然本领域技术人员还可以采用其他安全等级划分方式，在此不一一限定。
在执行本步骤前，利用预设数据集和卷积神经网络训练得到所述计算模型。具体步骤可以包括：
第一步、获取预设数据集；
第二步、通过预设算法对所述数据集中的数据进行数据增强；其中所述预设算法为翻转、自动增强、随机裁剪、随机平移变换中的一种或者任意几种的组合；
第三步、确定总损失函数，以ResNeXt网络作为骨干网络构建AI模型；
第四步、将经过数据增强的所述预设数据集中的图像输入所述AI模型，计算各所述图像对应的特征值；
第五步、计算所述特征值与特征库中标准图像的图像特征值的余弦相似度，以便根据所述余弦相似度确定检查项的异常，并得到所述计算模型。
需要注意的是，预设数据集中样本数量应较多，例如可以不少于十万张或者二十万张，且预设数据集应为车厢的图像样本数据，且图像样本数据应已标注完成，可以标注不同的识别区域和相应的识别项，以及各是别想的正常或者异常状况，以便训练学习。将所述标注后的样本输入到深度学习模型进行学习训练，从不同时间不同场景下检查项图片的卷积网络中提取公共特征，聚集训练出网络参数，并在应用推理前，完成典型场景检查项的注册，建立车厢装载状况异常项特征数据库，依此获得计算模型。
下文为本实施例提供的一种优选的得到计算模型的过程：
对图像数据进行预处理。主要是指对于给定数据集，可让机器学习其特征，通过翻转(Flipping)、自动增强(Auto-augment)、随机裁剪(RandomCrop)、随机平移变换(RandomShift)等算法自动进行数据增强，实现了自动化增强数据集的多样性，提升网络模型的泛化能力。
确定卷积神经网络训练的损失函数的选型。所述损失函数是指softmax loss、Center loss、contrastive loss、triplet loss。Center loss，又称中心损失，用于增大类间距，降低类内方差。而triplet loss(三元组损失)通过优化锚示例与正示例的距离小于锚示例与负示例的距离，实现样本的相似性计算。最后一种contrastive loss(对比损失)可以很好的表达成对样本的匹配程度，也能够很好用于训练提取特征的模型。
Softmax loss是由softmax和交叉熵(cross-entropy loss)loss组合而成。
令z是softmax层的输入，f(z)是softmax的输出，则
单个像素i的softmax loss等于cross-entropy error如下：
展开上式：
除了使用在图像分类和分割任务中都被广泛使用的softmax loss外，在caffe反向传播时，就是要获取top blob diff中存储的bottom blob diff，要得到
求loss对z的第k个节点的梯度：
当y＝k时
当T＝1时，就是softmax的定义，当T＞1，就称之为soft softmax，T越大，因为zk产生的概率差异就会越小。而softmax loss只会使得类间特征分离，并不会使属于同一类的特征积聚。这样的特征对于小目标识别来说不够有效。为此，本申请在softmax loss上添加一项center loss，即每个样本和它对应的类别的特征向量的中心的距离。
其中，xi是样本i的特征，cy是第yi类的特征中心。
以上公式第一步是做softmax归一化，以得到类别的概率估计，概率最大的类别即为分类预测结果；第二步利用KL散度拟合预测的概率分布与真实分布。这里KL散度化简之后就是交叉熵。这是经典的softmax loss用于分类的形式。
总的loss函数就是softmax loss和Center loss加权：
在每个mini batch的过程中，更新对应类的特征中心，有些类别的特征中心没有更新，一些错误的样本可能会引起扰动，所以用α控制center的学习率：
上式中，α为限制参数，用于控制C变化幅度。在训练的时候需要的显存随着类别数增加线性增长。在所示模型中有很多类别，首先才用分类的方法训练，再用Triplet loss微调，方法行之有效，能进一步提高性能。triplet loss是一个三元组，三元组的构成：从训练数据集中随机选一个样本，该样本称为Anchor，然后再随机选取一个和Anchor(记为x_a)属于同一类的样本和不同类的样本，这两个样本对应的称为Positive(记为x_p)和Negative(记为x_n)，由此构成一个(Anchor，Positive，Negative)三元组。针对三元组中的每个元素(样本)，训练一个参数共享或者不共享的网络，得到三个元素的特征表达，分别记为：f(xia)，f(xip)，f(xin)f(x_{i}^{a})，f(x_{i}^{p})，f(x_{i}^{n})f(xia)，f(xip)，f(xin)。triplet loss的目的就是通过学习，让x_a和x_p特征表达之间的距离尽可能小，而x_a和x_n的特征表达之间的距离尽可能大，并且满足以下公式：
目标函数：
这里距离用欧式距离(Eeuclidean Metric)度量，+表示[]内的值大于零的时候，取该值为损失，小于零的时候，损失为零。
由目标函数可以看出：
当x_a与x_n之间的距离＜x_a与x_p之间的距离加α时，[]内的值大于零，就会产生损失。
当x_a与x_n之间的距离＞＝x_a与x_p之间的距离加α时，损失为零。
