施工场景下基于YOLOv3的安全帽佩戴状态检测

针对现有安全帽检测研究中采用的两阶段检测法存在检测效率偏低,累积误差对精度影响较大的问题,提出一种对安全帽的单阶段检测法。将安全帽和工人头部视为一个整体,将检测目标分为2类,即佩戴安全帽的头部和未佩戴安全帽的头部,同时对2类目标进行检测,避免了冗余的计算步骤及累积误差的影响。同时,针对施工场景安全帽佩戴状态检测特点,对YOLOv3的网络结构、损失函数及先验框尺寸进行改进,提出YOLOv3-C模型。研究结果表明:改进后的YOLOv3-C模型的检测性能大幅提升,在本文建立的样本集中模型的mAP达到93.84%,对安全帽检测平均精度达到97.01%,对工人头部检测平均精度达到90.67%,同时YOLOv3-C对本文的检测场景表现出良好的鲁棒性。     

基于轻量级卷积神经网络的地铁轨道线路状态检测系统

轨道作为承载车辆运行的重要部件，其工作状态对地铁运营的安全性有重要影响。传统人工巡检或者采用轨检车的检测模式只能在正线停运后进行作业，工作效率低。针对该问题，提出一种基于地铁运营列车的轨道线路状态检测系统，该系统采用高速线扫相机对轨道线路进行实时图像采集，并将采集数据送入轻量级RegNet骨干神经网络提取图像深层特征。在此基础上，加入双向特征金字塔网络进行多层次特征融合。最后将融合特征输入目标检测头实现轨道线路状态的实时检测。结合基于云边协同的困难样本挖掘以及模型部署加速技术，算法可实现高准确率、高实时性的检测性能。试验表明，该系统针对11类钢轨伤损及扣件状态的检测平均准确率（mAP）达到0.951，推理速度大于20 f/s,满足地铁在载客运营同时对轨道线路状态进行实时检测的需求。     

有轨电车异物侵限检测及预警方法研究

文章融合混合高斯模型与三帧差分法对有轨电车线路进行异物侵限检测,并结合有轨电车位置、速度、异物运动轨迹等参数,采用 T-S 模糊神经网络进行预警等级划分。以某有轨电车公司提供的视频监控数据作为实例,开展实例仿真研究,仿真结果表明该异物侵限检测算法能够较好地检测出行人、汽车等异物,T-S 模糊神经网络能够用于有轨电车异物侵限预警。     

基于监控视频的异常行为检测技术研究

为了提高铁路视频监控的智能化,解决监控场景异常行为的自动检测和告警问题,设计并开发一套基于监控视频的异常行为检测及告警系统。系统采用B/S架构体系及高性能的异常行为检测算法和自动告警逻辑,可以实现对监控视频的实时检测和实时告警。在客户端提供灵活的系统配置模块和报表、告警管理模块,可以满足不同客户的需求。通过试用,系统可以在很大程度上降低人力成本,提高车站等公共场所的安全保障工作质量,同时也显现一些问题,并根据具体问题提出后期的解决方案。     

智能故障诊断在城轨车站设备维护中的应用

根据城轨交通监控系统的特点和车站设备监控系统架构，运用智能故障诊断方法为车站设备维护、检修提供决策依据。讨论了人工神经网络模型的结构及各种算法的利弊，基于MATLAB神经网络的使用方法，最后讨论了智能诊断系统的结构及诊断过程。     

基于深度学习的车站旅客密度检测研究

车站旅客密度是智能客运车站的重要基础信息。首先阐述模式识别、深度卷积神经网络、实时检测算法在图像检测领域的发展历程,并重点分析Faster-RCNN算法和SSD算法的原理;然后定义车站旅客密度检测评价指标,并对VOC数据集下训练的模型进行试验测试;最后构建车站行人数据集,用Faster-RCNN算法训练模型,模型在低密度场景和高密度场景的检测准确率分别为88%和85%。结果表明:公开数据集VOC下训练的模型无法直接用于车站旅客密度检测,基于车站行人数据集和Faster-RCNN算法训练的模型可满足现场需求。     

基于PSO-RBF神经网络模型的铁路隧道突水危险性评价

突水是铁路隧道施工过程中发生频率最高的灾害事故,为有效预防突水事故,降低隧道施工风险,保障施工人员安全。在已有研究基础上选取10个核心指标作为影响突水事故发生的判断依据,收集50组典型隧道突水实例数据作为突水危险性评价的研究样本,运用粒子群优化算法(PSO)优化径向基神经网络(RBF)后,对样本数据进行训练测试,建立PSO-RBF神经网络铁路隧道突水危险性评价模型。最后,将该模型应用于井家山隧道验证其实用性。实例研究表明：PSO-RBF模型能够准确对井家山隧道突水危险性作出判定,且与梯度下降法改进的RBF神经网络相比,PSO-RBF神经网络模型具有更高的准确率和更快的迭代速度。     

