基于视觉的地铁列车前向目标识别系统研究

为解决地铁列车前向运行环境中障碍物判断问题,提出基于视觉的地铁列车前向目标识别系统。该系统利用语义分割算法提取行驶轨道区域,结合轨道区域识别,基于SSD算法提取前向运行环境中轨道限界范围内的列车、行人等目标。针对上述场景,建立列车前向运行环境样本库,并基于该样本库完成模型训练。实验结果证明所得模型可有效识别列车前向行驶多目标。     

基于智能视觉的铁路大桥人员入侵防护系统设计研究

铁路桥梁监测是保障铁路运输安全的重要手段。为提升现有监测系统对铁路大桥人员入侵的检测能力，设计了基于智能视觉的铁路大桥人员入侵防护系统，该系统由视频平台、智能视觉平台及业务管理平台组成。采用YOLOv5目标检测模型进行人员入侵检测；同时，采用多种图像数据增强技术，扩增训练数据集，进一步提升目标检测模型的泛化能力和场景适应能力。在包神铁路集团有限公司万南站区黄河大桥对该系统进行了部署和测试。测试结果表明，该系统对人员入侵检测的准确率为95.3%，检测实时性为2 ms；人员入侵检测的准确率与实时性均满足实际应用要求。     

基于雷达的列车直轨运行前方障碍物检测方法研究

针对视觉传感器检测列车运行前方障碍物时存在环境适应能力差及对距离判别能力弱的缺陷,提出一种基于雷达的列车直轨运行前方障碍物检测判别方法。通过最小二乘法进行雷达测量数据误差矫正得到较准确的目标位置信息。结合铁路机车车辆限界、雷达方位角及雷达测量量程,构建检测区模型。将预处理后的目标点位置信息代入构建的检测区模型中进行障碍物检测判别。现场测试结果显示,利用该方法检测不仅具有较高的准确性,而且克服了环境因素的影响。     

基于机器视觉的城市轨道交通对标停车系统研究

车辆自动驾驶技术是基于环境感知技术对周围环境进行感知,并根据获得的信息,通过车载中心电脑控制车辆的转向和速度,使车辆能够安全、可靠地行驶,并达到预定目的地的车辆控制技术。基于自动驾驶技术中的机器视觉,通过安装在车辆上的车载摄像头识别车标及车辆信号灯,允许车辆在没有人工参与的前提下,在自主进站停车过程中,识别车辆的位置并实施制动停车。机器视觉通过传感器及相机来代替人类双眼的功能进行测量和判断,是未来车辆发展的趋势,对标停车只是机器视觉可以完成的功能之一。未来,通过安装在车辆上的摄像头可以实现轨道交通的机器视觉,实时掌握路面信息,感知周围环境,在缓解交通压力、提升城市交通效率、提升能量利用等方面发挥更多的作用。     

列车智能障碍物检测系统在北京新机场线全自动运行中应用的研究

全自动运行系统对提高列车运行安全以及提升列车运输效率具有重要意义,现阶段全自动运行系统列车主要依赖于信号系统,缺乏主动环境感知功能。本文提出了一种基于视觉与雷达融合的列车智能障碍物检测系统,该系统主要包含有轨道区域识别模块、列车检测模块以及视觉与雷达融合模块。其中轨道区域识别模块应用语义分割算法实现前向轨道区域的精准识别,列车检测模块通过卷积神经网络算法实现当前轨道内前向列车识别。视觉与激光雷达融合模块通过融合激光雷达数据与视觉数据,实现全天候的环境感知。实验结果表现本文的系统具有较强的鲁棒性,将对提升新机场线的列车运行安全以及运输效率具有重要意义。     

高速铁路周界入侵视频图像样本库

随着高速铁路的大规模建设与运营,视频监控系统在铁路沿线的应用规模越来越庞大,产生的视频数据爆炸性增长。基于图像的目标检测算法能及时发现监控画面中入侵高铁周界的异物,对保证安全运营具有重要意义。通过建设高铁周界入侵视频图像样本库,利用统一的高铁场景视频图像数据、目标检测算法、算法运行环境和算法评价标准,测试不同场景、天气下目标检测算法的功能有效性和现场适用性,为相关部门提供智能分析算法的标准化测试,以推动铁路视频图像分析的快速发展。     

铁路周界入侵目标多尺度特征感知算法

准确识别侵入周界范围内的人和大型牲畜是铁路周界入侵视频智能分析技术的重点内容,对保障铁路安全运营具有重要意义。基于现有目标检测算法难以处理铁路监控场景中入侵目标呈现显著尺度变化的状况,提出一种多输入双输出神经网络(Multiple Input Double Output Network,MIDO-Net)和基于自适应特征加权融合的目标多尺度特征感知算法。首先,通过MIDO-Net多层级联的多输入和双输出网络结构,提取图像目标更丰富的多尺度特征信息;其次,依据骨干网络多阶段的特点,先将多级特征上采样至统一分辨率,再利用注意力模块和自适应参数对多级特征进行加权;然后,将特征输入到检测头中完成铁路周界入侵的识别;最后,通过视觉目标类别(Visual Object Classes,VOC)公共数据集和制作的多场景、多尺度铁路异物侵限数据集,对算法进行验证。结果表明：提出的多尺度特征感知算法在VOC公共数据集中的检测精确率达83.3%,在多场景、多尺度铁路异物侵限数据集中的检测精确率达91.1%,平均召回率达56.2%,均优于当前广泛使用的各种特征提取骨干网络;算法检测速率为45帧·s^...     

高铁接触网异物自动化智能检测方法

基于接触网安全巡检装置(2C)采集的海量图像数据,提出高铁接触网异物自动化智能检测方法,以实现稳健、可靠、精准的高铁接触网安全异常检测。该方法面向2C图像的特点以及接触网安全运行需求,首先对图像进行预处理,然后设计基于深度神经网络的异物检测方法,利用已标定样本训练异物检测模型,并通过预训练和重训练步骤进行深度学习模型的优化,最后将训练好的模型应用于真实场景中对特定异物进行自动检测。对采集的2C图像进行相关试验,结果表明,该方法可以快速有效地检测出接触网异物,准确率达到96.5%以上,具有较高的应用价值。     

智轨列车基于稀疏点云和图像的车辆识别技术

针对识别智轨列车的前方车辆三维信息来保证其行车安全的问题,提出一种面向智轨列车基于稀疏点云和图像的车辆识别技术.首先采用基于角度阈值的算法分割地面并提取障碍物点云,然后提出距离角度约束算法遍历障碍物点云求解聚类点集,通过二次求解优化聚类结果获取预融合聚类点集,最后采用YOLOv3网络模型进行车辆检测,构建基于几何模型的图像点云映射关系,将车辆图像识别信息与预融合聚类点集进行匹配,实现了车辆三维信息识别.研究结果表明:在16线激光雷达稀疏点云条件下,所提方法在多障碍物共存的开放式场景中具有较高的识别率和实时性,满足智轨列车动态检测需求.     

基于YOLO-v5的双块式轨枕裂缝智能识别

轨枕正常工作是高速铁路安全运营的重要保障,开展轨枕裂缝的损伤检测研究意义重大.建立YOLO-v5裂缝目标检测模型,将计算机视觉技术应用于双块式轨枕裂缝的智能识别研究.通过图像标注、参数选取、模型构建、模型训练及模型预测等步骤完成轨枕裂缝目标检测试验,研究结果表明:YOLO-v5目标检测模型参数选取合理,模型训练结果准确...