确定卷积神经网络的模型架构。模型的骨干网络的好坏决定了模型特征提取的能力，此模型的骨干网络选用ResNeXt网络，相较于经常使用的ResNet网络，ResNeXt采用的分组的策略，在同等参数规模下，增加了结构，提高了模型的表达能力。将图像输入AI模型，计算出一个特征值，利用输出的特征值与特征库库中的图像特征值，进行余弦相似度计算，然后根据相似度的计算结果找到同一个异常项的物体。从而实现异常项的识别功能。
余弦相似度计算：
上式中，A代表单张图像提取的特征值，B代表特征库的特征值，经过归一化后进行计算，得出相似度的余弦距离值。
S106：根据各所述检查项的安全状态确定所述车辆的车况。
最后即可根据检查项的安全状态确定所述车辆的车况。
此外，还可以根据车况确定车厢编号与对应异常的映射关系，并生成映射关系对应的检车报告清单，以便根据车厢图像和检查报告清单生成车况检测日志。
本申请实施例获取到车厢数据后，先以车厢为单位进行图像切分，再以车厢为单位进行检查项的特征识别，从而先后利用训练模型和计算模型识别检查项并确定检查项的安全状态，可以在列车运行过程中智能识别车辆的车况，无需人工逐个车厢检车，提高了车况检查的效率和精度。
下文针对本申请的一种具体应用场景进行描述：
系统拓扑图参见图2所示，包括前向测速雷达1，后向测速雷达2，采集工控机3，左侧线阵相机及光源4，顶部线阵相机及光源5，右侧线阵相机及光源6，图像识别服务器7，图像存储单元8，上位机9，声光电报警器10，其中，
1)前向测速雷达1和后向测速雷达2，用于双向检测来车及来车速度，并将来车信息及车速信息发送给采集工控机3。
2)采集工控机3接收到测速雷达的来车信号，控制启动左侧线阵相机及光源4，顶部线阵相机及光源5，右侧线阵相机及光源6，开始采集图像；根据接收到的车速信息，实时控制左侧线阵相机3的采集频率，并将同步信号发送给顶部线阵相机5和右侧线阵相机6，实现三相机同步采集；三路线阵相机采集到的三路高清彩色图像分别通过千兆网(GE)接口传送至采集工控机3，自动识别车轴位置，并根据车轴位置将图像进行切分，一车一图，形成一节车厢三幅图像，切分好的高清图像通过网络传送至图像识别服务器7。
3)识别服务器7包含了已经训练完毕的训练模型和计算模型，用于按顺序接收车厢高清图片，并将图片进行分析识别；首先识别车厢编号，根据车厢编号区分车厢车型，再识别车厢的装载安全状况，判定是否异常，并对异常点进行标识，判定异常类型，得到车况。并存储异常点的图像至图像存储单元8，并将结果发送至上位机9。
4)上位机9，用于接收图像识别服务器的识别结果，发现异常时及时发报警信号给声光电报警器10，发出声光电报警，提醒人工及时处理；上位机9同时将识别结果进行汇总，形成检车报告及相关统计报表，为车检人员提供服务平台。
下面对本申请实施例提供的一种列车车况检查系统进行介绍，下文描述的列车车况检查系统与上文描述的列车车况检查方法可相互对应参照。
本申请还提供一种列车车况检查系统，包括：
图像获取模块，用于检测到车辆时，利用至少三个预设线阵相机采集所述车辆的车厢图像；其中，所述预设线阵相机分别位于所述车辆的两侧及车辆上方；
图像解析模块，用于根据所述车辆的车轴位置切分所述车厢图像，得到以车厢为单位的三维图片；所述三维图片包括所述车厢的俯视图片和两侧图片；
车厢确定模块，用于确定各所述三维图片的车厢编号，并按照车厢编号顺序依次输入至训练模型；
检查项识别模块，用于在所述训练模型中，根据所述三维图片确定所述车厢信息对应的车型，并根据所述车厢进行预设检查项的特征识别，识别得到检查项；
异常检测模块，用于确定所述检查项的标识，并调用计算模型识别所述标识对应的安全状态；
车况确定模块，用于根据各所述检查项的安全状态确定所述车辆的车况。
本申请还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请还提供了一种电子设备，可以包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然所述电子设备还可以包括各种网络接口，电源等组件。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种列车车况检查方法，其特征在于，包括：
检测到车辆时，利用至少三个预设线阵相机采集所述车辆的车厢图像；其中，所述预设线阵相机分别位于所述车辆的两侧及车辆上方；
根据所述车辆的车轴位置切分所述车厢图像，得到以车厢为单位的三维图片；所述三维图片包括所述车厢的俯视图片和两侧图片；
确定各所述三维图片的车厢编号，并按照车厢编号顺序依次输入至训练模型；
在所述训练模型中，根据所述三维图片确定所述车厢信息对应的车型，并根据所述车厢进行预设检查项的特征识别，识别得到检查项；
确定所述检查项的标识，并调用计算模型识别所述标识对应的安全状态；
根据各所述检查项的安全状态确定所述车辆的车况。
2.根据权利要求1所述的列车车况检查方法，其特征在于，还包括：
利用测速雷达检测所述车辆的车速；
根据所述车速调整所述预设线阵相机的采集行频。
3.根据权利要求2所述的列车车况检查方法，其特征在于，根据所述车速调整所述预设线阵相机的采集行频包括：
利用预设计算公式，并根据所述车速、所述预设线阵相机的每线像素数和所述车辆的宽幅确定采集行频；
