融合注意力机制的轨道入侵异物检测轻量级模型研究

基于智能视频分析的轨道线路环境入侵物自主识别是保障轨道交通运营安全的关键技术之一。然而基于神经网络的高精度目标检测模型严重依赖算力，部署成本高，很难普及运用。为此，提出一种改进yolov4-tiny的轻量级网络模型。在网络主干，通过融合跨阶段结构和通道混洗策略，提出CSPShuffleNet结构，加快网络推理；在网络颈部，引入多头注意力机制，增强网络目标定位能力；在网络头部，使用深度可分离卷积替换传统卷积，进一步压缩网络参数量。基于铁路异物数据集的实验结果表明：相比于原始yolov4-tiny,本模型的均值平均精度最大提高1.4%,参数量减少49.9%,模型容量减少55.4%。验证了本模型对于固定平台和移动平台检测系统的普适性，从而为铁路安全保障提供决策支持。     

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。     

基于LeNet-5的编组站站内机车车号识别系统的研究

编组站内机车车号的识别问题一直制约着本务机车综合管控技术的发展。为了解决这一问题,针对机车车次,机车类型自动识别问题进行研究。改进了基于卷积神经网络LeNet-5的识别算法,并收集了大量机车车次图像素材,通过图像预处理后,使用训练集进行模型训练,形成适用于机车车次识别的网络模型,通过使用python语言与.NET平台实现了机车车次识别系统的设计。实验表明,该方法对机车车号的识别达到了较高的识别水平。目前,车号识别系统已在中国铁路武汉局集团有限公司襄阳北站试验,高清图像素材从车站高清货检系统处获取,识别效果良好,为实现智慧型编组站提供了有力的技术支撑。     

铁路桥梁裂缝位置识别与目标检测方法探讨

裂缝是铁路混凝土桥梁累积性破损的早期表现形式。由于裂缝形态的非线性和桥梁结构所处环境的多样性,依靠人工作业的桥梁裂缝检测存在耗时长、主观性大、检测精度不高等问题,已无法满足桥梁状态诊断的需求。传统的裂缝图像处理方法过于依赖算法设计者的经验,易导致检测精度不高。针对上述问题,提出一种基于Detectron平台的目标检测模型,利用模型中卷积神经网络(CNN)对输入图像的光线、扭曲旋转、大小变化等高度适应的优点,从大量裂缝图像中学习裂缝特征,实现对桥梁裂缝位置的识别。采用图像分割法建立图像训练集、验证集及测试集,用特征标定工具为数据集作裂缝位置标签,创建由4个卷积层(Conv),4个池化层(Max-pooling)和1个全连接层(FC)共922,368个参数组成的卷积神经网络(CNN),并将学习率调整为0. 001。验证及测试表明,所提出的基于Detectron平台的目标检测模型在数据多次迭代后具有良好的裂缝位置识别精度。用于模型学习的训练集与验证集上,识别精度最优值分别为92. 64%和88. 98%,未被模型学习的测试集上,识别精度最优值为90. 43%。最后,通过与传统图像处理识别技术的对比分析,阐明模型在特征识别上的优劣性。     

基于深度卷积神经网络的铁路接触网鸟窝检测方法研究

鸟类在铁路接触网筑巢一直是造成接触网故障的一个重要原因,目前主要依靠人工巡检的方式确定是否存在鸟窝,不仅工作量大、漏检率高,而且效率低。因此提升接触网鸟窝的检测效率,及时排除隐患,对保障铁路安全运营具有重要的意义。针对此问题,提出了一种基于深度卷积神经网络的Faster R-CNN模型用于接触网鸟窝的自动识别。通过自定义合适的网络结构和参数,经过预训练、 RPN网络训练、Fast R-CNN网络训练以及对RPN和Fast R-CNN的联合训练,建立了适合鸟窝检测的Faster R-CNN模型,实现对鸟窝的检测。经试验,Faster R-CNN的准确率为88.5%,每张图片的识别速度为79 ms,通过与传统的HOG方法、DPM方法和卷积神经网络方法进行比较,验证了深度卷积神经网络对铁路接触网鸟窝检测高效性。     

直供方式回流系统故障诊断方法研究

近年来牵引回流系统故障频发，对铁路供电、信号设备造成了严重危害。为对牵引回流系统的运行状态进行监视，并实现回流系统故障的快速诊断与定位以确保铁路安全运行，将运行的机车视为移动的激励源，对故障情况下机车经过故障点时变电所处的各路回流分配系数变化情况进行分析，确定回流系统故障的诊断判据，提出一种回流系统故障诊断与定位的方法，并通过搭建牵引回流系统仿真模型验证方法的可行性。     

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.     

