CN115600124A - 地铁隧道巡检系统及巡检方法 - Google Patents
地铁隧道巡检系统及巡检方法 Download PDFInfo
- Publication number
- CN115600124A CN115600124A CN202211091701.1A CN202211091701A CN115600124A CN 115600124 A CN115600124 A CN 115600124A CN 202211091701 A CN202211091701 A CN 202211091701A CN 115600124 A CN115600124 A CN 115600124A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- monitoring module
- image
- cable
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 230000009545 invasion Effects 0.000 claims abstract description 19
- 238000001931 thermography Methods 0.000 claims abstract description 18
- 230000004297 night vision Effects 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims abstract description 4
- 230000005611 electricity Effects 0.000 claims abstract 2
- 238000001514 detection method Methods 0.000 claims description 35
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 230000000007 visual effect Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular 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
- 238000012634 optical imaging Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G06Q50/40—
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
- G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
Abstract
本发明公开了地铁隧道巡检系统及巡检方法，属于轨道交通智能巡检技术领域；所述巡检系统结构自下而上主要分为监测层、数据层及管理层，所述监测层与数据层电连接，所述数据层与管理层通信连接，其中：监测层包括安装于列车上的红外热成像相机、高清夜视摄像头和定位传感器模组；数据层包括数据库和与数据库连接的设备外观监测模块、设备温度监测模块、线缆脱落监测模块、线缆温度监测模块、定位处理模块和异物侵限监测模块；管理层包括显示模块和报警模块；本发明利用基于5G网络、图像识别、机器学习技术的智能数据采集分析终端，在列车行进中对隧道内区间电缆超温及脱落、各箱体柜门开启、异物侵限进行分类识别、异常监测，并进行报警。
Description
技术领域
本发明公开了一种地铁隧道巡检系统及巡检方法，尤其涉及一种地铁车载红外热成像及智能图像识别巡检系统和一种在列车行进中对隧道内设备及线缆的温度和外观、异物侵限进行分类识别、异常监测，上传至管理平台并发出预报警信息的巡检方法，属于轨道交通智能巡检技术领域。
背景技术
城市轨道交通的特点是运行速度快、行车密度高、客流量大、环境封闭，因而对运营安全要求极高，需要安全可靠的基础设施系统作为保障。然而在地铁隧道运营管理及养护过程中，却发现由于运行车辆的动力冲击、地质变形以及临近施工等因素的影响，地铁隧道存在设备箱体柜门异常开启、异物侵限和线缆脱落等情况，曾发生过车辆通过时因振动或隧道风而使设备柜门开启影响行车、损坏设备的事故；加上设备和线缆温度异常不能及时发现，无法实时进行过温监控和告警，只有在过温发生之后依赖于巡检员巡检才能发现已经发生过过温情况，高温引发的风险控制能力低，为地铁安全运营埋下了隐患，严重影响列车的行驶安全。因此，能够实时、高效、快速地对地铁隧道进行巡检是确保城市轨道交通安全运行的必要措施。