其中，所述预设公式为Vc＝Hc*Vo/Lo；其中，Vc为所述采集行频，Hc为所述预设线阵相机的每线像素数，Vo为所述车速，Lo为所述车辆的宽幅。
4.根据权利要求1所述的列车车况检查方法，其特征在于，调用计算模型识别所述标识对应的安全状态之前，还包括：
利用预设数据集和卷积神经网络训练得到所述计算模型。
5.根据权利要求1所述的列车车况检查方法，其特征在于，调用计算模型识别所述标识对应的安全状态时，还包括：
确定所述检查项的安全等级；
则根据各所述检查项的安全状态确定所述车辆的车况后，还包括：
上报所述车况和所述安全等级。
6.根据权利要求4所述的列车车况检查方法，其特征在于，利用预设数据集和卷积神经网络确定所述计算模型包括：
获取预设数据集；
通过预设算法对所述数据集中的数据进行数据增强；其中所述预设算法为翻转、自动增强、随机裁剪、随机平移变换中的一种或者任意几种的组合；
确定总损失函数，以ResNeXt网络作为骨干网络构建AI模型；
将经过数据增强的所述预设数据集中的图像输入所述AI模型，计算各所述图像对应的特征值；
计算所述特征值与特征库中标准图像的图像特征值的余弦相似度，以便根据所述余弦相似度确定检查项的异常，并得到所述计算模型。
7.根据权利要求1所述的列车车况检查方法，其特征在于，根据各所述检查项的安全状态确定所述车辆的车况之后，还包括：
根据所述车况确定车厢编号与对应异常的映射关系，并生成所述映射关系对应的检车报告清单；
根据所述车厢图像和所述检查报告清单生成车况检测日志。
8.一种列车车况检查系统，其特征在于，包括：
图像获取模块，用于检测到车辆时，利用至少三个预设线阵相机采集所述车辆的车厢图像；其中，所述预设线阵相机分别位于所述车辆的两侧及车辆上方；
图像解析模块，用于根据所述车辆的车轴位置切分所述车厢图像，得到以车厢为单位的三维图片；所述三维图片包括所述车厢的俯视图片和两侧图片；
车厢确定模块，用于确定各所述三维图片的车厢编号，并按照车厢编号顺序依次输入至训练模型；
检查项识别模块，用于在所述训练模型中，根据所述三维图片确定所述车厢信息对应的车型，并根据所述车厢进行预设检查项的特征识别，识别得到检查项；
异常检测模块，用于确定所述检查项的标识，并调用计算模型识别所述标识对应的安全状态；
车况确定模块，用于根据各所述检查项的安全状态确定所述车辆的车况。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的列车车况检查方法的步骤。
10.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如权利要求1-7任一项所述的列车车况检查方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111563032.9A CN114241476A (zh) | 2021-12-20 | 2021-12-20 | 一种列车车况检查方法、系统及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111563032.9A CN114241476A (zh) | 2021-12-20 | 2021-12-20 | 一种列车车况检查方法、系统及相关装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114241476A true CN114241476A (zh) | 2022-03-25 |
Family
ID=80759298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111563032.9A Pending CN114241476A (zh) | 2021-12-20 | 2021-12-20 | 一种列车车况检查方法、系统及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114241476A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115063903A (zh) * | 2022-06-08 | 2022-09-16 | 深圳市永达电子信息股份有限公司 | 一种铁路货列厢体异常监测方法以及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190380792A1 (en) * | 2018-06-19 | 2019-12-19 | Tornier, Inc. | Virtual guidance for orthopedic surgical procedures |
| CN111080598A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 |
| CN111553993A (zh) * | 2020-04-23 | 2020-08-18 | 深圳智优停科技有限公司 | 一种基于图像识别的开放式停车计费方法与装置 |
| CN111582075A (zh) * | 2020-04-23 | 2020-08-25 | 广州铁路职业技术学院（广州铁路机械学校） | 一种列车底部转向架的螺丝松动和异物检测方法和系统 |
