基于5G的編組站咽喉區(qū)異常檢測(cè)系統(tǒng)

鐘 昊，柴金川，宗孝鵬

（1. 佳訊飛鴻智能科技研究院 人工智能應(yīng)用技術(shù)研究所，北京 100044；2. 中國(guó)鐵道科學(xué)研究院集團(tuán)有限公司 國(guó)家鐵道試驗(yàn)中心，北京 100015）

鐵路編組站咽喉區(qū)的行車和調(diào)車作業(yè)尤為繁忙，且工務(wù)、電務(wù)和供電等專業(yè)在咽喉區(qū)施工作業(yè)也較為頻繁，會(huì)出現(xiàn)異物落入道岔后導(dǎo)致基本軌與尖軌無(wú)法密貼、施工作業(yè)結(jié)束后工器具遺留在現(xiàn)場(chǎng)、轉(zhuǎn)轍機(jī)在檢修完成后箱蓋未閉合或未完全固定等安全隱患，嚴(yán)重地威脅著行車安全。

目前，咽喉區(qū)安全檢測(cè)主要依靠人工巡檢，但因人工巡檢周期長(zhǎng)，難以及時(shí)發(fā)現(xiàn)異常情況。保障咽喉區(qū)安全是提高鐵路編組站通過(guò)能力的前提和基礎(chǔ)，亟需采用新技術(shù)及時(shí)發(fā)現(xiàn)和消除安全隱患。

近年來(lái)，隨著人工智能技術(shù)的快速發(fā)展，基于智能視覺(jué)的鐵路巡檢技術(shù)已成為研究熱點(diǎn)，接觸網(wǎng)異常識(shí)別系統(tǒng)[1]、鋼軌表面缺陷檢測(cè)系統(tǒng)[2]、機(jī)房智能巡檢機(jī)器人系統(tǒng)[3]、軌旁設(shè)備異常檢測(cè)系統(tǒng)[4]、貨車故障動(dòng)態(tài)圖像檢測(cè)系統(tǒng)[5]等智能檢測(cè)系統(tǒng)在鐵路各專業(yè)得到應(yīng)用，極大地提升了鐵路巡檢作業(yè)效率，增強(qiáng)了鐵路安全保障能力。

《國(guó)鐵集團(tuán)關(guān)于加快推進(jìn)5G技術(shù)鐵路應(yīng)用發(fā)展的實(shí)施意見(jiàn)》指出，加快推進(jìn)第5代移動(dòng)通信技術(shù)（5G） 應(yīng)用，是推進(jìn)新時(shí)代鐵路高質(zhì)量發(fā)展、實(shí)現(xiàn)交通強(qiáng)國(guó)、鐵路先行的重要領(lǐng)域和重要基礎(chǔ)，有利于提升鐵路服務(wù)品質(zhì)和效率效益。

為此，研究開(kāi)發(fā)基于5G的編組站咽喉區(qū)異常檢測(cè)系統(tǒng)（簡(jiǎn)稱：咽喉區(qū)異常檢測(cè)系統(tǒng)），借助5G網(wǎng)絡(luò)大帶寬、低時(shí)延、泛在連接的優(yōu)勢(shì)，利用監(jiān)控?cái)z像頭對(duì)咽喉區(qū)關(guān)鍵點(diǎn)位定期巡檢，采用智能視覺(jué)技術(shù)，自動(dòng)識(shí)別咽喉區(qū)異常情況并告警，推動(dòng)鐵路業(yè)務(wù)模式創(chuàng)新，提升編組站咽喉區(qū)安全保障能力。

1 系統(tǒng)構(gòu)成與功能

1.1 系統(tǒng)構(gòu)成

編組站咽喉區(qū)異常檢測(cè)系統(tǒng)，如圖1所示。

圖1 編組站咽喉區(qū)異常檢測(cè)系統(tǒng)構(gòu)成

（1）圖像采集子系統(tǒng)：在編組站咽喉區(qū)關(guān)鍵部位安裝監(jiān)控?cái)z像頭，巡回采集各個(gè)關(guān)鍵點(diǎn)的監(jiān)控視頻；目前利用運(yùn)營(yíng)商5G網(wǎng)絡(luò)（今后可利用鐵路5G-R專網(wǎng)），將視頻監(jiān)控?cái)?shù)據(jù)發(fā)送給視頻分析子系統(tǒng)，實(shí)現(xiàn)咽喉區(qū)視頻監(jiān)控?cái)?shù)據(jù)的接入、匯聚和集中管理。