但是目前对这些隐患缺乏有效的实时监测手段，现阶段，国内对地铁隧道内的环境情况检测主要是依靠人工，即采用以人工静态检查为主、动态检测车检查为辅的方式。这种以人工为主的检测方式必须在夜晚地铁线路无运营任务时进行，检测速度慢、工作效率低、占用线路时间长、人工成本高以及失误率高等，这种主要依靠人工的方法已经不符合现代城市轨道交通发展的需求。
因此，地铁隧道巡检的发展趋势是实时的自动检测和智能分析。目前自动检测技术主要有利用光学成像和图像处理技术的移动式自动检测方法。前者通过在地铁隧道内安装传感器来检测隧道形变数据，利用各种检测算法评估隧道的破损情况。该方法存在传感器安装复杂、工程量大、成本高、传感器无法覆盖所有地铁隧道表面的不足。第二种方法检测灵活、移动性好、覆盖所有区间，并且随着机器视觉和图像处理技术的不断发展，检测的准确性和效率不断提高，已经成为主要的发展方向。
然而，我国在地铁隧道移动式自动巡检方面的研究还比较薄弱，尚处在起步阶段，加上地铁隧道内环境复杂，隧道内设备和环境的情况干奇百怪等等，对于隧道等城市轨道交通基础设施的全面性的智能巡检尚无报道。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是解决现有的地铁隧道缺乏针对异物侵限、隧道内设备和电缆的状态和安全等全面性实时智能巡检手段，不能及时、尽早、全面、准确地发现和排除隐患的问题。
(二)技术方案
为了解决上述技术问题，本发明提供了一种地铁隧道巡检系统，所述巡检系统结构自下而上主要分为监测层、数据层及管理层，监测层主要负责从前端硬件系统采集原始数据，数据层主要负责原始数据分类统计、存储和分析；数据层能够存储海量数据，在本层，归一化之后的数据经应用服务系统存储于数据库中，作为历史数据进行保留；应用服务系统在存储数据的同时，把数据分发给各分析系统对需要的数据进行处理，生成结果后返回应用服务，以便显示给最终用户或触发报警、联动设备，管理层面向操作人员，通过客户端向操作人员呈现系统的各类信息，例如视频、检测数据、地图定位、报警信息等，可以图形展示、曲线展示、历史记录查询、历史数据分析、数据导出等形式显示给操作人员；所述监测层与数据层电连接，所述数据层与管理层通过有线或无线通信连接，其中：监测层包括安装于列车上的红外热成像相机、高清夜视摄像头和定位传感器模组；数据层包括数据库和与数据库连接的设备外观监测模块、设备温度监测模块、线缆脱落监测模块、线缆温度监测模块、定位处理模块和异物侵限监测模块；管理层包括输入模块、显示模块和报警模块。
进一步，所述高清夜视摄像头配置有补充光源，所述定位传感器模组包括加速度传感器、GPS模块和检测传感器，地铁隧道内等间距设置有多个能被检测传感器扫描识别的信标。
本发明还提供了一种地铁隧道巡检方法，应用上述所述的地铁隧道巡检系统，其包括如下步骤：
S1：在列车行进中通过监测层采集原始数据，其中，红外热成像相机和高清夜视摄像头实时获取地铁隧道内监控场景、设备和线缆的图像和/或视频，定位传感器模组实时获取列车加速度数据、GPS数据、来自信标的绝对定位数据等定位数据；然后上传数据层；
S2：数据层进行原始数据分类统计、存储和分析；将原始数据存储于数据库的同时把原始数据分发给设备外观监测模块、设备温度监测模块、线缆脱落监测模块、线缆温度监测模块、定位处理模块和异物侵限监测模块，各个模块的应用程序根据自己的业务逻辑对需要的数据进行处理，将异常情况和超限情况上传管理层；
S3：管理层对采集的异常信息类别、等级及其所在隧道位置做出预警和提示，紧急重要的信息，立即弹出窗口并触发声光报警装置，提醒值班人员立即处理。
具体地，步骤2中设备外观监测模块内的应用程序的业务逻辑为：采用深度学习算法进行大量的训练，进而将训练好的模型放入视频中进行检测并将异常数据上传，其基于YOLOv4构建隧道内的设备外观检测模型，包括以下步骤：
S1：采用CSPDarknet53网络预训练的权重，对YOLOv4的主干网络进行初始化操作，得到带有权重的卷积神经网络；
S2：提取带有设备标注数据的图像数据，将该图像数据作为带有权重的卷积神经网络的训练样本，把该训练样本的尺寸缩放为608x608，得到新的数据训练样本；
S3：将该新的数据训练样本划分为SxS个子图区域，得到SxS个单元网络，其中S为常数；
S4：得到SxS个单元网络后，对每一个单元网络区域使用CSPDarknet53提取视觉特征，得到视觉特征数据集；
