铁路扣件缺陷自动检测研究进展

基于计算机视觉和三维激光成像技术的扣件检测算法发展历程,重点针对铁路扣件图像的预处理、定位以及分类3个主要环节的算法进行综述,并探讨现有扣件检测算法存在的问题与困境。介绍三维激光成像技术及其在扣件检测领域的应用前景。     

尺度自适应的铁路异物侵限PSA-Kcf降维跟踪方法

针对铁路异物侵限存在尺度上的外观变化,导致现有目标跟踪算法容易学习到过量背景或局部纹理信息,从而引发跟踪框漂移的问题,提出一种融合尺度估计的核相关滤波目标跟踪算法。利用视觉背景提取器ViBe对铁路沿线侵限异物进行检测,通过密集循环采样和尺度金字塔技术分别提取初始化跟踪框的FHOG特征,用来训练一个核相关位置滤波器和一个PCA降维的尺度滤波器,以实现尺度自适应的铁路侵限异物快速跟踪。实验结果表明:PSA-Kcf算法在跟踪精度上优于无尺度估计环节的生成类算法Mean Shift和原生核相关滤波算法Kcf,略高于尺度自适应的SA-Kcf和SAMF算法;在跟踪速度上明显快于Mean Shift、SA-Kcf和SAMF算法,能达到与Kcf算法相当的快速跟踪效果。     

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^...     

基于机器视觉的地铁主动式障碍物检测系统

针对现有异物入侵检测模型参数多、实时性差等问题,文章提出一种新型地铁主动式障碍物检测系统。首先通过使用稀疏化和通道剪枝的方法,得到轻量级YOLOv3异物检测模型,然后使用HSV、Lab颜色空间中的亮度通道辅助边缘检测,并进行透视变换处理,提取轨道可通行区域,最后基于PyQt5开发了主动式轨道障碍物检测系统。该系统已在地铁电客车上进行了验证,可实现障碍物检测及异物入侵报警等功能。     

基于帧间差分累积的铁路限界异物检测提取算法

为满足轨道交通全自动运行系统对铁路限界内异物检测提取的需求,改进帧间差分法,提出一种以帧间差分累积为基础的铁路限界内异物检测提取算法。算法针对图像序列帧匹配提取的轨道线为依据标定限界区域,通过多帧隔帧帧差法得到差分结果,根据铁路限界内道床纹理特征,通过数学形态学实现背景纹理的重构来降低背景噪声影响。最后,以侧向差分灰度的累积投影值来动态确定不同环境下的异物前景范围,并通过最大类间方差法提取得到前景目标。通过对47个路轨场景进行测试,算法对有前景目标场景的目标检测率为96.87%,定位提取过程的平均耗时为137 ms。实验结果表明:算法可完成对运动背景下的轨道限界内前景目标的定位和提取,具有较好的实时性和准确性。     

铁路钢轨异物距离检测方法研究

针对铁路线路情况设计实时异物距离测试方案,基于车钩装载移动式摄像机和钢轨识别方法,利用横向视觉和纵向视觉几何原理,提出2种钢轨异物距离检测算法,为铁路运输安全提供技术方案。整体方案经过实验室线路试验以及乌鲁木齐铁路局现场试验验证,异物距离测试精度满足工程要求,算法具有较好的鲁棒性;数据误差分析中,尤其是中长距离,基于横向视觉比纵向视觉的检测方法更加准确,适合监控远程异物距离。     

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。     

铁路计算机联锁站场数据自动提取方法研究

针对计算机联锁自动测试软件所需的铁路站场数据依赖人工手动输入、自动化程度不高的问题，提出了铁路计算机联锁站场数据自动提取方法。以经过验证无误的联锁上位机界面图像作为图像识别系统的输入，分析信号设备显示特征并定义数据模型，基于OpenCVSharp计算机视觉库，利用图像识别相关算法，设计识别流程，自动提取站场数据。采用上述方法开发软件，展示信号设备识别与数据提取效果。该方法能准确识别出联锁上位机界面中的信号机、道岔与轨道区段，从而实现相关站场数据的自动提取。     

基于Faster R-CNN网络模型的铁路异物侵限检测算法研究

行人和车辆等异物侵入铁路周边限界内的情况严重威胁了行人自身安全及铁路行车安全。针对传统铁路异物检测算法识别精度不高、分类不明确和结果易受外界环境影响等缺点,提出了一种基于Faster R-CNN网络模型的铁路异物侵限检测算法,并对该模型做适应性改进以满足铁路异物检测的现实需要。提出将全连接层用全局平均池化层替代来减少参数量;通过增加锚点个数来提高对目标区域建议的精确性;引入迁移学习思想训练网络以解决铁路异物侵限数据匮乏问题。在铁路异物侵限视频数据集上进行测试表明,本算法对于人、车及部分动物的综合检测精确度达到了97.81%。     

基于深度学习的铁路限界快速检测算法

列车行驶环境快速、可靠、精准感知是列车安全、高效运行的前提和关键支撑技术。列车若无法提前感知非法侵入铁路限界范围内的异物,并在短时间内有效制动,将会导致严重的安全事故。为解决列车运行环境内影响运行安全的异物侵限问题,基于深度学习算法,提出一种铁路轨道限界快速检测算法。该方法首先采用预设行锚框的方式对图像进行划分,将传统分割算法的逐像素预测,转变为对每个行锚框进行逐网格预测,以达到显著降低算法计算量,并提高检测速度的目的。同时,通过快速识别图像中属于轨道部分的像素,结合轨道线的连续特征进行追踪,达到铁路轨道坐标的智能快速识别。最后根据标准轨距下限界的定义,对识别出的轨道线坐标和侵限区域进行扩充,以确定铁路异物入侵限界的范围。通过在真实轨道数据集上的对比实验,验证所提算法能以172FPS的速度快速检测铁路限界,且轨道线和限界区域的识别精度分别达到98.96%和98.12%,F1值分别达到99.68%和98.95%,限界区域检测的平均交并比MIoU达到96.88%,各类指标均取得当前最好的准确率和性能,满足高速列车对环境感知精度和速度要求,可以为异物侵限检测、目标跟踪和列车控制等环境感知及运...     