（2）視頻分析子系統(tǒng)：完成視頻圖像智能分析，主要包括視頻監(jiān)控平臺(tái)、視頻分析服務(wù)器及數(shù)據(jù)存儲(chǔ)模塊等；其中，視頻監(jiān)控平臺(tái)實(shí)現(xiàn)攝像頭的統(tǒng)一接入與管理，通過(guò)標(biāo)準(zhǔn)協(xié)議，對(duì)前端攝像頭云臺(tái)進(jìn)行控制；視頻分析服務(wù)器對(duì)采集的視頻數(shù)據(jù)進(jìn)行智能分析，判斷是否存在異常情況，生成告警信息并發(fā)送給服務(wù)管理子系統(tǒng)。

視頻分析子系統(tǒng)軟件采用基于組件的多級(jí)流水線視頻處理技術(shù)[6]，實(shí)現(xiàn)視頻采集、解碼、預(yù)處理、合流、推理、告警、分流、渲染、編碼、輸出的流水線，多路視頻可以在流水線上并行處理，如圖2所示。

圖2 視頻分析子系統(tǒng)流水線

（3）服務(wù)管理子系統(tǒng)：提供系統(tǒng)服務(wù)管理功能，包括接口管理、配置管理、任務(wù)管理及狀態(tài)監(jiān)測(cè)模塊；其中，接口管理模塊定義了與既有的工電供生產(chǎn)管控系統(tǒng)（簡(jiǎn)稱：生產(chǎn)管控系統(tǒng)）的HTTP數(shù)據(jù)傳輸接口，可將告警信息、關(guān)聯(lián)的異常圖像以及系統(tǒng)自身運(yùn)行狀態(tài)上報(bào)給生產(chǎn)管控系統(tǒng)，并從生產(chǎn)管控系統(tǒng)接收系統(tǒng)管理指令；配置管理模塊可對(duì)分析服務(wù)進(jìn)行配置，如接入攝像頭的地址、數(shù)據(jù)存儲(chǔ)路徑等；任務(wù)管理模塊提供巡檢周期、攝像頭預(yù)置位等參數(shù)設(shè)置功能，完成巡檢任務(wù)調(diào)度；狀態(tài)監(jiān)測(cè)模塊實(shí)時(shí)采集和記錄硬件及服務(wù)的運(yùn)行狀態(tài)信息，如CPU溫度、磁盤剩余、GPU占用百分比等。

生產(chǎn)管控系統(tǒng)接收到告警信息后，推送到車站值班室監(jiān)控終端以及值班人員手持終端，指導(dǎo)異常處理工作，避免引發(fā)安全事故。同時(shí)，車站值班人員可在生產(chǎn)管控系統(tǒng)的監(jiān)控終端上，通過(guò)與服務(wù)管理子系統(tǒng)的數(shù)據(jù)接口，執(zhí)行狀態(tài)監(jiān)測(cè)、配置管理及任務(wù)管理等操作，實(shí)現(xiàn)對(duì)咽喉區(qū)異常檢測(cè)系統(tǒng)的監(jiān)測(cè)與控制。

1.2 系統(tǒng)功能

咽喉區(qū)異常檢測(cè)系統(tǒng)通過(guò)攝像頭采集咽喉區(qū)視頻數(shù)據(jù)，智能識(shí)別咽喉區(qū)異常情況，并將告警信息上傳給生產(chǎn)管控系統(tǒng)。

（1）定時(shí)巡檢：系統(tǒng)按照預(yù)定的時(shí)間間隔，定時(shí)控制攝像頭對(duì)準(zhǔn)預(yù)置位，采集咽喉區(qū)各個(gè)關(guān)鍵點(diǎn)的視頻數(shù)據(jù)。

（2）道岔異物入侵檢測(cè)：道岔基本軌與尖軌之間存在較大縫隙，當(dāng)異物（如列車通過(guò)時(shí)崩落的石塊）落入縫隙時(shí)，會(huì)導(dǎo)致基本軌與尖軌無(wú)法密貼，如圖3（a）所示；系統(tǒng)通過(guò)視頻智能分析，自動(dòng)識(shí)別基本軌與尖軌密貼區(qū)域出現(xiàn)的異物。

（3）工器具遺留檢測(cè)：工務(wù)、電務(wù)和供電3個(gè)專業(yè)咽喉區(qū)施工作業(yè)較為頻繁，使用的工器具種類繁多，容易出現(xiàn)工器具遺留現(xiàn)象，如圖3（b）所示；通過(guò)視頻智能分析，自動(dòng)識(shí)別軌道內(nèi)的工器具遺留異常。

