CN115359440B - 一种基于物联网的铁路机车智能安全运行及系统 - Google Patents

一种基于物联网的铁路机车智能安全运行及系统 Download PDF

Info

Publication number
CN115359440B
CN115359440B CN202211037476.3A CN202211037476A CN115359440B CN 115359440 B CN115359440 B CN 115359440B CN 202211037476 A CN202211037476 A CN 202211037476A CN 115359440 B CN115359440 B CN 115359440B
Authority
CN
China
Prior art keywords
image
data
locomotive
abnormal
braking
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
CN202211037476.3A
Other languages
English (en)
Other versions
CN115359440A (zh
Inventor
李罡
曹俊
胡翔
杨明明
何安琪
郑凯
陈凡
艾佳
干江红
刘丽雯
张素洁
黄棚承
马世俊
杨典
敖司晗
彭国威
张燃燃
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.)
Wuhan Railway Vocational College of Technology
Original Assignee
Wuhan Railway Vocational College of Technology
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 Wuhan Railway Vocational College of Technology filed Critical Wuhan Railway Vocational College of Technology
Priority to CN202211037476.3A priority Critical patent/CN115359440B/zh
Publication of CN115359440A publication Critical patent/CN115359440A/zh
Application granted granted Critical
Publication of CN115359440B publication Critical patent/CN115359440B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/40—Transportation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/30—Control
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/50—Safety; Security of things, users, data or systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/60—Positioning; Navigation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Security & Cryptography (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mechanical Engineering (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明属于铁路交通领域，为一种铁路机车控制方法，具体是一种基于物联网的铁路机车智能安全运行及系统；应用于服务器，包括以下方法：基于多个来源获取第一数据；判断所述第一数据是否异常；基于判断结果确定机车制动过程，当所述第一数据为异常状态时，控制机车进行制动处理，当所述第一数据为正常状态时，控制机车进行正常行驶；本申请实施例提供的技术方案中，通过获取机车运行过程中前方的异常情况的识别以及运行过程中机车运行异常的识别，确定机车运行情况的异常状态，并基于异常状态通过异常制动模型对机车的制动方式以及制动速度进行控制，避免了因为紧急制动对于机车运行平稳度的影响，降低了因为紧急制动所带来的机车运行风险。

