列車在站運行狀態(tài)監(jiān)測系統(tǒng)

趙 周，馬福龍，荊長順

（1. 中國鐵路蘭州集團有限公司 運輸部，蘭州 730000；2. 成都貨安計量技術(shù)中心有限公司，成都 611731）

接發(fā)列車是鐵路車站的基本行車作業(yè)。目前，既有鐵路車站設(shè)備雖然能保證正常的接發(fā)列車作業(yè)，但依然采用傳統(tǒng)的人工立崗、外勤接車作業(yè)方式，由人工觀察列車車體狀況、貨物裝載加固狀態(tài)、走行部動態(tài)情況，并根據(jù)列車運行中的聲音與氣味，由人工主觀判斷列車的運行狀態(tài)。人工接發(fā)列車作業(yè)方式存在“看不全”“看不清”“拿不準”的局限性及作業(yè)人員安全風險，且作業(yè)人員勞動強度大，受到人員疲勞、經(jīng)驗、責任心、疏忽等因素影響，容易出現(xiàn)漏檢和誤判，給鐵路行車安全帶來隱患[1]。隨著鐵路大面積提速和客運專線快速發(fā)展，面對日益增長的列車發(fā)送量及不斷提高的列車運行速度，傳統(tǒng)的人工接發(fā)列車作業(yè)方式存在的局限性及作業(yè)人員安全風險日益凸顯。

為此，研究開發(fā)了列車在站運行狀態(tài)監(jiān)測系統(tǒng)。該系統(tǒng)能夠?qū)崟r檢測運行列車的狀態(tài)，實現(xiàn)機檢代替人檢，降低接發(fā)列車作業(yè)人員的勞動強度；通過與站內(nèi)相關(guān)信息系統(tǒng)的有機融合，運用機器視覺技術(shù)，對涉及行車安全的列車關(guān)鍵部件進行動態(tài)檢測，提高列車故障檢測的識別率，提高檢車作業(yè)質(zhì)量和效率，及時消除安全隱患。

1 系統(tǒng)設(shè)計

1.1 系統(tǒng)構(gòu)成

列車在站運行狀態(tài)監(jiān)測系統(tǒng)主要由數(shù)據(jù)采集子系統(tǒng)、智能分析子系統(tǒng)和監(jiān)測終端子系統(tǒng)構(gòu)成，系統(tǒng)構(gòu)成圖如圖1所示。

圖1 系統(tǒng)構(gòu)成

（1）數(shù)據(jù)采集子系統(tǒng)：對通過檢測區(qū)域的列車的車體狀況、貨物裝載加固狀態(tài)、車輛走行部動態(tài)情況、車輛運行中異常聲響及車輪踏面溫度進行實時數(shù)據(jù)采集、檢測、傳輸和存儲，主要由室外采集設(shè)備、室外采集附屬設(shè)備、中央處理單元及室內(nèi)存儲與網(wǎng)絡(luò)通信設(shè)備構(gòu)成。其中，室外采集設(shè)備主要包括車輪傳感器、面陣相機、線陣相機、車輪踏面溫度探測裝置（簡稱：熱輪探測裝置）、聲音傳感器、激光雷達等；室外采集附屬設(shè)備主要包括鋼架、電控箱、防雷裝置、線陣光源等；室外采集設(shè)備及采集附屬設(shè)備安裝在車站進站信號機外方。中央處理單元由處理器、存儲器、輸入輸出單元、電源、通信單元電路等組成，是控制邏輯運算中心，完成各項數(shù)據(jù)采集功能的邏輯控制；室內(nèi)存儲與網(wǎng)絡(luò)通信設(shè)備主要包括數(shù)據(jù)庫服務(wù)器、應用服務(wù)器、圖像管理服務(wù)器、算法處理服務(wù)器、數(shù)據(jù)交換設(shè)備、網(wǎng)絡(luò)通信及接口設(shè)備等，中央處理單元及室內(nèi)存儲與網(wǎng)絡(luò)通信設(shè)備安裝在車站中心機房。

（2）智能分析子系統(tǒng)：主要包括深度學習服務(wù)器、自動識別模塊以及用于算法訓練和驗證的樣本庫，完成車輛車體及走行部等關(guān)鍵部件的異常識別與分析處理。

