基于单目视觉三维重建的货运列车超限检测方法研究

针对基于雷达和激光等技术的货运列车超限检测系统存在检测区域不完整及只能在列车移动状态下进行测量的缺陷,提出一种基于单目视觉三维重建的货运列车超限检测方法.通过单目视觉三维重建算法对获取的序列图像进行建模处理得到目标货运列车的三维点云模型.对三维点云模型进行全局坐标系转换与切片投影,得到目标货运列车若干横截面二维点云图形.结合铁路货运列车超限检测标准,构建标准界限图形.将获得的二维点云图形代入标准界限图形中进行超限检测判别.实验结果显示,该方法具有较高的检测精度和检测效率,能够满足铁路货运列车超限检测作业要求.     

一种基于时空相关分析的货运列车车号识别方法研究

提出一种基于时空相关分析的货运列车车号识别方法,该方法包括车号定位、片段聚类与车号识别3部分.基于连通体分析技术,提出利用货运列车车号字符间特定的几何比例关系有效地定位车号区域;在车号定位基础上,利用视频序列时空冗余信息建立帧信息补正模型,对部分定位错误帧图像进行补正并通过片段聚类方法将包含相同内容的车号视频序列进行切分;利用概率神经网络训练车号联合识别决策器,对可能包含同一车号的多帧图像进行联合识别,有效提高车号识别的准确率.通过在实际货运列车视频数据集上进行测试验证,本文算法对所有帧图像的平均车号识别准确率高于90％,优于传统基于静态图像处理的车号识别方法.     

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.     

密度聚类与PCA的点云数据处理技术在高铁轨道检测中的应用

为解决轨道手工检测效率低、准确度不高的问题,克服二维线激光与轨向不垂直而影响检测精度的不足,利用三维结构光点云技术对高铁轨道表面状态进行检测。数据处理是三维结构光检测的重要环节,综合运用密度聚类与PCA算法对点云进行快速处理。首先采用三维栅格算法对点云进行采样,减少点云数据量;其次利用密度聚类将点云分成不同的簇类以去除噪声点和离群点,提取出目标点云;最后通过PCA算法计算点云的3个主成分向量,求解变换矩阵变换点云,实现点云初始配准。精确配准后,与标准模型点云对比,即可得出检测结果。现场试验结果表明,该方法运行速度快,配准精度较高,有效提高了检测的效率和精度。     

基于非负矩阵分解的高速列车走行部工况识别

根据高速列车振动信号数据的特点,针对高速列车走行部工况的识别,提出了一种基于非负矩阵分解(NMF)算法的工况识别模型。该模型通过数据处理获得具有辨识度的工况数据集,使用K-meams、谱聚类、近邻传播和模糊C均值4种聚类算法获得初步识别结果。聚类算法的初步识别结果作为NMF算法的输入,获得最终识别结果。相比NMF算法与聚类算法的识别结果,NMF算法具有更高的准确率,本文验证了NMF算法在高速列车工况识别方面的有效性和高效性,为高速列车的工况识别提出了一种有效的解决方案。     

基于连续点云数据的既有铁路轨面信息快速提取算法设计

三维激光扫描获取的既有铁路点云数据具有海量性、离散性等特点,难以从点云数据中快速提取线路参数.为此,结合现场实测数据,提出一种基于连续点云数据的既有铁路轨面信息快速提取算法.通过k-d树实现点云的快速搜索、查询和储存,利用主成分分析法和移动激光点聚类法提取的接触线分割构建出铁路缓冲区,进而通过平面格网法的粗提和多种约束条件下的精提实现了轨面点提取.对既有线路现场试验结果表明,轨面点提取的完整度c和准确度p均在93％以上,该方法能较好地实现钢轨轨面点云的快速提取.     

面向地铁场景的激光雷达目标检测研究

针对列车运行前方限界难以实时构建、非结构化轨道道路环境目标聚类检测复杂等问题,提出一种基于激光雷达的目标检测及前方界限实时构建系统。首先,采用了空间换时间的策略提升轨道提取效率,利用轨道局部高程信息、全局几何平行信息并融合多帧信息实现轨道稳定提取,从而基于提取的轨道位置实时构建列车通行的前方限界;其次,基于点云深度图、梯度与距离特征解决了非平铺路场景下的障碍物聚类问题,采用航迹信息进行多目标跟踪提高目标跟踪的稳定性。通过在地铁场景实车测试验证,结果表明该方法能够准确可靠地提取轨道位置和进行目标检测与跟踪。     

基于多传感器融合的轨道识别方法探究

随着地铁列车无人驾驶技术的发展,有必要增加线路障碍物监测系统功能,对列车运行前方障碍物进行主动探测、识别和预警。列车前方轨道识别及构建限界空间是列车车前障碍物监测的关键技术之一,只有在准确识别出轨道限界的条件下才能够判断列车前方检测到的目标的危险性。为解决单个传感器进行轨道识别存在的缺陷,提出一种融合可见光相机和激光雷达传感器,并借助深度卷积神经网络和点云特征,实现轨道识别的新方法。     

基于改进YOLOv5s算法的列车驾驶员手势识别

随着智能铁路的发展，人工智能技术得到广泛应用。通过深度学习对列车驾驶员手势实时检测，可提高检查驾驶员手势执行情况的效率，保证列车运行安全。针对现有手势识别算法识别精度低、检测速度慢、难以部署等问题，提出一种改进的YOLOv5s列车驾驶员手势识别算法。首先在原始主干网络的卷积操作之后添加CBAM模块，加强重要特征信息，抑制次要特征信息；其次在颈部网络中引入BiFPN模块，在不过多增加计算量的情况下，更好地实现多尺度特征融合；最后通过改进的K-means聚类算法生成适合本文数据集的先验框，更好地提升预测框精准度，加强模型的识别性能。实验结果表明，本算法在测试集上平均精确率均值为0.955,检测速度为71 FPS,网络模型所占内存为15.9 MB,验证了该算法具有识别精度高、检测速度快、模型内存占比小等优势，对于实现工程部署有重要意义。     

地铁列车障碍物视频识别系统设计

基于视频图像识别技术的列车障碍物识别系统,可以实现无人驾驶列车前进方向轨道内障碍物的自动检测。该系统通过采用2台独立的高清摄像机采集图像数据,经软件的智能计算分析,可识别列车前方是否存在障碍物,并实现障碍物与车辆之间的距离测量。该技术在业内属首次开发,可实现列车前方障碍物的检测,有效替代司机进行线路瞭望。目前本系统已通过功能仿真验证测试,拟在实际运行线路的列车上进一步进行功能验证。