S5：对每一个单元网络区域使用CSPDarknet53提取视觉特征的同时，引入空间金字塔池化SPP操作增强搜索视野，得到增强视野后视觉特征数据集；
S6：使用PANet的路径聚合模块对CSPDarknet53网络输出的增强视野视觉特征数据集进行处理，处理之后生成子图区域的预测目标数据；
S7：对于生成预测目标数据的子图区域，PANet输出得到每个子图区域的向量特征；
S8：使用YOLO算法合并所有子图区域的向量特征，形成一个预测张量；
S9：将得到的预测张量输入卷积神经网络中，计算出卷积神经网络的梯度，对该卷积神经网络的梯度使用随机梯度下降法对代价函数进行最佳拟合后得到卷积神经网络输出的权重值；
S10：对卷积神经网络输出的权重值与标准的预设训练数据相比较后，反复迭代修正权重值，取得最终的权重值矩阵；将所述权重值矩阵更新至卷积神经网络中，得到更新之后的卷积神经网络的权重。
具体地，步骤2中设备温度监测模块和线缆温度监测模块的业务逻辑为：在两者的应用程序中皆分别设置多等级告警温度阈值，两者分别获取来自红外热成像相机的目标设备和线缆的红外热像图，进行测温与监控，并与预设告警温度阈值进行对比，根据不同温度级别发布不同等级的告警信号后上传管理层。
具体地，步骤2中所述线缆脱落监测模块内应用程序的业务逻辑包括以下步骤：
1)接收来自数据库的地铁线路视频；
2)视频图片取帧、图像重构及图像增强；
3)对线缆位置进行直线检测，并绘制检测到的直线；
4)标记出斜线较大的地方并上传。
进一步，所述图像增强采用限制对比度自适应直方图均衡算法、图像灰度化、Canny边缘检测算法、ROI自动识别区域和图像二值化，最终得到隧道内线缆特征部分二值图像。
进一步，直线检测包括图像切片、霍夫变换以及SVM预测，所述霍夫变换采用累计概率霍夫变换。
更进一步，所述地铁隧道巡检方法步骤2中定位处理模块内的应用程序的业务逻辑为：通过检测传感器扫描在隧道内等间距设置的信标，通过信标上的特定代码或ID获得列车的绝对位置，相邻信标之间的列车位置通过加速度传感器和定位处理模块内的位移预测算法程序进行推算，此外，结合GPS模块的定位数据进行修正。
更进一步，所述地铁隧道巡检方法步骤2中异物侵限监测模块内应用程序的业务逻辑为：将来自数据库的隧道内监控场景现场实际情况的图像与标准图像进行图像分析对比，及时发现异物侵限的异常情况，并在异物侵限监测模块中集成图像深度学习算法。
(三)有益效果
本发明的上述技术方案具有如下优点：
(1)本发明是通过在地铁列车加装红外热成像设备及摄像头，利用基于5G网络、图像识别、机器学习技术的智能数据采集分析终端，在列车行进中对隧道内设备的温度和外观(区间线缆超温及脱落、各箱体柜门开启、异物侵限)进行分类识别、异常监测，上传至管理平台并发出预报警信息，并通过定位传感器模组准确定位，能及时、尽早、全面、准确地定位隐患位置并排除隐患。
(2)本发明具有：1.对区间隧道设备外观异常和线缆脱落检测功能；2.对区间隧道异物侵限检测功能；3.对区间设备及线缆温度异常检测功能；4.对监测数据智能分析和预警功能，5、对报警发生位置准确定位功能。巡检范围和巡检功能较为全面，更符合日益发展的轨道交通的运行安全需求，极具推广价值和经济价值。
(3)本发明提高了监测和巡检效率，自动化和智能化程度更高，整体上提升了轨道交通的安全性。
除了上述所描述的本发明解决的技术问题、构成的技术方案的技术特征以及有这些技术方案的技术特征所带来的优点之外，本发明的其他技术特征及这些技术特征带来的优点，将结合附图作出进一步说明。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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它的附图。
图1为本发明巡检系统结构层次示意图。
图2为本发明巡检方法的流程示意图。
图3为本发明线缆脱落监测模块内应用程序的业务逻辑流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，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的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。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，若用到术语“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，也可以是电连接；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。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，若用到术语“多个”、“多根”、“多组”的含义是两个或两个以上。
