基于多源数据分析的TEDS故障识别技术研究

单点运行的动车组运行故障动态图像检测系统（TEDS）故障自动识别功能存在识别准确率不足，误判率高的问题。为此，提出了一种基于多源数据的动车组故障图像识别方法，以联网运行的TEDS数据为基础，结合传统的差异检测法，对不同空间与时间TEDS采集的同一列车图像进行多源数据融合与权重差异计算，实现了动车组车体异常部位的检测。试验表明，该方法建立了更为准确的对比参考源，减少了环境对成像内容的影响，能够提高动车组运行故障自动识别率，降低误报率。     

高速铁路建设动车组运行故障图像检测系统的实践

动车组运行故障图像检测系统(简称TEDS)是动车组运行安全监控的有效检测设备.其部署与安装具有建设难度大、技术要求高、业务涉及面广的特点.本文主要介绍2013年郑州铁路局在已运营的京广高速铁路郑州东站南北咽喉处,建设2套TEDS的实践过程,对TEDS完整的实施方案、架构设计、业务管理等进行了有效的探索,保证TEDS正常稳定运行,为确保高速动车组运行安全提供了可靠的装备保障.     

适用于无砟轨道的TEDS系统设计与实现

本文介绍研发的新型动车组运行故障图像检测系统TEDS设备满足无砟轨道道床上的安装需要和动车组安全运行的要求,符合中国铁路总公司《动车组运行故障图像检测系统(TEDS)探测站设备暂行技术条件》(铁总运[2015]242号)的技术标准,经实际使用检验取得预期效果。     

动车组运行故障图像检测系统(TEDS)运用研究与思考

动车组运行故障图像检测系统(TEDS)是动车组运用安全保障的重要辅助设备。介绍TEDS设备特点及具体联网技术方案,从设备自身方面和现场运用方面具体分析TEDS存在的问题,并提出下一步工作建议。     

无砟道床表观伤损智能识别算法研究北大核心

为提高无砟道床表观伤损检测系统的检测精度和准确率,提出了一种多尺度多任务的伤损智能识别算法。采用特征图L1范数准则对ResNet网络的冗余卷积核进行压缩剪枝,以降低模型计算量和存储空间。通过采集的图像构建样本库,利用像素级语义分割算法,以优化后的ResNet网络为编码网络,以PPM网络为解码网络,搭建编码-解码深度学习架构模型,并通过测试集试验和现场试验对模型进行验证。结果表明,该模型对2000张测试图像的识别准确率为95.6%,无砟道床表观伤损现场检出率为96.4%,检测效果良好。该模型可以实现对无砟道床表观伤损的自动化检测、伤损趋势分析和状态评定。     

基于改进YOLOv2的动车组裙板螺栓检测

目前,动车组运行故障图像检测系统(TEDS)采集的动车组关键部位图像主要由人工判别,为提高裙板螺栓检测效率,提出一种基于改进YOLOv2的运行动车组裙板螺栓丢失检测方法.首先,通过K-Means聚类分析待检测螺栓区域目标框尺寸;其次,针对目标区域尺寸相似且较小的情况,在单尺度检测的YOLOv2模型中增加Spa-tial...     

黄石邦柯科技股份有限公司

<正>TEDS动车运行故障图像检测系统评审文号:辆设[2014]108号动车组运行故障图像检测系统(Trouble of moving EMU Detection System,简称TEDS)是利用轨边安装高速相机,采集运行动车组走行部、制动配件、底架悬吊件、钩缓连接、车体两侧裙板、转向架、踏面、轮缘、轮辋等部位图像,采用图像自动识别技术,对图像进行自动异常分析和分级预警,同时利用图像传输技     

动车组车辆故障动态图像检测系统(TEDS)运用研究

动车组车辆故障动态图像检测系统(TEDS)是我国第一种在高铁线路上安装的车辆检测设备,介绍了TEDS的设备研制、试验及运用情况,针对设备特点及存在的问题提出相应对策。     

影响TEDS及时率的原因分析及对策研究

动车组运行故障图像检测系统(简称TEDS)主要通过在轨边安装的面阵和线阵组合摄像头,对动车组走行部、制动配件、底架悬吊件、钩缓连接、车体两侧裙板等部位图像进行采集并对动车组故障进行分析,TEDS及时率是对通过探测站动车组的分析及时程度的体现。本文从多个方面对影响及时率的原因进行深入分析并制定相应的整改措施。     