Description

一种基于物联网的铁路机车智能安全运行及系统
技术领域
本发明属于铁路交通领域，为一种铁路机车控制方法，具体是一种基于物联网的铁路机车智能安全运行及系统。
背景技术
随着轨道交通技术的提高，机车设备不断朝高速、重载方向发展。近年来，国内的机车(火车、地铁)的数量也越来越多，因此对机车安全性能的要求也越来越高。
为了能够掌握机车的运行状态，需要将机车运行状态数据(机车运行速度、机车故障信息、机车停靠位置等)传输至相关设备中，以便于工作人员查看。目前的机车运行状态数据传输方法主要是：车载信息平台采集机车运行状态数据，并将采集的数据进行相应的处理，之后发送给车载卫星通信装置；车载卫星通信装置再将机车运行状态数据发送至地面远程监视平台，供工作人员查看。
由于地面远程监视平台接收的机车运行状态数据过多，当机车出现故障时，没有相应的提示信息，若工作人员未及时发现，则可能造成严重事故。此外，一旦监测到某辆机车出现故障后需要通过其它渠道反馈到司乘人员和相关维修人员，导致反馈时间过长，影响故障处理进度，甚至出现安全事故。
并且因为在机车在运行过程中，在轨道上经常出现异常情况，例如在山体滑坡路段因为自然灾害导致的障碍物会严重影响机车的安全运行，还可能存在在轨道上其他障碍物。
并且，在现有技术中针对于出现异常情况时，通常采用紧急制动的方式实现机车的行驶停止。但因为紧急制动会造成机车运行不平稳的问题，并且因为机车运行不平稳会造成机车的行驶危险。
发明内容
本申请实施例提供一种基于物联网的铁路机车智能安全运行及系统，以通过建立机器学习模型，通过对于铁轨沿线异常情况以及机车的形式异常情况的识别判断，并将异常的报警信息发送至机车控制部，通过设置的异常制动模型针对于机车的制动进行控制。
为了达到上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种基于物联网的铁路机车智能安全运行方法，应用于服务器，包括以下方法：基于多个来源获取第一数据；判断所述第一数据是否异常；基于判断结果确定机车制动过程，当所述第一数据为异常状态时，控制机车进行制动处理，当所述第一数据为正常状态时，控制机车进行正常行驶；当所述第一数据为异常状态时，控制机车进行制动处理，包括以下方法：基于异常的第一数据确定机车异常状态；基于机车异常状态确定预设置的异常制动模型；基于异常的第一数据确定制动距离；基于制动距离对机车制动速度进行控制；所述第一数据包括图像数据和机车行驶数据，所述图像数据基于按一定距离设置的图像获取模块获得，所述机车行驶数据基于设置于机车内的数据获取模块获得。
在第一方面的第一种可能的实现方式中，获取所述图像数据包括以下过程：确定机车对应的最近的数据采集模块；下发图像数据采集命令至最近的数据采集模块；基于图像数据采集命令进行图像采集。
结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，判断所述图像数据是否异常，包括以下方法：对所述图像数据进行分割，得到第一分割图像和第二分割图像；提取所述第一分割图像和所述第二分割图像的参数坐标，以及所述第一分割图像和所述第二分割图像的参数坐标比，得到判断结果，具体包括以下方法：基于所述第一分割图像和所述第二分割图像的参数坐标比与参数坐标比阈值进行比较；当所述第一分割图像和所述第二分割图像的参数坐标比大于所述阈值时，所述图像数据为正常；当所述第一分割图像和所述第二分割图像的参数坐标比小于或等于所述阈值时，所述图像数据为异常。
结合第一方面的第二种可能的实现方式，在第三种可能的实现方式中，所述图像数据进行分割，得到第一分割图像和第二分割图像，包括以下方法：在所述服务器内获取与所述图像采集模块对应的分割模型；基于所述分割模型对所述图像数据进行分割；所述分割模型的获取包括以下方法：基于所述图像采集模块获取初始图像为样本图像；对所述样本图像进行标注，生成样本图像对应的标签图像及包含标注结果的文本文件，并构建初始数据集；对所述初始数据集中的样本图像进行数据增强，进而获得图像增强后的增强训练集；构建神经网络并设置神经网络的训练参数；基于所述增强训练集以及神经网络训练分割模型。
结合第一方面的第三种可能的实现方式，在第四种可能的实现方式中，对所述样本图像进行标注，包括以下方法：对所述初始图像按照预设划分规则进行划分，得到若干个待标注图像；将所述若干个待标注图像输入至经训练得到的图像标注算法模型中进行图像标注，得到对应的区域标注图像；将所述对应的区域标注图像按照预设组合规则进行组合，得到自动标注图像；所述将所述初始图像按照预设划分规则进行划分，得到若干个待标注图像之前，所述方法还包括：对所述初始图像的目标区域进行轮廓标记，得到所述初始图像中轮廓标记外的图片内容；将所述轮廓标记外的图片内容采用预设颜色进行覆盖，得到预处理图像；将所述初始图像按照预设划分规则进行划分，得到若干个待标注图像，包括：将所述预处理图像按照预设划分规则进行划分，得到若干个待标注图像。