（3）監(jiān)測終端子系統(tǒng)：主要包括管理終端、實時作業(yè)終端和復示終端等；其中，管理終端主要安裝在車站值班調(diào)度室，實時作業(yè)終端主要安裝在車站監(jiān)控中心[2]。

1.2 系統(tǒng)邏輯架構(gòu)

監(jiān)測終端子系統(tǒng)采用B/S架構(gòu)及Visual C#語言開發(fā)，使用基于ExtJS的Web desktop應用框架；智能分析子系統(tǒng)邏輯功能使用Visual C#語言開發(fā)，實現(xiàn)圖像分析、車輛運行聲音分析及車輪踏面溫度分析等；數(shù)據(jù)采集子系統(tǒng)采用C/S架構(gòu)及Visual C++語言開發(fā)，實現(xiàn)列車車體圖像、貨物裝載加固狀態(tài)、走行部動態(tài)情況、車輪踏面溫度及車輛運行聲音的數(shù)據(jù)采集和管理[3]。

按邏輯功能層次，系統(tǒng)可劃分為業(yè)務(wù)應用層、數(shù)據(jù)管理層、數(shù)據(jù)分析層、數(shù)據(jù)傳輸層、數(shù)據(jù)采集層及前端設(shè)備層，如圖2所示。

圖2 系統(tǒng)邏輯架構(gòu)

（1）前端設(shè)備層：由前端采集設(shè)備和裝置組成，提供基礎(chǔ)硬件環(huán)境。

（2）數(shù)據(jù)采集層：利用圖像、視頻采集軟件，車輪踏面溫度、車輛運行聲音、限界檢測軟件及車位判別軟件，完成前端設(shè)備數(shù)據(jù)采集，將采集到的數(shù)據(jù)發(fā)送至消息中間件；由圖像管理服務(wù)器內(nèi)置的車輛圖像分割拼接程序完成車輛圖像分割與拼接，將處理后的車輛圖像存儲至消息中間件。

（3）數(shù)據(jù)傳輸層：將所有采集的數(shù)據(jù)發(fā)送至后臺服務(wù)器消息中間件，由應用系統(tǒng)主適配軟件進行深度解析和分類處理，并將處理結(jié)果推送給智能算法識別系統(tǒng)；通過信息共享接口定時獲取列車到達預確報報文信息，并將報文信息上傳給數(shù)據(jù)庫服務(wù)器，通過接口處理程序解析入庫，實現(xiàn)車號、車型、發(fā)到站及貨物品名的匹配。

（4）數(shù)據(jù)分析層：智能識別與分析軟件利用數(shù)據(jù)挖掘、機器學習、圖像識別等技術(shù)，通過內(nèi)置的預處理程序、智能識別程序、智能分析程序?qū)D像、聲音、視頻信息進行智能分析，并識別、自動標注異常信息，輸出檢測分析結(jié)果到監(jiān)測終端子系統(tǒng)。

（5）數(shù)據(jù)管理層：將分析處理后的結(jié)構(gòu)化數(shù)據(jù)保存到數(shù)據(jù)庫中，將非結(jié)構(gòu)化數(shù)據(jù)保存到圖像管理服務(wù)器上，非結(jié)構(gòu)化數(shù)據(jù)可以通過結(jié)構(gòu)化數(shù)據(jù)中關(guān)聯(lián)的URL地址進行訪問。

（6）業(yè)務(wù)應用層：針對各類應用場景，采用二維表格、統(tǒng)計圖表、二維/三維動態(tài)圖等方式多角度展示監(jiān)測信息，為鐵路貨運安全和調(diào)度管理提供支持[4]。

2 工作原理及智能分析數(shù)據(jù)處理流程

2.1 工作原理

車站進站信號機外側(cè)安裝有高清面陣相機、紅外線陣相機、聲音傳感器、熱輪探測裝置、車號識別裝置、線陣光源、線陣燈光補償單元及網(wǎng)絡(luò)設(shè)備，自動采集通過列車的運行狀態(tài)信息，并傳輸至中央處理單元。系統(tǒng)工作原理如圖3所示。

