面向铁路客运场景的对抗鲁棒性人头检测模型

基于人头检测的人群数量估计算法能为铁路客运车站应对突发客流、防止人群聚集提供有效的决策辅助，但人头检测使用的深度学习模型易受到对抗样本影响。为提升深度学习模型的对抗鲁棒性，建立了基于RetinaNet算法的人头检测模型；在Brianwash数据集上分别使用快速梯度符号法（FGSM,Fast Gradient Sign Method）和投影梯度下降（PGD,Projected Gradient Descent）2种对抗攻击方法生成对抗样本，初始模型在对抗样本数据集上的m AP值均有显著下降，验证了对抗攻击对模型性能影响的有效性；再对模型进行对抗训练，对抗训练后的模型在各类对抗样本验证数据集上的m AP值均有显著提升。实验结果表明，对抗训练后的人头检测模型能有效防御对抗样本的攻击，提升模型检测性能和对抗鲁棒性。     

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。     

路基探地雷达图像层位智能识别与状态评价

针对有砟铁路路基层位探地雷达图像人工追踪效率低、精度低的问题，提出了基于深度学习的路基层位智能识别与状态评价技术。根据多条线路现场实测数据建立样本集，基于YOLO v5和U-Net训练智能识别模型，提出了层位厚度、道床-基床界面平整度评价指标计算方法。结果表明：本文提出的有砟铁路路基层位智能识别方法具有较高精度，且U-Net模型识别效果优于YOLO v5模型，识别、评价结果与人工追踪结果偏差较小，满足铁路路基检测工程的实际需求。     

行李安检智能检测最难分样本集选取方法研究

研究表明，使业务模型性能变差的难分样本对系统边界决策能力增长有决定性影响。由于行李携带危险品的多样性及实物形态的不确定性，以及现场行李安检系统生成的行李X光图像数据呈现“长尾分布”特征，由有限次样本采集的数据集训练得到的智能检测模型，在应用于现场行李安检系统后，存在检测准确率不高的问题。文章针对行李安检智能检测数据分析闭环流程，提出最难分样本集的离散强化选取方法，可从现场行李安检系统运行过程中产生的危险品实例图像中选取最难分样本集，作为新增样本数据，用于智能检测模型的学习更新，实现安检智能检测软件性能的持续增强。     

非限制场景下铁路机车车号定位检测方法

针对传统铁路机车车号定位检测模型泛化性较低，不适用于多种检测应用场景等问题，提出一种适用于非限制场景、基于YOLO(You Only Look Once)v4-tiny模型的铁路机车车号定位检测方法。文章采用空洞卷积代替标准卷积，增大机车车号特征提取感受野，提升传统YOLOv4-tiny模型的检测精度；建立铁路机车车号数据集（RLND,Railway Locomotive Number Dataset），用于模型训练，并对模型的检测效果进行验证。验证结果表明，该方法对铁路机车车号的定位检测精度为99.44%，检测速度为50帧/s，能够应对非限制场景下的机车车号定位检测需求。     

基于海量运维数据的铁路数据中心风险预测与防控系统研究与开发

基于海量运维数据的风险预测和风险防控是铁路数据中心实现智能运维的基础性工作。围绕铁路数据中心智能运维需求，研究智能分析方法，依托铁路数据服务平台的大数据存储和数据共享服务能力，使用平台提供的数据预处理及模型训练、模型部署等工具，建立容量趋势预测、基于日志分析的风险预测、运行异常预测、施工风险预测等不同运维场景风险预测模型，完成模型训练、调优和测试，最后将通过实验验证的模型进行发布和上线更新。建立基于海量运维数据的铁路数据中心风险预测与防控系统，可以通过运维经验积累来改进评估指标和预测模型，提高风险预测的准确性及风险处置的有效性，帮助运维人员快速聚焦主要问题，有利于保障铁路数据中心长期安全稳定运行，夯实铁路运输生产安全的基础。     

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。     

基于多传感器融合的视觉感知困难样本挖掘方法

视觉感知困难样本能有效提升自动驾驶场景中目标检测算法的性能,但是这些样本通常稀少且难以通过简单手段获取.针对该问题,文章提出一种基于多传感器融合的视觉感知困难样本挖掘方法.该方法利用雷达点云分割出来的障碍物目标对图像检测目标进行交叉复核,基于实际障碍物在多传感器间的映射关系挖掘图像目标检测算法难以识别或者未加入模型训练的样本,并将这些困难样本通过云边协同机制用于图像目标检测模型的重训练和远程部署,实现模型的优化迭代更新.试验表明,该方法可以有效挖掘矿用卡车自动驾驶场景的困难样本,通过增量迁移学习显著提升图像目标检测算法性能.同时,该算法对轨道交通等领域自动驾驶场景也具有重要的指导意义.     