在第一方面的第五种可能的实现方式中，所述机车行驶数据包括多个关键设备的实时运行数据，判断所述机车行驶数据包括以下方法：获取多个所述关键设备的运行数据阈值；基于多个所述实时运行数据与对应的所述运行数据阈值进行比较；基于阈值比较结果确定实时运行数据是否异常；获取多个关键设备的运行数据阈值包括以下方法：获取各项运行数据的样本数据，并确定所述样本数据中目标特征的特征取值；其中，所述目标特征为所述各项运行数据具有的特征；对所述特征取值进行变换，变换后的所述特征取值对应的概率密度分布结果符合设定的分布形态要求；根据变换后的所述特征取值对应的概率密度分布结果和预先设定的所述各项运行数据的查出率，确定所述目标特征对应的阈值；其中，所述目标特征对应的阈值用于在各项运行数据中查出所述各项运行数据，查出的所述各项运行数据的数量占全部所述各项运行数据的数量的比率为所述查出率。
在第一方面的第五种可能的实现方式，在第六种可能的实现方式中，所述方法还包括：对变换后的所述特征取值进行概率密度分布，得到变换后的所述特征取值对应的概率密度分布结果；利用校验模型对变换后的所述特征取值对应的概率密度分布结果进行校验，得到变换后的所述特征取值对应的概率密度分布的形态与设定的分布形态之间的相似度；若所述相似度大于相似度阈值，则确定变换后的所述特征取值对应的概率密度分布结果符合设定的分布形态要求。
在第一方面的第一种可能的实现方式，在第七种可能的实现方式中，，当所述图像数据为异常状态时，控制机车进行制动处理，包括以下方法：基于异常的图像数据确定制动距离；基于制动距离对机车制动速度进行控制；基于异常的图像数据确定制动距离包括：获取机车实时运行位置与异常发生位置确定制动距离；基于制动距离对机车制动速度进行控制，包括以下方法：切除机车牵引使能，并获取机车实时运行速度，基于预设置的异常制动模型确定ATP曲线，当所述实时运行速度超过ATP速度曲线时，触发紧急制动。
结合第一方面的第一种可能实现方式，提供第八种可能的实现方式中，当所述机车行驶数据为异常状态时，控制机车进行制动处理，包括以下方法：提取所述机车行驶数据的异常行为特征，所述异常行为特征用于表征机车异常状态；基于所述异常行为特征确定对应的异常制动模型；基于异常制动模型控制所述机车进行紧急制动。
第二方面，本申请实施例还提供一种基于物联网的铁路机车智能安全运行系统，包括服务器和与所述服务器通信的机车以及数据获取模块；所述服务器包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如以上所述任一项所述的基于物联网的铁路机车智能安全运行方法。
本申请实施例提供的技术方案中，通过获取机车运行过程中前方的异常情况的识别以及运行过程中机车运行异常的识别，确定机车运行情况的异常状态，并基于异常状态通过异常制动模型对机车的制动方式以及制动速度进行控制，避免了因为紧急制动对于机车运行平稳度的影响，降低了因为紧急制动所带来的机车运行风险。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中示例数字在附图的各个视图中代表相似的机构。
图1是本申请的一些实施例所示的基于物联网的铁路机车智能安全运行方法的流程图；
图2是本申请的一些实施例所示的基于物联网的铁路机车智能安全运行系统结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本申请。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本申请的方面。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
参阅图2，本申请实施例提供一种基于物联网的铁路机车智能安全运行系统，包括服务器和与服务器通信的机车以及数据获取模块。在本实施中，数据获取模块用于获取机车运行过程中的实时数据，其中数据获取模块包括图像数据获取模块和实时运行数据获取模块，其中图像数据模块主要为摄像头，并且在本实施例中摄像头沿轨道进行排布设置，其设置的方式可以为相隔一定距离的设置，还可以为在重要运行节点进行设置。在本实施例中，图像数据获取模块主要用于获取沿轨道中出现的影响机车行驶的障碍物，其中障碍物包括落石以及牲畜等大型物体。针对于落石主要产生在泥石流以及山体滑坡的地段，而针对于落石以及山体滑坡等特殊的自然灾害发生地段较为特殊，则针对于以上自然灾害发生地段可进行摄像头的配置。而针对于牲畜出现随机性较高，则针对于此类情况摄像头的配置可为沿轨道沿线按照均匀的距离进行排布。
在本实施例中，服务器包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序，其中处理器执行计算机程序时实现基于物联网的铁路机车智能安全运行方法，实现对于机车安全运行的控制。
在本实施例中，存储模块划分为两个存储区域，其中一个存储区为程序存储单元，另一个存储区域为数据存储单元。程序存储单元相当于固件区，该区域的读写权限设置为只读模式，其内存储的数据不可擦除和更改。而数据存储单元中的数据可以进行擦除或读写，当数据存储区域的容量已满时，新写入的数据会对最早期的历史数据进行覆盖。
其中，存储器可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Ele超声ric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(DSP))、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
参阅图1，本申请实施例提供一种基于物联网的铁路机车智能安全运行，用于对机车运行过程中出现的异常情况进行识别，并根据识别的异常情况进行机车的运行控制。
在本实施例中，方法具体包括以下过程：