实施例1
如图1所示，本实施例的地铁隧道巡检系统，其结构自下而上主要分为监测层、数据层及管理层，所述监测层与数据层电连接，所述数据层与管理层通信连接，其中：监测层包括安装于列车上的红外热成像相机、高清夜视摄像头和定位传感器模组；数据层包括数据库和与数据库连接的设备外观监测模块、设备温度监测模块、线缆脱落监测模块、线缆温度监测模块、定位处理模块和异物侵限监测模块；管理层包括显示模块和报警模块。
所述高清夜视摄像头配置有补充光源，所述定位传感器模组包括加速度传感器、GPS模块和检测传感器，地铁隧道内等间距设置有多个能被检测传感器扫描识别的信标，间距设置为1.5km。所述检测传感器为光敏传感器，所述信标为调制光源，所述调制光源采用隧道既有的LED照明灯更换光源驱动器改造而成。定位处理模块运行时对光敏传感器采集到的信标信号进行放大、滤波、调理、解析，当读取到调制光信号时提取出调制光信号的绝对定位信息，作为列车当前的定位，对于相邻信标之间的定位，根据相邻信标的间隔距离对当前列车定位信息进行累加和更新，同时计算当前列车运行参考速度。
定位处理模块同时采集加速度传感器的加速度信息，由定位处理模块内微处理器进行数值积分计算，获得当前的速度与位移信息。由于地铁列车是大惯性系统，其速度不能在很短时间内发生显著改变，因此可以利用此特性对计算的定位和速度信息有效性进行初步判断。
当区间调制光源信标故障熄灭或安装不规律时，计算得到的速度和位移信息发生较大跳变，定位处理模块可以很容易的判断数据有误从而不予采用。加速度传感器(惯性导航)经积分运算取得的速度和位移数据不会发生剧烈的变化，但存在累积误差，此累积误差可以通过定位处理模块接收到调制光的定位信息和GPS模块定位信息时予以校正。
以上两种定位算法的综合运用，可以使定位处理模块实现相对准确的区间定位，从而快速达到异常发生位置。
如图2所示，本实施例还提供一种前述地铁隧道巡检系统的巡检方法，其包括如下步骤：
S1：在列车行进中通过监测层采集原始数据，其中，红外热成像相机和高清夜视摄像头实时获取地铁隧道内监控场景、设备和线缆的图像和/或视频，定位传感器模组实时获取列车定位数据；然后上传数据层；
S2：数据层进行原始数据分类统计、存储和分析；将原始数据存储于数据库的同时把原始数据分发给设备外观监测模块、设备温度监测模块、线缆脱落监测模块、线缆温度监测模块、定位处理模块和异物侵限监测模块，各个模块根据自己的业务逻辑对需要的数据进行处理，将异常情况和超限情况上传管理层；
S3：管理层对采集的异常信息类别、等级及其所在隧道位置做出预警和提示，紧急重要的信息，立即弹出窗口并触发声光报警装置，提醒值班人员立即处理。
本实施例中，步骤2中设备外观监测模块的业务逻辑为采用深度学习算法进行大量的训练，进而将训练好的模型放入视频中进行检测并将异常数据上传，通过不断的卷积和池化提取到特征，进而进行识别，其基于YOLOv4构建隧道内的设备外观检测模型，包括以下步骤：
S1：采用CSPDarknet53网络预训练的权重，对YOLOv4的主干网络进行初始化操作，得到带有权重的卷积神经网络；
S2：提取带有设备标注数据的图像数据，将该图像数据作为带有权重的卷积神经网络的训练样本，把该训练样本的尺寸缩放为608x608，得到新的数据训练样本；
S3：将该新的数据训练样本划分为SxS个子图区域，得到SxS个单元网络，其中S为常数；
S4：得到SxS个单元网络后，对每一个单元网络区域使用CSPDarknet53提取视觉特征，得到视觉特征数据集；
S5：对每一个单元网络区域使用CSPDarknet53提取视觉特征的同时，引入空间金字塔池化SPP操作增强搜索视野，得到增强视野后视觉特征数据集；
S6：使用PANet的路径聚合模块对CSPDarknet53网络输出的增强视野视觉特征数据集进行处理，处理之后生成子图区域的预测目标数据；
S7：对于生成预测目标数据的子图区域，PANet输出得到每个子图区域的向量特征；
S8：使用YOLO算法合并所有子图区域的向量特征，形成一个预测张量；
S9：将得到的预测张量输入卷积神经网络中，计算出卷积神经网络的梯度，对该卷积神经网络的梯度使用随机梯度下降法对代价函数进行最佳拟合后得到卷积神经网络输出的权重值；
S10：对卷积神经网络输出的权重值与标准的预设训练数据相比较后，反复迭代修正权重值，取得最终的权重值矩阵；将所述权重值矩阵更新至卷积神经网络中，得到更新之后的卷积神经网络的权重。