（4）轉(zhuǎn)轍機(jī)箱蓋狀態(tài)檢測(cè)：轉(zhuǎn)轍機(jī)在檢修完成后，箱蓋（尤其是外箱蓋）未閉合或者未完全固定，容易危害行車安全，如圖3（c）所示；通過(guò)視頻智能分析，自動(dòng)識(shí)別轉(zhuǎn)轍機(jī)箱蓋外觀異常，箱蓋是否完好和正常閉合。

圖3 安全隱患示意

（5）異常告警：識(shí)別出異常情況后，立即將告警信息上傳到生產(chǎn)管控系統(tǒng)，由生產(chǎn)管控系統(tǒng)將告警信息及異常圖像推送至車站值班室監(jiān)控終端和值班人員手持終端，指導(dǎo)相關(guān)人員及時(shí)到現(xiàn)場(chǎng)進(jìn)行處理。

（6）運(yùn)行狀態(tài)監(jiān)測(cè)：對(duì)異常檢測(cè)服務(wù)運(yùn)行狀態(tài)及設(shè)備服務(wù)器資源進(jìn)行監(jiān)測(cè)，查看服務(wù)運(yùn)行是否正常，以及服務(wù)器的CPU、圖形處理器（GPU，Graphic Processing Unit）、網(wǎng)絡(luò)、磁盤等硬件信息。

（7）服務(wù)管理：對(duì)系統(tǒng)數(shù)據(jù)接口、配置參數(shù)及任務(wù)進(jìn)行管理，實(shí)現(xiàn)與既有的生產(chǎn)管控系統(tǒng)對(duì)接，提供攝像頭分析任務(wù)管理及相關(guān)參數(shù)設(shè)置。

2 系統(tǒng)工作流程

基于機(jī)器學(xué)習(xí)的異常檢測(cè)主要方法：（1）無(wú)監(jiān)督學(xué)習(xí)方法，即利用手工設(shè)計(jì)特征[7]、特征表示[8]、模板匹配[9]和淺層機(jī)器學(xué)習(xí)等方法，實(shí)現(xiàn)單個(gè)缺陷或故障的檢測(cè)；（2）監(jiān)督學(xué)習(xí)方法，即利用標(biāo)注好的故障圖像（包括類別、矩形框、像素等）對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型來(lái)識(shí)別[10]。

在實(shí)際應(yīng)用場(chǎng)景中，咽喉區(qū)異常檢測(cè)面臨著異常樣本數(shù)量極少，以及異常類別不固定、無(wú)法提前預(yù)知遺留物類別的難題。因此，咽喉區(qū)異常檢測(cè)采用無(wú)監(jiān)督學(xué)習(xí)方法進(jìn)行異常檢測(cè)。

咽喉區(qū)異常檢測(cè)系統(tǒng)的工作流程如圖4所示。

圖4 系統(tǒng)工作流程

（1） 系統(tǒng)開(kāi)始工作時(shí)，讀取攝像頭的巡檢參數(shù)（巡檢周期、預(yù)置位等），檢查各個(gè)攝像頭是否有到達(dá)設(shè)定巡檢周期的巡檢任務(wù)；

（2） 當(dāng)某個(gè)攝像頭進(jìn)入設(shè)定的巡檢周期時(shí)，系統(tǒng)控制該攝像頭云臺(tái)移動(dòng)到第一個(gè)預(yù)置位，采集咽喉區(qū)指定位置的監(jiān)控視頻數(shù)據(jù)，并通過(guò)5G公網(wǎng)連接，將視頻數(shù)據(jù)傳輸給視頻分析子系統(tǒng)；

（3） 視頻分析服務(wù)器對(duì)每一幀圖像數(shù)據(jù)進(jìn)行異常檢測(cè)，結(jié)合滑動(dòng)窗口方法，判斷連續(xù)時(shí)間段內(nèi)是否存在異常；

（4） 檢測(cè)到異常時(shí)，向生產(chǎn)管控系統(tǒng)推送告警信息，提醒車站值班人員及時(shí)進(jìn)行處理；

（5） 系統(tǒng)控制該攝像頭云臺(tái)移動(dòng)到下一個(gè)預(yù)置位進(jìn)行檢測(cè)，直至該攝像頭的所有預(yù)置位檢測(cè)完畢，結(jié)束該攝像頭的檢測(cè)；