关于提升TEDS故障预警准确率的研究

TEDS作为动车组运行途中状态监控的一种手段,在各铁路局均有成熟应用,通过图像对比的方式,发现故障时系统能够自动预警。目前,TEDS报警的准确率只有十万分之二左右,不能满足日常要求。文中通过对深度学习技术的研究,选择适合TEDS图像识别的模型,提升TEDS故障预警的准确率。     

基于改进YOLOX的轻量级钢轨表面缺陷检测算法北大核心

针对现有基于深度学习的钢轨表面缺陷检测方法在嵌入式检测系统上兼容性较差、计算资源占用高以及检测速度慢的问题,提出了一种基于改进YOLOX的轻量级钢轨表面缺陷检测算法。模型中主干特征层以MobileNetv3单元为基础,在保留其网络轻量化的同时进行局部优化,改进了浅层网络的激活函数,嵌入了SE(Squeeze and Excitation)注意力机制;在加强特征层优化了尾部的冗余卷积。通过与几种代表性算法进行对比试验,验证该算法的性能。结果表明:本文提出的改进算法在模型参数量仅为1.10×106的情况下,检出率和准确率分别达到了92.17%和90.92%,每秒传输帧数(Frame Per Second,FPS)为115.07,模型大小仅为原模型的1/5。该算法在保证较高检测精度的同时大大降低了模型参数量,并提升了检测速度,更适合部署于算力有限的嵌入式轨道检测系统,可为钢轨缺陷高效检测提供有效手段。     

用于动车组故障检测的车号识别算法

列车车号是其身份的唯一标识，动车组运行故障动态图像检测系统（TEDS）根据列车车号在图像库中找寻该列车拍摄的历史图像，以其比对现场采集图像，从而实现对运行列车状态的实时监测。然而动车组目前尚未安装射频识别电子标签，鉴于此，利用视频分析技术对动车组车号图像进行自动识别成为亟需解决的问题。文章提出一种基于语义共生概率的模板匹配算法对车号字符进行识别。实验结果表明，本算法对车号的识别正确率和有效性满足铁路总公司的相关要求，保障了TEDS的工作效果。     

基于数据驱动的高速铁路动车组列车头尾车车轮踏面缺陷预测方法

[目的]踏面缺陷是高速铁路动车组列车车轮失效的主要表现形式之一,严重影响了动车组运行的安全性及乘客的乘坐舒适性。车轮踏面缺陷主要集中在头尾车,可能是多种因素共同作用的结果,需要寻找一种能综合多种影响因素的预测方法。[方法]基于某铁路局动车组列车的车轮镟修数据,每个数据样本包括10个特征(4个名义特征和6个连续特征),对数据进行预处理。通过合成少数类样本过采样技术对不平衡数据集进行处理,构建了标准化数据集。建立了DNN(深度神经网络)模型,对底层特征进行组合,形成了特征的高层抽象表示。通过网络结构调整和超参数优化得到了模型的最优学习效果。对模型进行训练并测试,验证了该模型的预测效果。[结果及结论]基于数据驱动的头尾车车轮踏面缺陷预测方法具有较高的预测精度和较优的综合性能,其预测精确率达92.5%,可有效预测头尾车车轮踏面损伤的发生概率。     

TEDS-3D系统在贵广高铁无砟轨道中的运用

本文着眼我国在建客运专线大规模采用无砟轨道结构的实际,在介绍动车组运行故障图像检测系统(TEDS—3D)的工作原理及功能的基础上,对该系统运用于无砟轨道上的必要性作了深入分析和论证并就该系统在运用中出现的常见故障提出应对措施,为全路推进这方面工作积累了经验。     

动车组故障轨边图像自动检测系统的设计与实现

动车组故障轨边图像自动检测系统(TEDS)是集高速数字图像采集、大容量图像数据实时处理技术、精确定位技术、模式识别技术、智能化与网络化技术以及自动控制技术于一体的智能系统,可采集运行中动车组车体底部、车体两侧裙板、车辆连接装置、转向架等可视部位的外观图像,并实时传输至监测中心,对图像进行故障识别报警。TEDS系统采用人机结合方式,可及时发现动车组关键部位故障,有助于提高动车组检修作业质量,保障行车安全。     

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.     