圖3 系統(tǒng)工作原理

（1）當列車進入檢測區(qū)域時，前端車輪傳感器將檢測到的列車接近信號實時傳送給中央處理單元；中央處理單元記錄通過車輛軸數(shù)，經(jīng)處理轉(zhuǎn)換后，生成列車接近啟動命令，控制前端采集設(shè)備動作，自動采集通過列車的車體圖像、貨物裝載加固狀態(tài)、列車走行部動態(tài)情況、車輪踏面溫度及聲音數(shù)據(jù)信息。當列車通過檢測區(qū)域時，后端車輪傳感器檢測出通過列車的軸數(shù)，并實時傳送給中央處理單元；中央處理單元對比前后端車輪傳感器所檢測到的車輛軸數(shù)，當車輛軸數(shù)相等時，表明整列列車已經(jīng)通過檢測區(qū)域，中央處理單元生成列車通過結(jié)束命令，控制前端采集設(shè)備動作，停止信息采集，向燈光控制單元發(fā)出關(guān)閉所有光源指令，關(guān)閉系統(tǒng)照明光源。

（2）通過以太網(wǎng)，將所有采集的數(shù)據(jù)信息、狀態(tài)信息傳輸至車站中心機房后臺服務(wù)器消息中間件和應用系統(tǒng)，由主適配軟件進行深度解析和分類處理（預處理），并將預處理后的采集數(shù)據(jù)推送給智能分析子系統(tǒng)。

（3）智能分析子系統(tǒng)利用數(shù)據(jù)挖掘、機器學習、圖像識別等技術(shù)，通過內(nèi)置的預處理程序、智能識別算法程序、智能分析算法程序?qū)D像、聲音、視頻信息進行智能分析，并識別、自動標注異常狀態(tài)，輸出檢測分析結(jié)果，由監(jiān)測終端對異常狀況進行告警和展示。

（4）為了節(jié)約能源，系統(tǒng)設(shè)置了燈光控制單元。夜晚當列車接近檢測區(qū)域時，中央處理單元向燈光控制單元發(fā)出開燈指令，開啟現(xiàn)場光源系統(tǒng)；當列車通過檢測區(qū)域后，中央處理單元向燈光控制單元發(fā)出關(guān)燈指令，關(guān)閉現(xiàn)場光源系統(tǒng)。另外，當系統(tǒng)應用于2股道檢測時，總有一側(cè)遠離光源系統(tǒng)，影響現(xiàn)場光照強度，此時燈光控制單元將控制遠離光源一側(cè)的燈光補償單元燈光開啟，增加現(xiàn)場光照強度，確保所采集的圖像滿足識別要求。

2.2 智能分析數(shù)據(jù)處理流程

智能分析是系統(tǒng)的核心功能，完成圖像預處理、部件定位、異常檢測、異常形式分類等數(shù)據(jù)處理，并將數(shù)據(jù)處理結(jié)果寫入關(guān)系型數(shù)據(jù)庫，提供給監(jiān)測終端子系統(tǒng)進行展示。

智能分析數(shù)據(jù)處理任務(wù)主要包括采集數(shù)據(jù)監(jiān)聽、圖像分析處理與異常處理3部分。采集數(shù)據(jù)監(jiān)聽任務(wù)主要監(jiān)聽消息中間件隊列中是否有圖像數(shù)據(jù)和過車信息，通過事件觸發(fā)調(diào)用圖像分析處理與異常處理任務(wù)。異常處理任務(wù)包括異音檢測處理和視頻分析處理。智能分析數(shù)據(jù)處理流程如圖4所示[5]。

圖4 智能分析數(shù)據(jù)處理流程

（1）數(shù)據(jù)采集監(jiān)聽：圖像管理服務(wù)器將分割的圖像、面陣視頻、聲音數(shù)據(jù)、列車信息（包含車號、發(fā)到站、品名等）寫入消息中間件隊列，數(shù)據(jù)采集監(jiān)聽程序檢測到有新的數(shù)據(jù)寫入消息中間件時，激活數(shù)據(jù)分析處理任務(wù)。