基于卷积神经网络的接触网支柱号识别方法研究

接触网支柱号是铁路供电部门现场运营维护的重要定位参数。基于卷积神经网络的接触网支柱号自动识别方法结合接触网图像的实际特点,对视频图像进行了归一化图像预处理,并对实际的支柱图片进行了卷积神经网络的训练,在支柱号识别确定的过程中考虑了接触网支柱号的分布特点,提高了支柱号识别的准确性。利用实际线路数据进行测试,取得了较好的识别精度和较快的识别速度。通过实验验证,该方法能够辅助铁路基础设施检测系统中缺陷的定位,指导现场运营维修。     

铁路养护维修GIS中里程与坐标的转换

为方便铁路养护维修，实现设备与病害在地图中的定位，以甘泉铁路管养修信息系统开发为例，探讨了里程与坐标相互转换的方法。主要阐述了里程点坐标转换的数学模型、计算方法和实现过程，并通过实例验证了转换的精度和可靠性。结果表明，该算法易于编程实现，转换精度较高，适用于铁路养护维修中设备与病害的定位。     

同心协力 精心建设为铁路信息化建设再创辉煌

车号自动识别系统是一项铁路信息化十分关键和重要的基础工程建设项目,是一个对全国铁路车辆、列车、机车运行位置进行动态追踪管理的实时信息自动采集和报告系统。1999年铁道部决定在全路建设铁路车号自动识别系统(ATIS)工程,经过4年共同努力,建设工程已全部完成,并发挥着越来越重要的作用。     

基于Faster R-CNN的铁路扣件定位方法研究

准确的扣件定位是进行扣件状态检测、保障轨道交通车辆安全运行的基础,传统的基于图像处理的方法难以满足快速准确智能检测的需要.针对这一情况,提出一种基于改进Faster R-CNN的深度学习理论方法,进行扣件定位.首先,建立检测图像数据集并进行图像标注,然后根据实际扣件图像特点建立Faster R-CNN检测模型,利用标注...     

企业铁路可视化机车运行实时监控系统的设计与实现

本文论述了DGPS技术和基于轨道信号的MESH无线网络在企业铁路机车运行实时监控方面的应用.该应用将MESH无线网络技术运用于企业铁路机车运行实时监控,并通过将铁路信号和机车运行前方进路(道口或货位等)视频回传、DGPS亚米级高精度定位等功能带来的各类安全预警,使得企业铁路机车运行实时监控达到可视化.     

基于3D卷积神经网络的高铁轨道质量指数预测方法

轨道质量指数（TQI，Track Quality Index）是反映高铁整体线路质量状态的重要指标，分析TQI数据的变化规律能够对高铁线路养护维修提供重要指导和参考依据。为提高TQI数据预测的准确性，提出了一种多项特征数据的3D卷积神经网络模型，分析了TQI数据特征，抽取时间、空间、检测项数据并形成三维特征数据集，基于3D卷积神经网络算法，构建8层TQI预测模型，并从初始化参数、学习速率、激活函数、损失函数、Dropout方法等角度对模型进行优化，并利用某高铁线检测数据进行试验验证。结果表明，3D卷积神经网络模型可较好的预测高铁线路状态变化趋势，且对比于BP神经网络和2D卷积神经网络方法，平均绝对误差分别降低了41.48%、26.32%，均方差分别降低了65.42%、39.93%，证明了该方法的准确性与有效性，对于预测TQI与制定高铁线路养护维修计划具有实用价值。     