步骤S100.基于多个来源获取第一数据。
步骤S200.判断第一数据是否异常。
步骤S300.基于判断结果确定机车制动过程，当第一数据为异常状态时，控制机车进行制动处理，当第一数据为正常状态时，控制机车进行正常行驶。
在本实施例中，针对于步骤S100基于多个来源获取第一数据，其中第一数据为通过数据获取模块采集到的机车运行过程中的数据。在本实施例中，数据获取模块包括图像数据获取模块和机车实时运行数据获取模块，其中图像数据获取模块用于获取机车运行过程中前进方向中的图像数据，实时运行数据获取模块用于获取机车工作过程中关键设备进行运行的实时数据。
在本实施例中，针对于图像数据获取模块包括摄像头，并且根据机车行驶的环境状态，其中摄像头包括摄像头本体以及设置在摄像头本体上的补光装置，其中补光装置用于在夜间进行图像获取时的补光处理，用于获取清晰的图像数据。
针对于机车运行过程中关键设备的实时运行数据，实时运行数据获取模块可以为配置在对应关键设备上的传感器，用于采集关键设备的工作数据。其中关键设备包括但不限于动力部件、刹车制动部件以及其他部件。
在本实施例中，第一数据基于不同的数据采集模块为不同的数据类型。例如当数据采集模块为图像数据采集模块时，第一数据为图像数据；当数据采集模块为实时运行数据时，第一数据为对应关键设备的实时运行数据，其中第一数据的类型可以针对不同的关键设备配置不同的采集逻辑，例如当对动力部件进行数据采集时，第一数据为动力部件的功率数据。
针对于步骤S100，判断第一数据是否异常。
在本实施例中，针对于第一数据的不同类型进行说明。
当第一数据为图像数据时，判断图像数据是否异常，包括以下方法：
步骤S110.确定机车对应的最近的图像采集模块。
在本实施例中，图像采集模块中配置有信号发送装置，在机车中配置有信号接收装置，通过信号发送装置发送实时带有编码的信息，经过机车可以通过接收对应编码的信息与图像采集模块建立通信，通过建立的通信关系使图像采集模块进行图像采集的执行。
但因为机车的运行是动态运动，并且因为图像采集模块并非完全按照平均排布的方式沿轨道进行设置，且图像采集模块的信息传输范围具有最大值。所以会产生一种问题，即相邻的两个图像采集模块的信息传输范围会产生重叠，当机车进行运行过程时，经过重叠区域为了避免重复信息的接收，需要对已经建立联系的图像采集模块进行剔除。包括以下方法：
记录机车与图像采集模块之间的距离，当距离向量为0时，即机车经过图像采集模块时，接触图像采集模块与机车之间的通信关系。并在运行过程中，基于最近原则建立与下一个最近的图像采集模块之间的通信关系。
步骤S120.下发图像数据采集命令至最近的数据采集模块。
在本实施例，当机车与图像采集模块建立通信联系时，通过下发图像数据采集命令至对应的图像采集模块，实现图像数据的采集。
步骤S130.基于图像数据采集命令进行图像采集。
针对于步骤S200.判断第一数据是否异常，包括以下方法：
步骤S210.对图像数据进行分割，得到第一分割图像和第二分割图像。
在本实施例中，因为通过摄像头获取的是视频数据，需要将视频数据转换为对应的可进行比对的图像数据，针对于从视频数据转换为图像数据主要为通过在视频数据中获取视频帧，对应的视频帧即为图像数据，为铁路沿线外部图像。因为摄像头固定设置在铁路沿线，而铁路沿线的图像数据在一定程度上大部分图像表达是相同的。在对铁路沿线图像进行异常行为识别时，为了降低识别成本提高识别准确度，需要将外部环境图像与包含有异常行为的图像进行分割，仅对被包含异常行为的图像进行识别确定是否具有异常行为。
具体的分割方法包括：
步骤S211.在服务器内获取与摄像头对应的分割模型。
在本实施例中，服务器配合多个摄像头，而针对于单次采集的图像进行识别时需要确定对应的摄像头以及对应的分割模型。
在本实施例中，分割模型主要用于铁路沿线图像进行分割，其中针对于分割模型的获取方法包括以下方法：
基于摄像头对铁路沿线拍照获取初始图像为样本图像。
对样本图像进行标注，生成样本图像对应的标签图像及包含标注结果的文本文件，并构建初始数据集。
对初始数据集中的样本图像进行数据增强，进而获得图像增强后的增强训练集。
构建神经网络并设置神经网络的训练参数。
基于增强训练集以及神经网络训练分割模型。
本实施例通过神经网络以及含有标注信息的训练集进行分割模型的生成。在本实施例中神经网络为UNet神经网络，因为神经网络的建立以及神经网路的应用属于较为常规的机器学习算法，在本实施例中不进行累述。
并且，在本实施例中为了降低人工标注所带来的时间成本，通过建立自动标注的方式对样本图像进行标注，具体包括以下方法：
对初始图像按照预设划分规则进行划分，得到若干个待标注图像。
在本实施例中，样本图像为在监测之前进行采集的图像，并非为监测中采集到的实时图像。而针对于样本图像的获得可为通过手机或相机等设备拍摄的图像，还可为从摄像头设备的视频中截取的图像或其他图像，本实施例对此不作限制。
可以理解的是，样本图像可为在一般光照条件下或夜间拍摄的图像，初始图像也可为雨天、雾天、雪天条件下进行拍摄的图像。样本图像为夜间拍摄的图像时，图像识别自动标注设备可自动为图像进行补光等处理，对模糊的初始图像，图像识别自动标注设备可自动为图像进行清晰调节等处理，本实施例对此不作限制。
将样本图像按照预设划分规则进行划分，得到若干个待标注图像。