智能故障诊断在地铁车站设备维护中的应用

根据轨道交通监控系统的特点,结合现有轨道交通车站设备监控系统的架构,运用智能故障诊断方法,为车站设备的维护、检修提供决策依据。针对人工神经网络模型的结构特点,比较几种常用算法的利弊,阐述基于Matlab的神经网络使用方法,讨论智能诊断系统的结构及诊断过程,对车站典型设备的故障进行诊断。     

基于特征图裁剪的高铁周界入侵实时检测算法

为解决高速铁路周界入侵高可靠度检测的难题,研究基于深度学习的异物入侵实时检测算法。针对深度卷积神经网络存在内存占用量大和检测耗时长的问题,提出以特征图L1范数为准则的递归裁剪算法,逐步降低模型计算量及储存空间,同时将检测准确率保持在较高水平。在基于ImageNet数据库和铁路场景数据库的测试中,该算法可以将VGG16模型压缩约660倍并加速计算4.4倍,而损失的检测准确率分别只有1.2%和0.25%。研究结果表明,基于特征图L1范数的裁剪准则普遍适用于任何具有卷积运算的神经网络结构中,性能优于现有基于卷积核L1范数的裁剪准则。     

一种基于深度神经网络的腕臂底座开口销缺失检测算法

在接触网装置故障中,腕臂底座(包含平腕臂底座和斜腕臂底座)开口销缺失较常见,包括横向和垂直销钉开口销缺失两种.为对腕臂底座开口销缺失缺陷进行自动识别,本文提出一种基于深度神经网络的腕臂底座开口销缺失检测算法:首先采用YOLO算法对原始大图进行一级定位得到腕臂底座区域,然后对腕臂底座区域进行二级定位得到开口销区域小图,最后采用CNN(卷积神经网络)分类算法对横向和垂直开口销小图进行分类识别.实验测试证明该检测算法识别准确率高、漏检率低,可对腕臂底座开口销缺失进行有效检测.     

基于WiSARD无权重神经网络的铁路信号系统入侵检测方法研究

铁路信号系统是保障列车高效安全运行的关键信息基础设施，其安全性直接影响到行车安全。为保证信号系统的网络安全，需准确检测网络入侵。提出基于WiSARD无权重神经网络的铁路信号系统入侵检测方法：采用一种新型数据集构建信号系统流量特征，依据RSSP-I/II协议特点，利用核主成分分析法进行降维处理；选取信号系统中常见的4种攻击方式并结合真实流量组成训练数据集；从准确率和F₁两方面，对比WiSARD和其余3类典型神经网络算法分别在单一、混合攻击流量下的性能。实验结果表明：WiSARD在平均准确率和时间开销之间提供了最佳权衡，能有效提高信号系统入侵检测效率，为提升网络安全感知能力提供有力支撑。     

基于机器视觉的圆斑状钢轨擦伤检测算法

针对现有基于灰度阈值的钢轨擦伤检测算法受光照等外部环境的影响较大的问题，本文提出了一种基于机器视觉的圆斑状钢轨擦伤检测算法。首先通过分析采集图像在垂直方向的灰度均值曲线，提取出钢轨顶面区域；然后运用边缘检测的方法得到擦伤区域边缘的候选像素点；最后运用形态学处理删除不属于擦伤区域的虚假边缘，确定钢轨擦伤区域的位置。用测试数据集对本文算法进行检测性能评测，并与基于灰度阈值的算法进行对比。结果表明：本文算法对圆斑状钢轨擦伤样本的检测准确率为96.4%，而基于灰度阈值的算法的检测准确率为86.8%，本文算法的检测准确率大幅提升，能够对钢轨擦伤进行有效检测。     

汽车车牌的自动检测与识别

车牌识别系统是智能交通系统的重要组成部分.研究进行车牌识别的各项关键技术,提出基于数学形态学与多特征组合分析相结合的快速汽车车牌定位方法.在分析近年来一些典型的车牌识别算法的基础上,给出改进算法的BP神经网络.实验表明,该算法可以有效提高识别速度和准确率.     

基于混合模型的道岔综合监测系统研究

道岔作为关键的铁路信号设备，也是铁路线路三大薄弱环节之一，其工作质量直接影响列车的运行安全。传统的道岔检测方法过分依赖人工经验，检测效率低下，难以应对现有铁路运行中行车速度快、发车密度高等对道岔维护所带来的严峻挑战，并且现有道岔监测也存在监测项目不全面等问题。为满足工电融合需要，开发了一套基于混合模型的道岔综合监测系统，使用卷积神经网络自动进行特征提取，以获取道岔状态，充分发挥深度学习的自动特征提取优势；采用支持向量机和向量域的混合算法，对正常/故障数据进行分类和异常检测，从而提高故障检测的准确率。测试结果表明：与现有人工巡检方法相比，该系统能够为相关人员提供精准、实时的道岔故障预警，提高维护效率，有效减少人力成本且降低道岔病害的发生概率。     

