基于AI技術的機車乘務員標準化作業監測分析系統設計初探

朱彬彬

摘? ?要：《鐵路“十三五”發展規劃》中提到，到2020年全國鐵路營業里程達到15萬公里。為確保鐵路運輸持續安全穩定，“十三五”規劃在提升技術裝備水平的發展目標上還著重提到應提升鐵路技術裝備水平。如何強化監控檢測保障能力是鐵路部門各級管理層的一項重要課題。若能利用人工智能來幫助分析大規模的數據，從而獲得預測性的洞察分析，將是鐵路信息化建設的又一重大跨越。文章對此進行了分析。

關鍵詞：AI技術;機車乘務員;監測分析系統

經調研發現，在排除外界客觀因素干擾的情況下，機車乘務員的非標準化操作導致的安全事故占很大比例，比如新手機車乘務員遇到緊急情況應對不合理、作業時間身體抱恙、精神不振甚至是疲勞駕駛等個人主觀因素都對操作造成影響。機車乘務員作為保障行車安全的最后一道關口，如何能夠保障機車乘務員在值乘中嚴守標準化操作，貫徹安全作業宗旨，或違規動作發生時，通過相關科技設備進行實時準確有效提醒，是各級安全管理人員的重要課題。目前，采用的主要管控手段是視頻記錄機車乘務員作業過程，并在機車乘務員結束當天作業后，拷貝相關視頻，送到機務段安全部門，通過純人力的方式進行現場分析。

這種方式僅能起到考核目的，“有則改之，無則加勉”。如果發生大事，根本無法提前阻止，還耗費了大量的人力進行視頻分析。據調查，一個機務段每天需分析至少400名機車乘務員的作業情況，占用幾十人整天的時間，并且人工容易出現誤判情況。如果在機車乘務員剛出現不合格操作的時候，進行實時提醒，同時，長期記錄機車乘務員的作業情況，建立完善的安全監督考核系統，在此基礎上衍生多類分析功能，比如優秀機車乘務員排名、標桿教學、歷史趨勢展示等，將能大大提升監控檢測保障能力。

人工智能領域算法與算力高速發展，已經在多個領域展示其強大的預測力。在計算機視覺（Computer Vision，CV）領域，針對視頻數據的處理已有較為成熟的追蹤（tracking）與檢測（detection）算法。機車駕駛艙拍攝的實時視頻數據可作為數據源，結合相關的視頻、圖像處理算法，為解決以上問題提供了新的方法與思路。基于此提出設計機車乘務員標準化作業監測分析系統，經過多角度技術推導，完全保證其可行性。

1? ? 系統涵蓋功能

（1）構建自適應考核評估規則體系。結合現有的考核標準，依托機器學習的能力，構建完善的考核評估規則體系，并能夠逐步自動完善。

（2）構建作業行為考核評估模型。基于完善的考核評估規則體系，利用人工智能、圖像識別技術手段，構建高準確率的考核評估模型，對機車乘務員的作業行為進行評分考核。

（3）構建異常作業行為故障庫。基于機車乘務員作業行為考核評估模型的評估過程，篩選出各種不合歸作業行為，根據優先級排序展示，搭建故障庫，以供警醒作業人員，提前杜絕隱患。

（4）構建模范教學視頻庫。基于機車乘務員作業行為考核評估模型的評估過程，可以優中取優，選擇模范操作視頻，供新手學習使用，尤其是各種突發情況的緊急應對，是一筆寶貴的財富。

（5）優秀機車乘務員排行榜。基于機車乘務員作業行為考核評估模型的評估結果，可以進行不同時間維度的優秀機車乘務員排名展示，比如月度、季度、年度，增強機車乘務員的工作積極性及良性競爭意識。

（6）實時語音監督提醒。模型訓練成功后，可安裝在機車上，以實時監督機車乘務員操作行為，將隱患扼殺于源頭。

2? ? 系統設計步驟

2.1? 模型訓練階段

（1）基于仿真系統的訓練數據采集，按照動作標準構建訓練數據集，形成標準視頻數據庫的比對素材。實際駕駛數據量大，有效數據標注較難。將標注的任務轉換為標準數據的采集，縮短了數據收集的周期，并能夠針對性地生成數據。同時，根據目標所在位置確定數據采集范圍，例如機車乘務員在視頻中的位置等，以便利用標準模式為訓練模型提供更多信息。