可以理解的，因为样本图像为铁路沿线的图像，包括不同性质的物体，例如建筑物、树、花草、天、道路、山体等。预设划分规则可以将铁路沿线图像按照不同性质物体进行划分，本实施例对此不作限制。
将若干个待标注图像输入至经训练得到的图像标注算法模型中进行图像标注，得到对应的区域标注图像。
可以理解的是，图像标注算法模型可为通过选择最权威、最标准的数据集进行图像自动标注算法的训练所建立的模型，图像标注算法模型的数据集包括多种特征和最丰富的图像资源，本实施例对此不做限制。
可以理解的是，图像标注算法模型可标注区域图像类型、区域图像颜色信息或区域图像数字信息等特征信息。待标注图像为铁路沿线图像时，图像标注算法模型可在图像上标注不同性质的物体属性。
将对应的区域标注图像按照预设组合规则进行组合，得到自动标注图像。
可以理解的是，预设组合规则可与预设划分规则对应，当预设划分规则为将铁路沿线图像中各不同性质的物体的长宽高的网格进行划分时，图像识别自动标注设备可将网格依次进行标号，根据网格标号顺序将区域标注图像放入对应的网格中，再对网格中的区域标注图像进行组合，得到自动标注图像。
可以理解的是，当预设划分规则为将铁路沿线图像中各不同性质的物体的长宽高的网格进行划分时，图像识别自动标注方法还可以在网格中建立坐标系，记录待标注图像的坐标位置信息，根据坐标位置信息将区域标注图像放入对应的网格中，再对网格中的区域标注图像进行组合，得到自动标注图像。
本实施例中通过获取样本图像，将样本图像按照预设划分规则进行划分，得到若干个待标注图像，将若干个待标注图像输入至经训练得到的图像标注算法模型中进行图像标注，得到对应的区域标注图像，将对应的区域标注图像按照预设组合规则进行组合，得到自动标注图像。通过将样本图像划分为若干个待标注图像，将待标注图像输入图像标注算法模型中标注图片，得到区域标注图像，再将区域标注图像组合为完整的自动标注图像，无需任何人工操作，从而减小了受人为因素干扰的错误率，提高了图像标注的工作效率。
将所述初始图像按照预设划分规则进行划分，得到若干个待标注图像之前，还包括：
对初始图像的目标区域进行轮廓标记，得到初始图像中轮廓标记外的图片内容。
可以理解的是，图像识别自动标注设备对样本图像的目标区域进行轮廓标记，目标区域的轮廓可为目标区域的边缘线，边缘线可为连续封闭的曲线，也可以为任意形状的线段。
将轮廓标记外的图片内容采用预设颜色进行覆盖，得到预处理图像。
在本实施例中，轮廓标记外的图片内容可为非标注区域图像，非标注区域图像可为对标注内容不相关或影响图像标注的区域图像，图像识别自动标注方法可对轮廓标记外的图片内容采用预设颜色进行覆盖，以去除无关因素对图像标注的影响，预设颜色可根据用户的实际需求进行选取，本实施例对此不作限制。
将样本图像按照预设划分规则进行划分，得到若干个待标注图像，包括：将预处理图像按照预设划分规则进行划分，得到若干个待标注图像。
在本实施例中，第一分割图像为铁轨图像，第二分割图像为靠近铁轨的其他物体的图像。
针对于分割后的图像较多，则通过与第一分割图像靠近距离最近的原则确定第二分割图像。
步骤S220.提取第一分割图像和第二分割图像的参数坐标，以及第一分割图像和第二分割图像的参数坐标比，得到判断结果。
针对于第一分割图像和第二分割图像在整体图像数据中的参数坐标确定，用于获取第一分割图像和第二分割图像之间的相对位置，并且通过第一分割图像和第二分割图像之间的相对位置确定第二分割图像是否与第一分割图像进行接触。当第二分割图像与第一分割图像接触时，则说明在铁轨上具有障碍物。
而针对于步骤S220，具体包括以下方法：
基于第一分割图像和第二分割图像的参数坐标比与参数坐标比阈值进行比较，当第一分割图像和第二分割图像的参数坐标比大于阈值时，其中图像数据为正常，当第一分割图像和第二分割图像的参数坐标比小于或等于阈值时，图像数据为异常。
针对于第一分割图像和第二分割图像是否接触，则通过第一分割图像和第二分割图像的参数坐标比进行确定，通过设置第一分割图像和第二分割图像的参数坐标比的阈值，当参数坐标比大于阈值时，其中图像数据为正常，当第一分割图像和第二分割图像的参数坐标比小于或等于阈值时，图像数据为异常，即在铁轨上具有影响机车运行的障碍物。
针对于步骤S300.基于判断结果确定机车制动过程，当第一数据为异常状态时，控制机车进行制动处理，当第一数据为正常状态时，控制机车进行正常行驶。
在本实施例中，当第一数据为异常状态时，控制机车进行制动处理，包括以下方法：
步骤S310.基于异常的图像数据确定制动距离。
步骤S320.基于制动距离对机车制动速度进行控制。
在本实施例中，基于异常的图像数据确定制动距离包括：获取机车实时运行位置与异常发生位置确定制动距离。
基于制动距离对机车制动速度进行控制，包括以下方法：切除机车牵引使能，并获取机车实时运行速度，基于预设置的异常制动模型确定ATP曲线，当所述实时运行速度超过ATP速度曲线时，触发紧急制动。
在本实施例中，为了降低因为紧急制动给车辆带来的行驶平稳以及行驶危险，所以对机车的运行速度进行控制。通过对于发生障碍物与机车之间的距离确定机车的制动距离，并且基于预设值的异常制动模型确定ATP曲线，当实时运行速度未超过ATP速度曲线，无需采用紧急制动方式；当实施运行速度超过ATP速度曲线时，触发紧急制动，实现对于机车的紧急制动。
以上实施例这对于图像数据进行机车控制的过程，这对于机车实时运行数据进行机车控制，包括以下方法：
步骤S100.基于多个来源获取第一数据。