基于2阶级联轻量级卷积神经网络的高铁接触网悬挂紧固件缺陷识别方法

基于高铁接触网悬挂运行状态监测图像,分析监测图像与普通图像的区别;将紧固件缺陷检测问题转换为紧固件检测和运行状态精细识别2个过程,提出基于2阶级联卷积神经网络的紧固件缺陷识别方法。首先,设计紧固件检测网络,由轻量级特征提取网络、全局注意力模块及相互增强的分类器和检测器组成,实现目标紧固件实例的高效检测;然后,搭建1个包含4个卷积层、2个池化层、1个全连接层和1个输出层的多标签分类网络,完成紧固件运行状态的精细分类,实现缺陷识别。运用紧固体缺陷识别方法,对某高铁线路接触网状态监测图像数据进行试验分析,结果表明:2阶级联卷积神经网络的方法可以快速准确地检测紧固件的缺陷,紧固件定位平均检出率达98.2%,紧固件缺陷平均识别精度达95.8%,较单一检测网络提高约21.5%。     

计及少样本的YOLOv5s轨枕掉块小目标缺陷检测方法研究

轨枕作为固定钢轨和扣件的重要轨道零部件之一,由于长期承受钢轨传来的各种作用力,其端部易出现掉块,造成轨道机械结构稳定性下降,故轨枕掉块缺陷检测对保证列车正常运行起到重要作用。针对轨枕掉块缺陷检测方法存在精度较低和缺陷样本少的问题,提出一种计及少样本的YOLOv5s轨枕掉块小目标缺陷检测方法。首先,采用Copy-Pasting数据增强方法增加轨枕图像中掉块小目标数量,解决缺陷样本少的问题;其次,通过降低网络下采样倍数和删除大尺度检测层的方式改进YOLOv5s模型的多尺度检测层,提高轨枕掉块缺陷检测精度和速度;然后,将锚框之间的平均交并比作为距离量度改进K-means聚类算法,并使用遗传算法优化,重新匹配适合轨枕掉块缺陷检测的锚框;最后,使用跨尺度连接结构和双向特征加权融合模块改进YOLOv5s的特征融合结构,增强特征融合能力。实验结果表明,与原模型相比较,改进后的YOLOv5s模型平均精度达到94.1%,提高2.3%,检测速度达到93.3 fps,提高26.6 fps,能够准确且快速地识别轨枕掉块小目标缺陷。     

基于级联网络的钢轨顶面缺陷检测方法研究

长期的高速行驶会引起车辆振动，使钢轨顶面形成孔洞、擦伤和疤痕等各种缺陷，这些缺陷不仅会影响钢轨顶面的外观，还会对钢轨的性能和安全性产生长期不利影响。针对钢轨顶面缺陷类型多变、背景杂乱、对比度低、噪声干扰等因素影响，提出一种基于级联网络的钢轨顶面缺陷检测方法。利用图像垂直微分投影法分割出钢轨顶面区域，在此基础上使用级联网络对钢轨顶面上的疤痕缺陷进行检测。其中，为更好地优化缺陷特征细节，在特征提取阶段引入轻量级的卷积注意力机制模块；采用信道加权模块与残差解码器模块相结合的方式进行缺陷特征恢复；为得到边缘清晰的缺陷对象，在特征恢复之后设计了一个边界精细化网络结构。实验结果表明，该方法的平均绝对误差仅为0.001 2,AUC值达到0.993 5,单张图片平均检测速度仅为0.041 s,对于Ⅰ型和Ⅱ型钢轨顶面疤痕缺陷的检测精度分别达到98.6%和96.4%。利用该深度学习网络模型能较好地检测出钢轨顶面的疤痕缺陷，具有较高的工程实用价值。     

城轨交通接触网悬挂状态智能检测算法及应用

通过高清成像对接触网悬挂状态进行检测,及时发现零部件松脱卡磨断等缺陷问题并维修,是保障城轨交通接触网系统安全运行的重要手段。采用YOLOV4的最小版本YOLOV4-tiny作为检测算法的基础模型,将原有Dropout层去掉,将上层特征直接经过卷积层后输入到下层卷积层,并加入Mosaic数据增强方式提高算法的泛化性,同时将原有Leaky-Relu函数替换为更加平滑的Mish函数。接触网缺陷定位的流程为：根据改进后的YOLOv4-tiny算法训练得到零部件区域定位模型,用于定位零部件的位置;再根据改进后的YOLOv4-tiny算法训练得到缺陷识别模型,用于判断该零部件是否有缺陷,并给出缺陷的具体位置和缺陷类别。实际应用表明：该算法能准确、快速定位零部件缺陷位置,并给出缺陷类型,总精度达90%以上,大大地降低了检测耗时与成本,并保障了作业人员安全。