铁路路基地质雷达检测数据智能里程校正方法

针对铁路路基地质雷达(Ground Penetrating Radar,GPR)检测数据里程校正效率低的问题,提出了一种智能里程校正方法。以GPR原始检测数据为数据源,通过构建特征向量和支持向量机识别模型,实现桥梁的智能识别;再根据桥梁里程进行回归计算,得到GPR检测数据的实际里程。采用京九线路基检测数据进行测试,结果表明,本文提出的铁路路基GPR检测数据智能里程校正方法具有较高的精度,里程校正误差约2 m,满足铁路路基检测工程的实际需求。     

基于孤立森林算法的铁路通信网潜在攻击检测方法研究

针对当前铁路通信网潜在攻击检测方法在识别异常攻击时忽略了对数据的降维处理,导致检测效率偏低、误报率和漏检率较高等问题,提出基于孤立森林算法的铁路通信网潜在攻击检测方法。将铁路通信网样本集通过数据类型划分为多个子集,通过对主成分进行分析,最大限度地减少不同子集间的降维影响,使各子集降维达到最佳;基于降维处理的数据,构建孤立森林潜在攻击检测器,判断数据异常行为;基于孤立森林算法更新铁路通信网潜在攻击检测器,实现铁路通信网潜在攻击检测。仿真试验结果:测试样本数量增加时,该算法的检测速率保持在90%以上,误报率和漏检率均小于等于0.02%,表明该方法在铁路通信网潜在攻击检测上具有一定的应用价值。     

基于改进支持向量域描述的道岔转辙机运行状态异常检测

针对铁路道岔转辙机缺乏大量异常样本来实施其运行状态异常检测的问题,提出了基于改进的支持向量数据域描述方法的异常检测模型。以ZYJ7型液压道岔转辙机为研究对象,利用既有微机监测系统采集道岔功率数据。用聚类的方法对数据进行清洗,接着对功率数据在时间序列上进行解锁、转换和锁闭分解,分别提取其统计特征值,采用主成分分析(PCA)法对特征值进行降维处理,将经过处理后的数据输入到异常检测分类器进行模型训练和模型测试。实验结果表明,改进的支持向量域描述(SVDD)分类器对道岔运行状态的异常检测有较强的识别能力。     

YOLOv5超声波图像识别技术在高原高寒钢轨探伤中的应用

高原高寒地区环境复杂、昼夜温差大，对铁路建设与运营产生不良影响，容易发生由于钢轨内部伤损引起的断裂事故。研究基于YOLOv5的超声波图像识别技术在青藏铁路钢轨探伤检测中的应用，特别是针对轨头核伤、轨面鱼鳞伤等常见伤损类型进行检测。通过智能钢轨探伤仪采集高寒地段钢轨数据，以YOLOv5方法对数据集进行整理、处理和模型训练，精准识别和定位轨头核伤、轨面鱼鳞伤等损伤。研究表明，基于YOLOv5的模型在识别和定位各类钢轨损伤方面具有很高的准确性和实时性，可以同时进行目标检测和类别分类，并能在保持较高准确度的同时实现快速检测。提供一种新的、更有效的钢轨探伤检测数据分析方法，有助于提高铁路安全和运营效率。     

基于主成分分析和概率神经网络的入侵检测方法

针对神经网络在入侵检测的应用中存在入侵数据冗余信息多,数据量大,训练时间长,易陷入局部最优等问题,提出了一种基于主成分分析(PCA)和概率神经网络(PNN)的入侵检测方法。首先使用PCA对数据进行特征降维,解决了入侵数据冗余信息多的问题;然后使用PNN建立入侵检测模型;其次,使用粒子群算法(PSO)解决概率神经网络参数的优化问题;最后使用KDD99数据集对该模型进行测试。实验结果表明:该方法能够有效提高检测的效果,而且检测速度明显提高。     

铁路隧道衬砌表观病害智能检测技术

针对铁路隧道衬砌表观病害检测需求，梳理并分析技术现状，介绍隧道衬砌表观病害智能检测系统的研制情况和系统组成。提出铁路隧道衬砌表观病害智能检测面临的技术难点，分析图像快速采集、病害智能识别、病害样本库构建等智能检测关键技术。通过基于实测数据集以及现场检测复核等手段，验证铁路隧道衬砌表观病害智能检测系统关键参数。结合现场运用情况，分析铁路隧道衬砌表观病害智能检测系统运用效率。智能检测系统应用表明，铁路隧道衬砌表观病害智能检测技术可大幅提升隧道衬砌病害检测的自动化和智能化水平。     

基于卷积神经网络的列车位置指纹定位算法研究

针对高速铁路隧道环境下采用位置指纹定位时定位精度低的问题，提出将深度卷积神经网络应用于列车位置指纹的定位中。首先采用2σ准则、模糊C均值聚类FCM及类数据加权，对采集到的下一代铁路通信系统LTE-R中的信号强度值进行预处理，降低异常值的影响，提高指纹数据的有效性；然后引入定时提前量，增强指纹特征值；接着将处理后的指纹数据量转换为灰度图片指纹条，基于图像样本建立FCM-CNN指纹定位模型；最后以现场实测数据为基础对定位模型进行测试验证。结果表明，相较于采用未经处理的数据作为样本的CNN模型及传统的位置指纹定位方法，基于FCM-CNN的列车位置指纹定位方法，提高了数据质量，在离线阶段具有较大的指纹采集间距，大幅减少了指纹采集工作量，模型训练时间较短，定位精度小于10 m的概率可达100%,满足列车在中密度线路对定位精度的要求。     