在本实施例中，第一数据为机车实时运行数据。因为采集的数据为机车实时运行数据，则可通过设置在多个关键设备上的传感器获取对应关键设备上的实时运行数据。
步骤S200.判断第一数据是否异常。
在本实施例中，针对于机车实时运行数据的判断，基于设置的运行数据的阈值进行判断，当机车实时运行数据超过运行数据的阈值时，则说明机车实时运行数据为异常数据，其所对应的关键设备处于异常状态。
步骤S300.基于判断结果确定机车制动过程，当第一数据为异常状态时，控制机车进行制动处理，当第一数据为正常状态时，控制机车进行正常行驶。
具体包括以下方法：
步骤S310.提取异常数据中的异常行为特征，其中异常行为特征用于表征机车异常状态。
步骤S320.基于异常行为特征确定对应的异常制动模型。
在本实施例中，针对于单一的异常行为特征可以直接进行确定，针对于多个异常行为特征需要异常制动模型对多个异常行为特征进行融合得到目标异常行为特征，在本实施例中特征融合基于聚类分析算法对多个异常行为特征进行聚类分析得到目标异常行为特征。
步骤S330.基于异常制动模型控制机车进行紧急制动。
在本实施例中，异常制动模型用于确定目标异常行为特征，并针对目标异常行为特征进行赋值，当赋值结果超过阈值范围时，采取紧急制动，当赋值结果未超过阈值范围时，切除机车牵引使能，使机车进行自然降速。在本实施例中，针对于赋值处理基于现有算法进行实现。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，当计算机程序在计算机上执行时，使得计算机执行本申请实施例提供的基于物联网的铁路机车智能安全运行方法。
需要理解的是，针对上述内容没有进行名词解释的技术术语，本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定其所指代的含义，例如针对一些阈值、系数等术语，本领域技术人员可以根据前后的逻辑关系进行推导和确定，这些数值的取值范围可以根据实际情况进行选取，例如0.1～1，又例如1～10，再例如50～100，在此均不作限定。
本领域技术人员可以根据上述已公开的内容毫无疑义对一些预设的、基准的、预定的、设定的以及偏好标签的技术特征/技术术语进行确定，例如阈值、阈值区间、阈值范围等。对于一些未作解释的技术特征术语，本领域技术人员完全能够基于前后文的逻辑关系进行合理地、毫无疑义地推导，从而清楚、完整地实施上述技术方案。未作解释的技术特征术语的前缀，例如“第一”、“第二”、“示例”、“目标”等，可以根据前后文进行毫无疑义地推导和确定。未作解释的技术特征术语的后缀，例如“集合”、“列表”等，也可以根据前后文进行毫无疑义地推导和确定。
本申请实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解，本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本申请所记载的内容进行的，因此上述内容并不是对整体方案的创造性的评判。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定术语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同部分两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。
另外，本领域普通技术人员可以理解的是，本申请的各个方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“单元”、“组件”或“系统”。此外，本申请的各方面可以表现为位于至少一个计算机可读介质中的计算机产品，所述产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤缆线、RF、或类似介质、或任何上述介质的组合。
本申请各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写，包括面向对象程序设计，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET，Python等，或类似的常规程序编程语言，如"C"编程语言，Visual Basic，Fortran2003，Perl，COBOL 2002，PHP，ABAP，动态编程语言如Python，Ruby和Groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网络(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非申请专利范围中明确说明，本申请所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的申请专利范围并不仅限于披露的实施例，相反，申请专利范围旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件装置实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或行动装置上安装所描述的系统。
同样应当理解的是，为了简化本申请揭示的表述，从而帮助对至少一个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