本实施例中，步骤2中设备温度监测模块和线缆温度监测模块的业务逻辑为：在两者的应用程序中皆分别设置多等级告警温度阈值，两者分别获取来自红外热成像相机的目标设备和线缆的红外热像图，进行测温与监控，并与预设告警温度阈值进行对比，根据不同温度级别发布不同等级的告警信号后上传管理层。
如图3所示，本实施例中，步骤2中所述线缆脱落监测模块的业务逻辑包括以下步骤：
1)接收来自数据库的地铁线路视频；
2)视频图片取帧、图像重构及图像增强；
3)对线缆位置进行直线检测，并绘制检测到的直线；
4)标记出斜线较大的地方(线缆可能脱落的位置)并上传。
上述所述图像增强采用限制对比度自适应直方图均衡算法、图像灰度化、Canny边缘检测算法、ROI自动识别区域和图像二值化，对通过路径导入录制的地铁线路视频进行预处理，最终得到隧道内线缆特征部分二值图像。在检测前通过图像增强技术，有效提高检测准确率。其中，图像灰度化，Canny边缘检测算法等都是很基本的操作，主要目的就是提取感兴趣的特征，但是如何通过A+B+C的组合把效果提高到最佳需要不断尝试。本项目中视频图片很模糊且椒盐噪声很多，因此该前期图像处理算法尤为重要。
所述直线检测包括图像切片、霍夫变换以及SVM预测，所述霍夫变换采用累计概率霍夫变换。实验结果表明：在经过前述图像增强后视频图像足够清晰的环境下检测精度在90％左右。SVM算法主要目的是需要将在一条直线上的点通过一种分类方法进行二分类，使得线缆线路的检测效果更佳。
本实施例中，步骤2中定位处理模块的业务逻辑为：通过检测传感器扫描在隧道内等间距设置的信标，通过信标上的特定代码或ID获得列车的绝对位置，相邻信标之间的列车位置通过加速度传感器和定位处理模块内的位移预测算法程序进行推算，此外，结合GPS模块的定位数据进行修正。
本实施例中，步骤2中异物侵限监测模块的业务逻辑为：将来自数据库的隧道内监控场景现场实际情况的图像与标准图像进行图像分析对比，及时发现异物侵限的异常情况，并在异物侵限监测模块中集成图像深度学习算法。
实施例2
本实施例与实施例1不同之处仅在于：所述检测传感器采用RFID感应器，所述信标为RFID标签，所述RFID感应器用于扫描所述预设的RFID标签从而读取所述预设的RFID标签内预先存储的ID和位置等信息；预设的RFID标签内所记载的目标信息是唯一的，通过RFID感应器和RFID标签之间的信息交互，从而获得绝对定位，以提高定位精度。
上面对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.地铁隧道巡检系统，其特征在于：所述巡检系统结构自下而上主要分为监测层、数据层及管理层，所述监测层与数据层电连接，所述数据层与管理层通信连接，其中：
监测层包括安装于列车上的红外热成像相机、高清夜视摄像头和定位传感器模组；
数据层包括数据库和与数据库连接的设备外观监测模块、设备温度监测模块、线缆脱落监测模块、线缆温度监测模块、定位处理模块和异物侵限监测模块；
管理层包括显示模块和报警模块。
2.根据权利要求1所述的地铁隧道巡检系统，其特征在于：所述高清夜视摄像头配置有补充光源，所述定位传感器模组包括加速度传感器、GPS模块和检测传感器，地铁隧道内等间距设置有多个能被检测传感器扫描识别的信标。
3.地铁隧道巡检方法，应用权利要求1或2所述的地铁隧道巡检系统，其特征在于：包括如下步骤：
S1：在列车行进中通过监测层采集原始数据，其中，红外热成像相机和高清夜视摄像头实时获取地铁隧道内监控场景、设备和线缆的图像和/或视频，定位传感器模组实时获取列车定位数据；然后上传数据层；
S2：数据层进行原始数据分类统计、存储和分析；将原始数据存储于数据库的同时把原始数据分发给设备外观监测模块、设备温度监测模块、线缆脱落监测模块、线缆温度监测模块、定位处理模块和异物侵限监测模块，各个模块根据自己的业务逻辑对需要的数据进行处理，将异常情况和超限情况上传管理层；
S3：管理层对采集的异常信息类别、等级及其所在隧道位置做出预警和提示，紧急重要的信息，立即弹出窗口并触发声光报警装置，提醒值班人员立即处理。
4.根据权利要求3所述的地铁隧道巡检方法，其特征在于：步骤2中设备外观监测模块的业务逻辑为采用深度学习算法进行大量的训练，进而将训练好的模型放入视频中进行检测并将异常数据上传，其基于YOLOv4构建隧道内的设备外观检测模型，包括以下步骤：
S1：采用CSPDarknet53网络预训练的权重，对YOLOv4的主干网络进行初始化操作，得到带有权重的卷积神经网络；