（2）基于Faster-Rcnn架構的目標檢測模型建構，解決視頻數據中機車乘務員定位的問題，提取判別模型的目標范圍。采用目前流行的Faster-Rcnn深度學習架構，使用位置數據訓練模型。模型訓練完畢后，提取目標范圍，降低圖像噪聲對模型的影響，在離線數據集上實現機車乘務員的準確定位。

（3）基于KCF的模式識別模型構建，根據采集的標準數據進行模式匹配，判斷與標準動作的偏離度，評估機車乘務員行為是否標準。利用KCF算法，對提取的機車乘務員圖像部分進行動作識別。在時間序列上與標準數據集中的機車乘務員動作進行矩陣計算，得到與標準動作間的距離測度結果，評估機車乘務員動作的準確性，實現對機車乘務員行為的考核評估功能。

2.2? 模型預測階段

（1）離線數據模擬在線化，通過視頻數據包含的基本信息按照時間序列進行拼接，測試離線模型的FPS（每秒計算幀數）與預測效果。由于模型旨在實現實時預測，落地方面，需要關注模型計算的FPS，確保模型能夠及時地向機車乘務員發起反饋。因此，將離線數據拼接，按照在線預測的標準對模型進行測試（訓練集、測試集分離），提升評估模型的計算速度與準確率，確保達到部署要求。

（2）模型觸發與實時語音提醒，根據監控數據決定模型觸發的時間，對機車乘務員行為進行實時提醒。機車運行過程中面臨不同場景時，機車乘務員應做出不同的動作。模型根據監控數據訓練多分類模型，確定機車乘務員應當采取的動作，并觸發相應的判別模型。通過實時的數據接口及語音提示，匯報機車乘務員動作的偏誤，確保機車的安全運行。

（3）構建機車乘務員駕駛行為的評估考核體系。模型在提醒機車乘務員的非標準操作時，保留提示記錄。根據記錄的次數、與標準動作的偏離程度，計算出該路段機車乘務員駕駛行為的得分。該得分可作為機車乘務員駕駛行為的客觀考核標準，構建評估考核體系。

（4）搭建可擴展業務模型分析。基于評估考核體系，構建機車乘務員標準化作業安全監督考核系統，并展開多維度運用，比如優秀員工排名、模范操作教學、歷史水平追溯等。

（5）基于長期數據的機車乘務員狀態評估，模型部署后仍然會根據新增數據進行模型的更新、擴充模式庫、強化學習效果。通過收集較長時間的數據及預測結果，擴展標準庫中的內容至非標準行為，可有效判斷機車乘務員是否存在明顯的動作不到位或處于疲勞駕駛的狀態，以決定是否需要進行進一步培訓或調班，提高機車運行的效率與安全性。

3? ? 系統價值體現

（1）節約人力考核成本。通過嚴格測試上線的系統，完全可以節約現有占用機務段用于分析的人力。

（2）提高機車安全性。實時語音監督提醒能夠將威脅扼殺于源頭，有的時候僅僅是一個細微誤操作，都可能帶來重大的安全隱患。

（3）模型高度可擴展性。模型隨著數據量增多，準確率會越來越高，系統支持階段性更新更高準確率模型。

（4）挖掘更大數據價值。原有的分析手段過于原始，不僅耗費大量人力物力，而且可挖掘的數據價值少，通過機車乘務員標準化作業安全監督考核系統，可以挖掘更大數據價值，比如營造良性競爭環境、提高士氣、模范教學等。

（5）目標管理過程控制化。通過機車乘務員標準化作業安全監督考核系統，不僅實現了多角度、交叉管理，過程細致可控，還實現了通過過程控制來實現目標管理。

基于大數據機器學習平臺，開發基于深度學習算法的機車乘務員駕駛行為考核評估模型，模型通過與視頻采集器對接，采用語音提醒監督的方式，實時地對機車乘務員的非標準駕駛行為進行提醒。在此模型基礎上，構建客觀的機車乘務員駕駛行為考核評估體系，免去人工考核的需要，提高機車運行的安全性，降低人力成本，實現機車的高效運行。