| CN112508034A (zh) * | 2020-11-03 | 2021-03-16 | 精英数智科技股份有限公司 | 货运列车故障检测方法、装置及电子设备 |
-
2021
- 2021-12-20 CN CN202111563032.9A patent/CN114241476A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190380792A1 (en) * | 2018-06-19 | 2019-12-19 | Tornier, Inc. | Virtual guidance for orthopedic surgical procedures |
| CN111080598A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 |
| CN111553993A (zh) * | 2020-04-23 | 2020-08-18 | 深圳智优停科技有限公司 | 一种基于图像识别的开放式停车计费方法与装置 |
| CN111582075A (zh) * | 2020-04-23 | 2020-08-25 | 广州铁路职业技术学院（广州铁路机械学校） | 一种列车底部转向架的螺丝松动和异物检测方法和系统 |
| CN112508034A (zh) * | 2020-11-03 | 2021-03-16 | 精英数智科技股份有限公司 | 货运列车故障检测方法、装置及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 张飞 等: ""缸盖表面缺陷在线检测系统设计与状态分析"", 《仪表技术与传感器》 * |
| 黄宏伟 著: "《隧道结构非接触式快速检测与健康评估》", 31 December 2018 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115063903A (zh) * | 2022-06-08 | 2022-09-16 | 深圳市永达电子信息股份有限公司 | 一种铁路货列厢体异常监测方法以及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
| CN105260744B (zh) | 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统 | |
| CN111652227B (zh) | 铁路货车底部地板破损故障检测方法 | |
| Kuo et al. | Gray relational analysis for recognizing fabric defects | |
| CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
| CN107220603A (zh) | 基于深度学习的车辆检测方法及装置 | |
| CN113962274B (zh) | 一种异常识别方法、装置、电子设备及存储介质 | |
| CN116383450A (zh) | 一种铁路公路物流运输信息综合管理系统 | |
| CN110223266A (zh) | 一种基于深度卷积神经网络的列车轮对踏面损伤故障诊断方法 | |
| CN109165541A (zh) | 用于智能识别轨道交通车辆图像中车辆零部件的编码方法 | |
| CN113516629A (zh) | Tfds通过作业智能检测系统 | |
| CN110415260B (zh) | 基于字典与bp神经网络的烟雾图像分割与识别方法 | |
| CN111223087B (zh) | 一种基于生成对抗网络的桥梁裂缝自动检测方法 | |
| CN109460787A (zh) | 入侵检测模型建立方法、装置及数据处理设备 | |
| CN111667655A (zh) | 基于红外图像的高速铁路安全区入侵警报装置及方法 | |
| CN114241476A (zh) | 一种列车车况检查方法、系统及相关装置 | |
| CN111079748A (zh) | 铁路货车滚轴承甩油故障检测方法 | |
| CN113378648A (zh) | 一种人工智能港口码头监控方法 | |
| CN113221759A (zh) | 基于异常检测模型的道路遗撒识别方法以及装置 | |
| CN115600124A (zh) | 地铁隧道巡检系统及巡检方法 | |
| CN112258483B (zh) | 一种钩尾销插托错位和螺母丢失故障检测方法 | |
| CN116778460A (zh) | 一种基于图像识别的疲劳驾驶识别方法 | |
| CN115546617A (zh) | 基于改进fct网络的车门锁闭装置配件丢失检测方法及装置 | |
| CN115424128A (zh) | 一种货车转向架下拉杆故障图像检测方法及系统 | |
| CN116739963A (zh) | 一种基于多层级多尺度特征融合的电网设备缺陷检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220325 |