S2：提取带有设备标注数据的图像数据，将该图像数据作为带有权重的卷积神经网络的训练样本，把该训练样本的尺寸缩放为608x608，得到新的数据训练样本；
S3：将该新的数据训练样本划分为SxS个子图区域，得到SxS个单元网络，其中S为常数；
S4：得到SxS个单元网络后，对每一个单元网络区域使用CSPDarknet53提取视觉特征，得到视觉特征数据集；
S5：对每一个单元网络区域使用CSPDarknet53提取视觉特征的同时，引入空间金字塔池化SPP操作增强搜索视野，得到增强视野后视觉特征数据集；
S6：使用PANet的路径聚合模块对CSPDarknet53网络输出的增强视野视觉特征数据集进行处理，处理之后生成子图区域的预测目标数据；
S7：对于生成预测目标数据的子图区域，PANet输出得到每个子图区域的向量特征；
S8：使用YOLO算法合并所有子图区域的向量特征，形成一个预测张量；
S9：将得到的预测张量输入卷积神经网络中，计算出卷积神经网络的梯度，对该卷积神经网络的梯度使用随机梯度下降法对代价函数进行最佳拟合后得到卷积神经网络输出的权重值；
S10：对卷积神经网络输出的权重值与标准的预设训练数据相比较后，反复迭代修正权重值，取得最终的权重值矩阵；将所述权重值矩阵更新至卷积神经网络中，得到更新之后的卷积神经网络的权重。
5.根据权利要求3所述的地铁隧道巡检方法，其特征在于：步骤2中设备温度监测模块和线缆温度监测模块的业务逻辑为：在两者的应用程序中皆分别设置多等级告警温度阈值，两者分别获取来自红外热成像相机的目标设备和线缆的红外热像图，进行测温与监控，并与预设告警温度阈值进行对比，根据不同温度级别发布不同等级的告警信号后上传管理层。
6.根据权利要求3所述的地铁隧道巡检方法，其特征在于：步骤2中所述线缆脱落监测模块的业务逻辑包括以下步骤：
1)接收来自数据库的地铁线路视频；
2)视频图片取帧、图像重构及图像增强；
3)对线缆位置进行直线检测，并绘制检测到的直线；
4)标记出斜线较大的地方并上传。
7.根据权利要求6所述的地铁隧道巡检方法，其特征在于：步骤2中所述图像增强采用限制对比度自适应直方图均衡算法、图像灰度化、Canny边缘检测算法、ROI自动识别区域和图像二值化，最终得到隧道内线缆特征部分二值图像。
8.根据权利要求6所述的地铁隧道巡检方法，其特征在于：步骤3中直线检测包括图像切片、霍夫变换以及SVM预测，所述霍夫变换采用累计概率霍夫变换。
9.根据权利要求3所述的地铁隧道巡检方法，其特征在于：步骤2中定位处理模块的业务逻辑为：通过检测传感器扫描在隧道内等间距设置的信标，通过信标上的特定代码或ID获得列车的绝对位置，相邻信标之间的列车位置通过加速度传感器和定位处理模块内的位移预测算法程序进行推算，此外，结合GPS模块的定位数据进行修正。
10.根据权利要求3所述的地铁隧道巡检方法，其特征在于：步骤2中异物侵限监测模块的业务逻辑为：将来自数据库的隧道内监控场景现场实际情况的图像与标准图像进行图像分析对比，及时发现异物侵限的异常情况，并在异物侵限监测模块中集成图像深度学习算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211091701.1A CN115600124A (zh) | 2022-09-07 | 2022-09-07 | 地铁隧道巡检系统及巡检方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211091701.1A CN115600124A (zh) | 2022-09-07 | 2022-09-07 | 地铁隧道巡检系统及巡检方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115600124A true CN115600124A (zh) | 2023-01-13 |
Family
ID=84843931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211091701.1A Pending CN115600124A (zh) | 2022-09-07 | 2022-09-07 | 地铁隧道巡检系统及巡检方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115600124A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115601719A (zh) * | 2022-12-13 | 2023-01-13 | 中铁十二局集团有限公司（Cn） | 一种攀爬机器人及地铁隧道内异物侵限检测方法 |