（2）圖像分析處理：提取線陣相機數(shù)據(jù)，對分割后的車廂圖像進行待檢部件定位，并完成待檢部件的故障判別，并將檢測結(jié)果存入關(guān)系型數(shù)據(jù)庫。圖像分析處理主要包括待檢部位定位和異常檢測2部分：a. 待檢部位定位是智能分析子系統(tǒng)的一個功能，主要是提取圖像中待檢目標的ROI，將待檢目標的屬性、位置信息提供給其它算法模塊，用于部件識別和失效形式的判斷；b. 異常檢測通過對待檢部件進行圖像預處理、部件定位，從采集的圖像中提取特征信息，完成待檢部件深度學習、分類和故障點判斷。異常檢測模塊激活后，會提取信息中的車體數(shù)據(jù)、面陣相機數(shù)據(jù)，對分割后的車廂圖像進行目標定位，完成待檢部件對應故障點檢測。

（3）異音檢測處理：讀取聲音文件，先進行特征提取，然后進行深度學習分類，根據(jù)閾值、規(guī)則等完成故障判斷，并將處理結(jié)果存入關(guān)系型數(shù)據(jù)庫。

（4）視頻分析處理：讀取視頻文件，對視頻圖像進行預處理，增強視頻和去除雜點，然后進行背景建模、深度學習檢測等分析，完成待檢目標對應故障點檢測，并將處理結(jié)果存入關(guān)系型數(shù)據(jù)庫。

3 系統(tǒng)功能

3.1 功能構(gòu)成

系統(tǒng)由智能分析子系統(tǒng)、監(jiān)測終端子系統(tǒng)及數(shù)據(jù)采集子系統(tǒng)組成，這3個子系統(tǒng)相互協(xié)作，共同配合，完成圖像、視頻、聲音、輪溫等數(shù)據(jù)自動采集、傳輸、存儲、識別、分析和輸出一系列功能，系統(tǒng)功能結(jié)構(gòu)如圖5所示。

圖5 系統(tǒng)功能結(jié)構(gòu)

3.2 數(shù)據(jù)采集

（1）車位判別：列車通過時，對車輪傳感器信號進行采集和處理，記錄列車通過軸數(shù)，計算列車通過速度、軸距和輛數(shù)，向中央處理單元發(fā)出列車接近和通過控制信號。

（2）車號采集：中央處理單元接收到列車接近和通過信號時，控制AEI主機開機，自動讀取通過列車車輛底部標簽，解析獲取車輛車號。

（3）圖像采集：利用高清線陣相機，對通過列車車體、走行部、車頂?shù)戎饕目梢暡考M行拍照，用于車輛關(guān)鍵部件識別和異常狀況檢測。

（4）視頻采集：利用高清面陣像機，采集列車運行方向上部視頻圖像，用于對貨車的貨物裝載加固狀態(tài)、篷布苫蓋情況、列車尾部標識情況等進行實時監(jiān)測。

（5）輪溫采集：利用熱輪探測裝置自動采集通過車輛的車輪踏面溫度數(shù)據(jù)，用于對運行中車輪踏面溫度異常的車輛進行識別和報警。

（6）聲音采集：利用聲音傳感器對列車通過時車體部件摩擦聲音、輪軸摩擦聲音進行采集，用于對運行中存在異常聲響的車輛進行識別和報警。

（7）限界采集：利用激光掃描雷達技術(shù)，實現(xiàn)列車運行狀態(tài)下的車輛三維輪廓掃描，用于與機車車輛限界進行對比，判斷機車車輛是否超限界及超限等級。

3.3 智能分析

（1）圖像分析：對采集的列車圖像數(shù)據(jù)進行處理，檢測是否存在棚車車門開啟、敞車車窗開啟、車門搭扣未落槽、罐車閥蓋開啟、貨車風管未連接等異常情況，并將檢測結(jié)果存入消息中間件中。

（2）聲音分析：處理采集到的列車通過檢測區(qū)的聲音數(shù)據(jù)，根據(jù)閾值和規(guī)則，自動檢測其中是否存在異常聲響，并將檢測結(jié)果存入消息中間件。

（3）視頻分析：讀取視頻文件，對視頻圖像進行增強、去除雜點等預處理，通過背景建模、深度學習等技術(shù)，自動完成待檢部件對應故障點檢測，并將檢測結(jié)果存入消息中間件。

3.4 監(jiān)測與報警

（1）列車圖像管理：可按指定的車次、時間段及檢測點，對列車圖像進行播放、回放和慢放；根據(jù)需要，可對問題車圖像進行抓拍，將抓拍到的圖片保存至樣本庫，為圖像識別提供不斷豐富的素材樣本，以進一步提高問題車輛識別的準確性。