Claims (4)

1.一种基于物联网的铁路机车智能安全运行方法，其特征在于，应用于服务器，包括以下方法：
基于多个来源获取第一数据；
判断所述第一数据是否异常；
基于判断结果确定机车制动过程，当所述第一数据为异常状态时，控制机车进行制动处理，当所述第一数据为正常状态时，控制机车进行正常行驶；
当所述第一数据为异常状态时，控制机车进行制动处理，包括以下方法：
基于异常的第一数据确定机车异常状态；
基于机车异常状态确定预设置的异常制动模型；
基于异常的第一数据确定制动距离；
基于制动距离对机车制动速度进行控制；
所述第一数据包括图像数据和机车行驶数据，所述图像数据基于按一定距离设置的图像获取模块获得，所述机车行驶数据基于设置于机车内的数据获取模块获得；
获取所述图像数据包括以下过程：
确定机车对应的最近的数据采集模块；
下发图像数据采集命令至最近的数据采集模块；
基于图像数据采集命令进行图像采集；
判断所述图像数据是否异常，包括以下方法：
对所述图像数据进行分割，得到第一分割图像和第二分割图像；
第一分割图像为铁轨图像，第二分割图像为靠近铁轨的其他物体的图像；
针对于分割后的图像较多，则通过与第一分割图像靠近距离最近的原则确定第二分割图像；
步骤S220.提取第一分割图像和第二分割图像的参数坐标，以及第一分割图像和第二分割图像的参数坐标比，得到判断结果；
针对于第一分割图像和第二分割图像在整体图像数据中的参数坐标确定，用于获取第一分割图像和第二分割图像之间的相对位置，并且通过第一分割图像和第二分割图像之间的相对位置确定第二分割图像是否与第一分割图像进行接触；当第二分割图像与第一分割图像接触时，则说明在铁轨上具有障碍物；
而针对于步骤S220，具体包括以下方法：
基于第一分割图像和第二分割图像的参数坐标比与参数坐标比阈值进行比较，当第一分割图像和第二分割图像的参数坐标比大于阈值时，其中图像数据为正常，当第一分割图像和第二分割图像的参数坐标比小于或等于阈值时，图像数据为异常；
针对于第一分割图像和第二分割图像是否接触，则通过第一分割图像和第二分割图像的参数坐标比进行确定，通过设置第一分割图像和第二分割图像的参数坐标比的阈值，当参数坐标比大于阈值时，其中图像数据为正常，当第一分割图像和第二分割图像的参数坐标比小于或等于阈值时，图像数据为异常，即在铁轨上具有影响机车运行的障碍物；
对所述图像数据进行分割，得到第一分割图像和第二分割图像，包括以下方法：
在所述服务器内获取与图像采集模块对应的分割模型；
基于所述分割模型对所述图像数据进行分割；
所述分割模型的获取包括以下方法：
基于所述图像采集模块获取初始图像为样本图像；
对所述样本图像进行标注，生成样本图像对应的标签图像及包含标注结果的文本文件，并构建初始数据集；
对所述初始数据集中的样本图像进行数据增强，进而获得图像增强后的增强训练集；
构建神经网络并设置神经网络的训练参数；
基于所述增强训练集以及神经网络训练分割模型；
其特征在于，对所述样本图像进行标注，包括以下方法：
对所述初始图像按照预设划分规则进行划分，得到若干个待标注图像；
将所述若干个待标注图像输入至经训练得到的图像标注算法模型中进行图像标注，得到对应的区域标注图像；
将所述对应的区域标注图像按照预设组合规则进行组合，得到自动标注图像；
所述将所述初始图像按照预设划分规则进行划分，得到若干个待标注图像之前，所述方法还包括：
对所述初始图像的目标区域进行轮廓标记，得到所述初始图像中轮廓标记外的图片内容；
将所述轮廓标记外的图片内容采用预设颜色进行覆盖，得到预处理图像；
将所述初始图像按照预设划分规则进行划分，得到若干个待标注图像，包括：
将所述预处理图像按照预设划分规则进行划分，得到若干个待标注图像；
记录机车与图像采集模块之间的距离，当距离向量为0时，即机车经过图像采集模块时，接触图像采集模块与机车之间的通信关系；并在运行过程中，基于最近原则建立与下一个最近的图像采集模块之间的通信关系；
步骤S310.基于异常的图像数据确定制动距离；
步骤S320.基于制动距离对机车制动速度进行控制；
基于异常的图像数据确定制动距离包括：获取机车实时运行位置与异常发生位置确定制动距离；
基于制动距离对机车制动速度进行控制，包括以下方法：切除机车牵引使能，并获取机车实时运行速度，基于预设置的异常制动模型确定ATP曲线，当所述实时运行速度超过ATP速度曲线时，触发紧急制动；
通过对于发生障碍物与机车之间的距离确定机车的制动距离，并且基于预设值的异常制动模型确定ATP曲线，当实时运行速度未超过ATP速度曲线，无需采用紧急制动方式；当实施运行速度超过ATP速度曲线时，触发紧急制动，实现对于机车的紧急制动。
2.根据权利要求1所述的基于物联网的铁路机车智能安全运行方法，其特征在于，所述机车行驶数据包括多个关键设备的实时运行数据，判断所述机车行驶数据包括以下方法：
获取多个所述关键设备的运行数据阈值；
基于多个所述实时运行数据与对应的所述运行数据阈值进行比较；
基于阈值比较结果确定实时运行数据是否异常；
获取多个关键设备的运行数据阈值包括以下方法：
获取各项运行数据的样本数据，并确定所述样本数据中目标特征的特征取值；其中，所述目标特征为所述各项运行数据具有的特征；
对所述特征取值进行变换，变换后的所述特征取值对应的概率密度分布结果符合设定的分布形态要求；
根据变换后的所述特征取值对应的概率密度分布结果和预先设定的所述各项运行数据的查出率，确定所述目标特征对应的阈值；
其中，所述目标特征对应的阈值用于在各项运行数据中查出所述各项运行数据，查出的所述各项运行数据的数量占全部所述各项运行数据的数量的比率为所述查出率。
3.根据权利要求2所述的基于物联网的铁路机车智能安全运行方法，其特征在于，所述方法还包括：
对变换后的所述特征取值进行概率密度分布，得到变换后的所述特征取值对应的概率密度分布结果；
利用校验模型对变换后的所述特征取值对应的概率密度分布结果进行校验，得到变换后的所述特征取值对应的概率密度分布的形态与设定的分布形态之间的相似度；若所述相似度大于相似度阈值，则确定变换后的所述特征取值对应的概率密度分布结果符合设定的分布形态要求。
4.一种基于物联网的铁路机车智能安全运行系统，其特征在于，包括服务器和与所述服务器通信的机车以及数据获取模块；所述服务器包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述的基于物联网的铁路机车智能安全运行方法。
CN202211037476.3A 2022-08-26 2022-08-26 一种基于物联网的铁路机车智能安全运行及系统 Active CN115359440B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211037476.3A CN115359440B (zh) 2022-08-26 2022-08-26 一种基于物联网的铁路机车智能安全运行及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211037476.3A CN115359440B (zh) 2022-08-26 2022-08-26 一种基于物联网的铁路机车智能安全运行及系统