基于聚类分析算法的铁路通信设备厂商信息智能分类

针对铁路通信大数据平台中设备厂商信息不规范的问题,提出一种采用聚类分析算法对厂商信息智能分类的方法,介绍聚类分析算法、相似度计算方法和聚类性能度量等理论,通过分词处理、构建词袋模型、权值转换等数据预处理技术,将文本转换为适合分类的权值向量,采用K-均值聚类、层次聚类算法分别对部分样本进行聚类分析,比较测试结果,最终选择层次聚类算法对所有样本进行聚类分析。该算法可以将不规范的厂商信息进行合理的分类,从而为形成厂商信息字典提供数据支持。     

基于粗糙集与模糊神经网络的车-地无线通信设备故障诊断研究

针对传统铁路列车车-地无线通信设备网络故障诊断模型结构复杂,诊断精度不高等问题,运用粗糙集理论(RS)、模糊系统(FS)和神经网络(NN)相融合的方法进行铁路列车车-地无线通信设备故障诊断研究。首先对原始样本数据进行模糊化处理,建立故障诊断样本数据表,基于粗糙集理论对故障样本数据进行约简,去除冗余属性,减少样本输入,然后利用约简后的数据训练神经网络,建立基于粗糙集与模糊神经网络车-地无线通信设备故障诊断系统模型结构;最后,将该模型运用于故障诊断中。试验结果对比表明,此方法简化了网络的结构,缩短了训练所需要的时间,提高了故障诊断的精度,从而验证了该方法的可行性。     

基于改进FairMOT的铁路周界入侵检测方法

针对铁路综合监控视频中不同远近行人成像面积差异较大、自然环境变化产生干扰等因素造成的检测难题，提出一种改进FairMOT框架的周界入侵检测方法。首先，针对监控视频中不同远近的行人，通过在FairMOT框架中引入感受野模块，丰富不同成像大小行人检测所需的感受野，以更好地提取不同尺度特征信息；其次，针对夜晚时段方法检测性能较低的问题，在编码解码网络后融合空间注意力模块，强化夜间前景行人关键特征，同时优化目标跟踪和判断流程，实现稳定检测；然后，针对缺乏大量学习样本的问题，使用行人检测跟踪数据集与铁路真实数据集混合增强训练，提高方法在全天候检测中的泛化性和鲁棒性；最后，在MOT17数据集和铁路真实数据集上，对改进FairMOT检测方法与CenterTrack,Bytetrack等方法进行对比试验。结果表明：提出的改进FairMOT检测方法在白天和夜晚对不同大小目标检测中，均取得了最高的准确率和召回率调和均值，检测性能最好；方法检测速率为25.2帧·s^-1，能够满足实时检测要求。改进的FairMOT检测方法可以更有效地应用于实际铁路周界入侵检测场景。     

基于梯度提升决策树模型的铁路货运装卸时间预测技术

铁路货运装卸时间的精准预测可提升铁路货运系统的调度合理性和服务质量,但装卸时间受多种因素影响。文章针对铁路货运装卸时间预测问题,从铁路货运运单全流程信息中挖掘运单属性与货运装卸时间的关系,以分类与回归树为基础模型,在LightGBM框架下构建梯度提升决策树模型;对铁路货运运单全流程信息中的相关数据进行整合、对数变换、增加特征等预处理,形成运单数据集;采用该数据对构建的模型进行训练,结果表明,构建的模型对货运装卸时间的预测性能优于与其对比的其他机器学习模型。将该模型应用在实际货运装卸业务场景时,实际准确率依旧高于其他对比模型。     

基于大数据的铁路时间同步网异常流量检测系统的研究

为快速准确地识别铁路时间同步网所受到的恶意攻击,设计一种基于大数据的铁路时间同步网异常流量检测系统。该系统首先采用无监督学习算法K-Means对部分数据进行训练,形成最优聚类模型,并通过该模型实现对异常流量的检测。将已标记的时间同步网数据输入系统,测试系统对异常流量的检测准确率及速度是否满足铁路时间同步网的要求。对系统识别出的异常流量特征进行分析,找出相关性较高的典型特征类型,并结合铁路时间同步网结构,针对该类型特征提出初步的攻击防御建议。研究结果表明:基于大数据的异常流量检测系统聚类时间70.434 682 s及准确率98.36%均满足大数据网络环境下铁路时间同步网的要求;基于时间和主机的网络流量统计特征可以为提升铁路时间同步网的安全性提供参考。