铁路入侵运动目标实时检测技术

针对铁路场景下入侵异物的特点,采用智能视频技术,对监控视频图像序列中入侵运动目标检测方法进行研究．提出基于参考点的“相对背景差分法”、基于目标特征的跟踪算法和基于透视规律的目标分类方法,实现对多目标场景运动目标的实时检测识别。典型场景实验结果表明：上述算法实现了铁路入侵运动目标的高效检测,与基础背景差分法相比,误检率和漏检率分别减小了24．56％和54．17％;与基于区域的传统目标跟踪方法相比,误匹配率和漏匹配率分别减小了64．78％和22．58％,且算法具有较强的实时性和鲁棒性。     

一种基于计算机视觉的地铁站台异物检测算法

地铁已成为大型城市的主要交通工具，如何保障乘客的安全成为地铁运营的热点问题。文章在现有的车门与屏蔽门之间人工检测技术的基础上提出一种基于计算机视觉的空间异物检测算法。该算法通过对车尾处灯带的完整性进行检测，判断车门与屏蔽门间是否存在异物，进而辅助司机进行开车前的安全检查，保障列车的运行安全。实地采集视频数据进行实验分析，结果表明，文章所提方法可以准确检测出空隙中异物。     

铁路入侵智能检测方法研究

铁路入侵行为严重影响铁路安全,由于人工监控容易产生疏漏,研究计算机智能铁路入侵检测系统尤为必要,文章提出了一种智能铁路入侵识别方法,主要包括2个方面:一是提出了一种描述n维入侵目标可能存在的m维基本运动过程的数学模型;二是提出基于方向场的铁轨智能识别方法。经轨道监控视频实验验证,文中提出的方法可有效识别监控区域中的轨道,并可对铁路入侵目标进行准确识别和跟踪,算法具有一定鲁棒性,对实现智能铁路入侵检测具有重要意义。     

轨道交通户外站台门与列车间隙背景灯带图像分割算法研究

轨道交通在发车前需要清空站台与列车间隙,否则异物入侵会对乘客与列车运行造成安全隐患,基于背景灯带的异物入侵检测需要对灯带在图像中进行图像分割、提取、识别。针对在户外站台场景下,复杂背景和日光等因素为背景灯带提取带来困难的问题,提出一种无监督的图像分割算法。首先通过卷积神经网络进行特征提取,然后将特征图输入到后续分类器中对所有像素进行类别输出。在训练过程中,使用的损失函数从三方面进行设计：考虑特征相似度和空间连续约束、基于深度支持向量描述以及基于几何与光度增强。算法能够实现单样本无监督对神经网络参数进行调优。通过对某城轨站台真实数据采集及实验结果表明,本文提出的方法在与训练样本不同光照条件、拍摄角度条件下,对背景灯带进行分割的F1分数为78.47%;在性能优于其他方法的同时,耗时最多能减少97.1%;算法为基于背景灯带的异物检测方案提供一种行之有效的图像分割方法,为后续的异物自动检测提供基础。     

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。     

基于智能视频分析的铁路入侵检测技术研究

针对视频监控系统人工监视容易产生疏漏的问题,研究在铁路场景下基于智能视频监控图像序列处理和分析的识别物体入侵行为检测技术,给出铁路入侵物体检测、定位与跟踪的适用算法,实现基于轨迹点行为模型的入侵行为分析与理解。设计和开发了基于OpenCV的铁路入侵检测实验平台,在此平台上实现背景建模、运动检测与跟踪等项功能,初步实现了对入侵行为的识别、分析以及对危险行为的报警。     

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。     

计算机视觉技术在铁路检测领域的应用

计算机视觉作为一种先进的自动检测技术,凭借其非接触性、灵活性、精确性等优点,在铁路检测领域得到越来越多的应用。主要应用于轨道基础设施检测、电力机车检测、接触网检测和站台环境监测4个方面。归纳总结计算机视觉技术在铁路检测中应用的国内外研究现状,阐述计算机视觉技术在检测过程中采用的方法,分析计算机视觉技术应用于铁路检测时存在的问题,并对发展前景进行预测。     

轨道交通入侵智能监控系统

智能监控系统是安防系统的重要部分,具有重要的实际应用意义和广泛的应用前景。针对传统的监控系统存在的问题,提出轨道交通入侵智能监控系统的总体流程,研究基于计算机图像处理和模式识别技术的轨道入侵和跟踪智能算法及入侵目标判别规则,并由高阶统计量算法结合聚类算法对序列图像进行处理,最后展望该系统在轨道交通领域的应用。     

基于铁路5C装置的受电弓滑板缺陷智能检测技术

受电弓的异常状态是对高速铁路运营安全影响较大且备受关注的问题.基于计算机视觉的受电弓滑板缺陷智能检测技术,结合改进的YOLOv4模型与边缘提取等传统图像处理算法,研究适用于受电弓滑板监测装置(5C)的缺陷智能识别模型.铁路现场试验证明该智能识别模型在受电弓滑板缺陷检测中的有效性和实时性.