基于5G NR的智能铁路定位技术研究

为提高列车和人员的定位精度,针对智能铁路高速和低速场景下的定位需求,结合基于正交频分复用技术的全新空口设计的全球性第5代移动通信技术标准（简称：5G新空口）（5G NR）定位技术,提出基于5G NR的上行和下行定位解决方案。基于到达时间差的定位技术原理,通过选用下行到达时间差（DL-TDOA,Downlink Time Difference of Arrival）定位法和上行到达时间差（UL-TDOA,Uplink Time Difference of Arrival）定位法,设计了上下行定位参考信号、时间测量值反馈及定位流程,保证了智能铁路低速场景下满足第3代合作伙伴计划技术报告（3GPP TR）所定义的米级定位精度,并提出了高速场景及隧道场景下的潜在定位增强技术,为智能铁路多场景定位提供技术参考。     

BIM技术在铁路机务段设计中的应用

铁路机务段设计具有涉及专业多、专业接口复杂的特点,传统二维设计容易出现管线碰撞及设计缺陷。为提高设计质量,以迁建西安机务段项目为依托,对BIM技术在大型铁路工程中的应用进行探索。本项目运用Inventor、Revit、Navisworks等设计软件作为BIM设计工具,将所涉及的14个专业工程内容全部进行BIM设计。通过建立族库、各专业BIM设计、模型整合的流程,构建一个覆盖全专业的数字化仿真模型,并总结出一套机务段BIM设计流程。实现了模型可视化展示、二维出图、属性信息添加、工程量统计、碰撞检测等应用。机务段工程设计复杂,专业接口众多,运用BIM技术可直观展示设计意图,并能轻易发现各专业设计中的错、漏、碰、缺问题,为提高设计质量提供有力保障。     

列车管贯通判断控制装置的研究

列车折角塞门非正常关闭引发了多起行车事故,严重影响铁路运输安全,为此研制了一种列车管贯通判断控制装置。提出了一种基于机车制动和缓解过程的折角塞门关闭判定新方法,建立了基于缓解过程和制动过程的数学模型以检测列车管折角塞门状态。给出了整个装置的硬件和软件系统结构,分析了相应模块的功能。此装置实现了列车折角塞门被非正常关闭的预警及自动处置,有效的防止了因折角塞门被非正常关闭引发的恶性行车事故。     

基于LSTM的云环境异常智能检测方法研究

为提升运维人员响应速度,降低云环境异常对云上应用的影响,研究了一种基于长短期记忆(LSTM,Long Short-Term Memory)的云环境异常智能检测方法。通过将传统时间序列分析算法同LSTM神经网络相结合,实现在线预测云环境监控数据,并通过正态分布和贝叶斯推理定义预测波动范围,快速准确地判别云环境异常。在铁路云数据中心环境中进行测试验证,同其他时序预测方法的比较证明,本方法具有判别准确性高、对各种场景适用性强的优点,可为铁路大规模云数据中心智能运维实施提供一种有效的异常检测手段。     

大功率内燃和谐机车动力组检修工艺研究

目前我国各铁路干线正处于由传统型机车向新型大功率和谐机车过渡阶段,新型大功率和谐机车将成为我国干线的主要机型,对新型大功率和谐机车的检查检修成为亟待解决的一个新课题。对新型内燃大功率和谐机车的动力组部分的结构组成、国内外检修修程及动力组两年检主要工艺流程进行介绍,并以某内燃大功率和谐机车检修基地动力组检修间布置为例,提出动力组检修流水线工位设置的建议。     

铁路货运机车资源配置优化模型与算法研究

优化配置铁路货运机车资源对于降低铁路运营成本具有重要意义。本文在考虑机车检修情况下,构建线路上机车折返站时空网络图,消除时间维度影响。在此基础上,以满足运输需求为前提,充分考虑实际机车牵引定数及单机调配等问题,构建铁路货运机车资源配置优化模型,从而得到线路上机车的接续关系,并给出模型的求解思路以及相应的免疫克隆算法。最后选用一个算例对上述模型以及算法进行分析验证。算例测试表明:该模型及算法具有较好的实用性。