（2）問題車報警：可按指定的車次、檢測時間及問題類別，對系統(tǒng)自動識別的問題車進行告警，作業(yè)人員根據(jù)告警提示信息，對問題車進行確認和登記。

（3）輪溫監(jiān)測與報警：實時展示車輪踏面溫度分析結(jié)果，對車輪踏面溫度超過閾值的車輛進行告警，作業(yè)人員根據(jù)告警提示信息，對問題車進行確認和登記。

（4）異音監(jiān)測與報警：實時展示車輛運行聲音分析結(jié)果，對運行中存在異常聲響的車輛進行告警，作業(yè)人員根據(jù)告警提示信息，對問題車進行確認和登記。

（5）裝載超限監(jiān)測與報警：可按指定的車次、檢測時間及檢測點，對裝載超限的車輛進行告警，作業(yè)人員根據(jù)告警提示信息，對問題車進行確認和登記。

（6）設(shè)備狀態(tài)監(jiān)測與報警：以圖形化形式，按檢測點實時展示其采集設(shè)備及服務(wù)器設(shè)備運行狀態(tài)，對存在問題的設(shè)備進行告警提示；設(shè)備狀態(tài)以不同顏色展示，正常運行的設(shè)備以綠色標識，問題設(shè)備以紅色標識。

（7）問題車統(tǒng)計分析：按車型、問題類別等多個維度，對識別出的問題車輛進行統(tǒng)計分析[6]。

4 關(guān)鍵技術(shù)

4.1 車輛圖像分割與拼接

車輛圖像拼接是把多幅按時間順序排列的窄視角車輛圖片拼接成一幅完整的車輛圖像。由于車輛是水平方向移動，車輛圖像的拼接可根據(jù)視頻序列中前后兩幀車輛圖像的水平位移量dx，即從前一幀圖像中剪出長度為dx的圖像塊貼到下一幀圖像中，如此反復直至完成整節(jié)車輛圖像的拼接。

車輛圖像拼接算法為：先提取車輛圖像上的角點，然后前后兩幀對角點進行匹配，根據(jù)匹配上的角點即可求出幀間位移dx，實現(xiàn)車輛圖像自動分割與拼接，獲取每節(jié)車輛的完整圖像。

車輛圖像角點的確定是該算法的難點。因為角點是車輛二維圖像上亮度變化劇烈的點，或是圖像邊緣曲線上具有曲率極大值的點。圖像匹配是對前后兩幀車輛圖像中的特征點進行匹配，為保證匹配的準確性，所選擇的特征點須具獨特性，而角點可以作為一種不錯的特征。考慮到車輛是水平方向運動，采用最為簡單的Harris Corner算法提取角點。當車輛發(fā)生[u，v]移動時，移動前和移動后對應的窗口中的像素點都會引起比較大的灰度變換，對于[x，y]平移[u，v]個單位后，強度變換公式為

其中，w(x，y)是窗口函數(shù)，I(x+u，y+v)是平移后的強度，I(x，y)是原圖像像素。

對于I(x+u，y+v) -I(x，y)的值，如果是強度恒定的區(qū)域，那么它就接近于零，反之如果強度變化劇烈，E(u，v)值會非常大，也就是方程右側(cè)的第二項的取值最大。對公式（1）進行泰勒級數(shù)展開，通過數(shù)學換算，可得到

利用公式（3）判斷一個窗口是否包含邊角。

其 中，det(M)=λ1λ2，trace(M)= λ1+λ2，λ1和λ2是M的特征值。

（1）當|R|很小，也就是介于λ1和λ2之間，該區(qū)域是平面；

（2）當R＜0，也就是當λ1?λ2或相反時，該區(qū)域是邊緣；

（3）當R很大，即當λ1和λ2都很大并且R介于λ1～λ2之間，該區(qū)域是邊角。

4.2 圖像畸變矯正

在特定場景下，受環(huán)境因素、車速變化等原因的影響，采集到的列車圖像會發(fā)生畸變，嚴重影響圖像識別的準確性。為此，提出一種基于目標檢測和模板匹配的線陣圖像畸變校正方法，具體算法過程描述如下：