国产数据库在地铁信号系统中的应用研究

为提升地铁装备的国产化水平，逐步实现核心技术的自主可控，以国产数据库在MTC-I型基于通信的列车运行控制系统中的应用为切入点，结合既有数据库架构的特点，提出一种基于国产数据库的一主二备架构。采用基于联机Redo日志的数据实时同步技术，确保不同存储设备间数据的一致性；通过加密引擎技术，定义特殊的或更高强度的加密算法，提高数据加密的安全性；配备基于B/S架构的实时监控平台，有效提升数据库系统的智能运维水平。从可靠性、可扩展性和经济性3个方面，分析了一主两备架构的应用特性。经过正常运营标准压力测试和典型业务场景并发测试，验证了该架构在地铁信号系统中具有良好的适用性。     

列控车载设备的控车核心算法

针对高速列车运行超速安全防护,提出列控车载设备的控车核心算法,总体架构包括动车组制动参数导入、线路数据输入、安全距离预留、模式曲线生成和速度监控处理。算法功能模块划分为制动参数处理、线路数据处理、模式曲线处理和速度监控处理4个模块,其中控车曲线计算公式为列控车载设备控车核心算法关键,分别给出紧急制动曲线、常用制动曲线、紧急制动触发曲线和常用制动触发曲线的计算公式。在真实设备实验室内进行不同线路坡度和线路速度条件下的动车组制动实验,测得列控车载设备模式曲线制动距离,并将其与仿真算法软件计算的距离进行对比验证。结果表明:列控车载设备控车核心算法仿真结果与真实列控车载设备实时监测结果误差率不大于0.08%。将控车核心算法应用于新建铁路客运专线闭塞分区的符合性验证可知,该算法简化了仿真数据配置,减少了测试工作量,有利于缩短检算周期,并能及时反馈闭塞分区符合性检算结果,具有理论和实用价值。     

货运计量安全检测监控系统的研究

结合货运计量和安全检测监控系统的特点，介绍货运计量安全检测监控系统的总体架构、货运安全监测数据的处理流程，阐述系统的网络方案和应用系统的基本功能，对全路货运计量安全检测监控系统的效益进行全面分析，指出系统进一步的发展方向。     

基于改进Mask R-CNN的轨道扣件状态检测方法

为提高轨道扣件状态检测的准确率,基于K均值聚类算法改进掩膜区域卷积神经网络(Mask R-CNN)实例分割算法中的区域建议网络。进行基于改进Mask R-CNN的轨道扣件状态检测方法研究,并将该方法分别应用于普速铁路有砟轨道2个扣件数据集和高速铁路无砟轨道1个扣件数据集上进行轨道扣件状态检测。结果表明:该方法能对普速铁路有砟轨道和高速铁路无砟轨道图像中的扣件状态进行准确检测,扣件的定位准确率和分类准确率平均分别达到97.05%和98.36%,均优于YOLO V3,Faster R-CNN和Mask R-CNN算法;相较于前2种算法,本方法对普速铁路有砟轨道扣件状态检测的优势更为明显。     

智能安全帽的研发及应用

为进一步强化涉铁工程施工安全管理,解决施工现场管控难度大、工程信息化程度低等问题,以北斗高精度定位、大数据分析等技术为基础,研发了一款智能安全帽。通过管理平台远程跟踪现场施工作业人员的动态信息,进行实时监督管理,实现前端现场作业和后端管理的实时联动,有效解决现场作业人员实时监控难题,促进施工管理规范化、信息化。     

基于改进Faster R-CNN的CRTSⅡ型轨道板裂缝检测方法

高速铁路无砟轨道伤损检测维修的准确率和时效性关乎高速铁路的运营安全，采用机器视觉技术进行高速铁路无砟轨道板裂缝伤损检测可极大提升检测工作的准确率和效率，为此根据CRTSⅡ型轨道板裂缝伤损样本数据特点，提出一种基于改进Faster R-CNN的方法对轨道板裂缝进行检测。该改进方法将检测问题转化为定位问题，精简网络模型，其主干网络选用残差网络，避免网络深度过深而导致学习速度下降；引入引导锚框，以减少冗余锚框，提高检测针对性；采用Soft-NMS算法，改善轨道板裂缝检测的重叠状况，提高裂缝检测效果。为评估该改进方法的可靠性，建立CRTSⅡ型轨道板裂缝检测评价标准，并依据该评价标准将改进方法与R-FCN,YOLO-v5,Faster R-CNN及YOLOx网络算法进行对比测试。结果表明：提出的改进方法综合表现优于其他算法，具有更高的准确率以及最小的漏检率，最佳模型查准率为95.9%，查全率为89.6%，相较于其他几种经典算法分别提高了约2%～4%和2%～6%，能够较好地应用于CRTSⅡ型轨道板裂缝检测场景。