| CN115892131A (zh) * | 2023-02-15 | 2023-04-04 | 深圳大学 | 一种地铁隧道智能监测方法以及系统 |
-
2022
- 2022-09-07 CN CN202211091701.1A patent/CN115600124A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115601719A (zh) * | 2022-12-13 | 2023-01-13 | 中铁十二局集团有限公司（Cn） | 一种攀爬机器人及地铁隧道内异物侵限检测方法 |
| CN115892131A (zh) * | 2023-02-15 | 2023-04-04 | 深圳大学 | 一种地铁隧道智能监测方法以及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110261436B (zh) | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 | |
| Liu et al. | A review of applications of visual inspection technology based on image processing in the railway industry | |
| CN105809679B (zh) | 一种基于视觉分析的山区铁路边坡落石检测方法 | |
| CN104670155B (zh) | 基于云端车联网的车辆防盗报警系统 | |
| CN115600124A (zh) | 地铁隧道巡检系统及巡检方法 | |
| CN104751634B (zh) | 高速公路隧道行车图像采集信息的综合应用方法 | |
| CN109448365B (zh) | 一种跨尺度空基平台区域道路交通系统综合监视方法 | |
| US20150178572A1 (en) | Road surface condition classification method and system | |
| CN102759347B (zh) | 一种高铁接触网在线巡检装置、巡检方法以及其检测系统 | |
| CN112433519A (zh) | 一种无人驾驶检测系统及车辆行驶检测方法 | |
| CN106128022A (zh) | 一种智慧金睛识别暴力动作报警方法和装置 | |
| CN110255318B (zh) | 基于图像语义分割的电梯轿厢闲置物品检测的方法 | |
| CN112776856A (zh) | 轨道异物侵限监测方法、装置、系统及监控主机设备 | |
| CN113298059A (zh) | 受电弓异物入侵检测方法、装置、计算机设备、系统及存储介质 | |
| CN114387785A (zh) | 一种基于智慧公路的安全管控方法、系统及可存储介质 | |
| CN112633722A (zh) | 车载道路安全风险评估系统及方法 | |
| CN111723704A (zh) | 基于树莓派的厢式货车厢门开度监控方法 | |
| Thiruppathiraj et al. | Automatic pothole classification and segmentation using android smartphone sensors and camera images with machine learning techniques | |
| CN112836683A (zh) | 用于便携式摄像设备的车牌识别方法、装置、设备和介质 | |
| CN112308032A (zh) | 一种视频检测的井下风门智能协同联动控制方法 | |
| CN115527364A (zh) | 一种基于雷视数据融合的交通事故溯源方法及系统 | |
| CN113487561B (zh) | 基于灰度梯度异常投票的受电弓异物检测方法及装置 | |
| CN116631187B (zh) | 一种案件现场勘查信息智能采集分析系统 | |
| CN112508893A (zh) | 基于机器视觉的铁路双轨间微小异物检测方法及系统 | |
| CN111914773A (zh) | 一种抓拍违法上下客的设备、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 |