Publications (2)

Publication Number Publication Date
CN115359440A CN115359440A (zh) 2022-11-18
CN115359440B true CN115359440B (zh) 2024-01-12

Family

ID=84005384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211037476.3A Active CN115359440B (zh) 2022-08-26 2022-08-26 一种基于物联网的铁路机车智能安全运行及系统

Country Status (1)

Country Link
CN (1) CN115359440B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615171A (zh) * 2018-11-09 2019-04-12 阿里巴巴集团控股有限公司 特征阈值确定方法及装置、问题对象确定方法及装置
CN111599164A (zh) * 2019-02-21 2020-08-28 北京嘀嘀无限科技发展有限公司 一种行车异常识别方法和系统
CN112124374A (zh) * 2020-09-04 2020-12-25 通号城市轨道交通技术有限公司 列车紧急制动触发速度计算方法和系统
CN112200835A (zh) * 2020-09-27 2021-01-08 浙江大华技术股份有限公司 一种交通事故检测方法、装置、电子设备及存储介质
CN112622931A (zh) * 2020-12-22 2021-04-09 北京百度网讯科技有限公司 平行驾驶中的异常处理方法、自动驾驶车辆及云端驾驶舱
CN112797893A (zh) * 2020-10-16 2021-05-14 广州普华灵动机器人技术有限公司 一种用于远距离线缆位置参数的测量方法
CN113165615A (zh) * 2021-03-16 2021-07-23 华为技术有限公司 车辆控制方法及装置
CN114170798A (zh) * 2021-12-03 2022-03-11 智道网联科技(北京)有限公司 消息提醒系统以及方法
CN114379547A (zh) * 2021-12-24 2022-04-22 北京百度网讯科技有限公司 制动控制方法、装置、车辆、电子设备及存储介质
CN114663844A (zh) * 2020-12-22 2022-06-24 富泰华工业（深圳）有限公司 区分对象的方法、计算机装置及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615171A (zh) * 2018-11-09 2019-04-12 阿里巴巴集团控股有限公司 特征阈值确定方法及装置、问题对象确定方法及装置
CN111599164A (zh) * 2019-02-21 2020-08-28 北京嘀嘀无限科技发展有限公司 一种行车异常识别方法和系统
CN112124374A (zh) * 2020-09-04 2020-12-25 通号城市轨道交通技术有限公司 列车紧急制动触发速度计算方法和系统
CN112200835A (zh) * 2020-09-27 2021-01-08 浙江大华技术股份有限公司 一种交通事故检测方法、装置、电子设备及存储介质
CN112797893A (zh) * 2020-10-16 2021-05-14 广州普华灵动机器人技术有限公司 一种用于远距离线缆位置参数的测量方法
CN112622931A (zh) * 2020-12-22 2021-04-09 北京百度网讯科技有限公司 平行驾驶中的异常处理方法、自动驾驶车辆及云端驾驶舱
CN114663844A (zh) * 2020-12-22 2022-06-24 富泰华工业（深圳）有限公司 区分对象的方法、计算机装置及存储介质
CN113165615A (zh) * 2021-03-16 2021-07-23 华为技术有限公司 车辆控制方法及装置
CN114170798A (zh) * 2021-12-03 2022-03-11 智道网联科技(北京)有限公司 消息提醒系统以及方法
CN114379547A (zh) * 2021-12-24 2022-04-22 北京百度网讯科技有限公司 制动控制方法、装置、车辆、电子设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Network Capacity Optimisation in Millimetre Wave Band Using Fractional Frequency Reuse;Naser Al-Falahy等;IEEE Access;全文 *
位场边界识别方法极值点分布特征研究;王亮 等;山东工业技术;全文 *
基于雷达与相机的无人驾驶智能车障碍物检测技术研究;张双喜;中国优秀硕士学位论文全文数据库工程科技II辑(第06期);全文 *

Also Published As

Publication number Publication date
CN115359440A (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN109345829B (zh) 无人车的监控方法、装置、设备及存储介质
CN110780665B (zh) 车辆无人驾驶控制方法及装置
CN109739230B (zh) 驾驶轨迹生成方法、装置及存储介质
CN106448267B (zh) 基于车联网的道路交通事故链阻断系统
CN114489112B (zh) 一种智能车-无人机的协同感知系统及方法
CN111077882A (zh) 基于无人驾驶车辆的故障语音播报方法、装置
CN113537007B (zh) 应用于铁路站台的非工作人员入侵检测与报警方法和装置
CN113119962A (zh) 驾驶辅助处理方法、装置、计算机可读介质及电子设备
CN108099914A (zh) 用于控制车辆的停止的装置和方法
CN114665608A (zh) 用于变电站的智能感知巡检系统及方法
CN115170863A (zh) 基于多源数据预估风险的方法、装置、设备及存储介质
CN113119961A (zh) 编队行驶处理方法、装置、计算机可读介质及电子设备
US20240118104A1 (en) Method and device for processing sensor data
Chelouati et al. A framework for risk-awareness and dynamic risk assessment for autonomous trains
CN115359440B (zh) 一种基于物联网的铁路机车智能安全运行及系统
CN104282147A (zh) 一种智能车辆监控方法
CN113562005A (zh) 轨道列车司机行为智能监测和障碍物侵限智能侦测系统
CN113895481A (zh) 基于图形识别的列车定位与追踪管理方法、设备及介质
KR20210072664A (ko) 실시간 철도 장애물 감지 시스템
CN115782981A (zh) 轨道交通无人列控系统故障场景下的远程应急驾驶系统
CN104504713A (zh) 一种动车组运行状态图像监控故障自动识别方法
CN115690721A (zh) 一种检测路线上障碍物的方法及设备
CN113447037B (zh) 行程偏航检测方法及装置
KR20190049100A (ko) 영상 딥 러닝을 이용한 터널 내 돌발상황 관리시스템 및 관리방법
CN114872741A (zh) 一种基于安全导向的机车辅助自动驾驶系统及方法

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