（1）對采集的列車圖像數(shù)據(jù)依次進行標注、數(shù)據(jù)增強和多尺度變換后，利用RetinaNet網(wǎng)絡(luò)完成車輛檢測模型和柱體檢測模型的訓練；

（2）在采集的圖像中篩選出不同車型模板圖像和待校正的畸變圖像，車型模板圖像應清晰完整，沒有畸變；利用訓練好的車型模板圖像對正常和畸變圖像分別檢測車廂和車身柱體，在待檢測的車輛范圍內(nèi)，相鄰柱體之間以及兩側(cè)柱體與車側(cè)之間分別切分為一個區(qū)域，每張圖像被切分為7個圖塊；

（3）選定初始截斷步長，從圖像像素點第一列開始，分別按列截取待校正圖像和模板圖像，對截取后的待校正圖像在x方向乘以變化系數(shù)c進行resize處理；其中，c取值為設(shè)定的[a，b]（0＜a＜1,b＞1）區(qū)間內(nèi)，以一定步長截取的各數(shù)值，resize處理采用4×4像素鄰域的雙三次插值，對待插值的像素點(x，y)，取其附近的4×4鄰域點(xi，yj)，i、j= 0，1，2，3；插值計算公式為[7-8]

其中，W(x)為插值基函數(shù)，表達式為

其中，a取值為-0.5。

4.3 高速數(shù)據(jù)處理

對于干線鐵路，車站每天有大量列車通過。列車通過時，要在非常短的時間內(nèi)完成大量的車輛運行狀態(tài)數(shù)據(jù)的采集和傳輸。為確保這些數(shù)據(jù)快速、穩(wěn)定、安全傳輸和存儲，采用了Kafka消息中間件[9]。

當列車通過檢測區(qū)域時，數(shù)據(jù)采集子系統(tǒng)實時采集車輛圖像、視頻、車輪踏面溫度、車輛運行聲音、車輛限界等數(shù)據(jù)，并將這些數(shù)據(jù)實時傳輸給Kafka消息中間件，智能分析子系統(tǒng)從Kafka消息隊列中讀取前端采集的各類數(shù)據(jù)并進行處理，高速數(shù)據(jù)處理過程如圖6所示。

圖6 高速數(shù)據(jù)處理過程

Kafka消息中間件具有高吞吐量、低延遲、高并發(fā)、容錯性強、穩(wěn)定可靠的特點，能夠在秒級內(nèi)處理幾十萬條消息，延遲只有幾毫秒，且支持數(shù)千個客戶端同時讀寫，獲取的消息被持久化到本地磁盤，支持數(shù)據(jù)備份，防止數(shù)據(jù)丟失，具有優(yōu)越的高速數(shù)據(jù) 處理性能。

5 結(jié)束語

為解決鐵路車站傳統(tǒng)人工立崗、外勤接發(fā)列車作業(yè)存在的局限性及安全風險，運用圖像識別、數(shù)據(jù)挖掘、算法分析及系統(tǒng)集成技術(shù)，提出列車在站運行狀態(tài)監(jiān)測系統(tǒng)方案，描述了系統(tǒng)構(gòu)成、邏輯架構(gòu)、工作原理、智能分析數(shù)據(jù)處理流程及主要功能。該系統(tǒng)的應用實現(xiàn)了列車接發(fā)作業(yè)從“人檢”向“機檢”，“室外”向“室內(nèi)”，“靜態(tài)”向“動態(tài)”的轉(zhuǎn)變，實現(xiàn)了接發(fā)列車作業(yè)智能化管理，有助于提升鐵路車站列車接發(fā)作業(yè)的質(zhì)量、效率及安全保障能力。

目前，該系統(tǒng)已在蘭州局集團公司隴南車站上線試運行，系統(tǒng)運行穩(wěn)定，安全可靠，試用情況良好，驗證了系統(tǒng)數(shù)據(jù)采集和處理的準確性及功能的完備性。下一步，將根據(jù)系統(tǒng)在實際運行過程中出現(xiàn)的問題，對智能分析算法進行深入分析和研究，提升算法的有效性和效率，進一步降低各類安全問題的誤報率，持續(xù)優(yōu)化和完善系統(tǒng)。