（6） 檢查下一個(gè)攝像頭，重復(fù)上述（2）～（5）步驟，直至所有的攝像頭檢測(cè)完畢。

3 異常檢測(cè)算法

3.1 知識(shí)蒸餾

知識(shí)蒸餾是一種模型壓縮方法[11]，是一種基于“教師—學(xué)生思想”的訓(xùn)練方式，即將一個(gè)訓(xùn)練好的教師模型中所包含的知識(shí)蒸餾提取到學(xué)生模型中，如圖5所示。由于其簡(jiǎn)單有效，已經(jīng)在工業(yè)界被廣泛應(yīng)用。

圖5 知識(shí)蒸餾過(guò)程

將知識(shí)蒸餾方法應(yīng)用于異常檢測(cè)的基本思路是：在正常樣本上，對(duì)于預(yù)先訓(xùn)練好的教師模型和隨機(jī)初始化的學(xué)生模型進(jìn)行知識(shí)蒸餾，使得學(xué)生模型的輸出去逼近教師模型的輸出，完成在正常樣本上的知識(shí)學(xué)習(xí)。因此，在正常樣本上，由學(xué)生模型預(yù)測(cè)得到的特征（embedding）與教師模型十分相似；當(dāng)輸入異常樣本時(shí)，由于學(xué)生模型并未見(jiàn)過(guò)異常，學(xué)生模型預(yù)測(cè)得到的特征與教師模型相差較大，于是判斷輸入圖像為異常。

3.2 基于特征匹配的異常檢測(cè)算法

師生特征金字塔匹配（STPM，Student-Teacher Feature Pyramid Matching）算法[12]，是一個(gè)基于知識(shí)蒸餾的異常檢測(cè)框架，如圖6所示。

圖6 師生特征金字塔匹配網(wǎng)絡(luò)結(jié)構(gòu)

使用大規(guī)模數(shù)據(jù)集的預(yù)訓(xùn)練模型作為教師模型，訓(xùn)練階段將教師經(jīng)驗(yàn)提煉到具有相同結(jié)構(gòu)的學(xué)生模型。采用特征金字塔結(jié)構(gòu)，將多尺度大小的特征圖進(jìn)行融合，可以提高小目標(biāo)的檢測(cè)性能。

在訓(xùn)練階段，使用正常數(shù)據(jù)，即無(wú)異常的圖片進(jìn)行訓(xùn)練，學(xué)生模型學(xué)習(xí)到正常數(shù)據(jù)集的分布。在測(cè)試階段，當(dāng)輸入為正常數(shù)據(jù)時(shí)，學(xué)生模型與教師模型的特征分布相近，特征圖差異較小，異常值得分較低，歸類為正常數(shù)據(jù)；當(dāng)輸入為異常數(shù)據(jù)時(shí)，由于學(xué)生模型沒(méi)有學(xué)習(xí)過(guò)異常數(shù)據(jù)的分布情況，與教師模型的特征圖差異較大，異常值得分較高，歸類為異常結(jié)果。

在異常檢測(cè)算法驗(yàn)證階段，使用異常圖像進(jìn)行測(cè)試，如圖7（a）所示，圖片中存在工器具遺留異常，對(duì)應(yīng)的人工標(biāo)注的工器具位置如圖7（b）所示；使用訓(xùn)練階段得到的異物檢測(cè)算法模型，對(duì)輸入圖像進(jìn)行檢測(cè)，檢測(cè)結(jié)果如圖7（c）所示。

圖7 異常檢測(cè)算法檢測(cè)效果

3.3 檢測(cè)結(jié)果異常判定方法

為了消除由干擾因素造成的誤報(bào)，采用滑動(dòng)窗口算法確定最終結(jié)果[13]。滑動(dòng)窗口算法的參數(shù)包括滑動(dòng)窗口長(zhǎng)度L、滑動(dòng)步長(zhǎng)S及滑動(dòng)閾值百分比；滑動(dòng)閾值百分比的含義為，在長(zhǎng)度為L(zhǎng)滑動(dòng)窗口中，異常結(jié)果次數(shù)超過(guò)閾值比例后，判定該時(shí)刻結(jié)果為異常。

如圖8所示，設(shè)置滑動(dòng)窗口長(zhǎng)度L為3，滑動(dòng)步長(zhǎng)S為2，即選取3個(gè)連續(xù)時(shí)刻的檢測(cè)結(jié)果進(jìn)行最終判斷。對(duì)于連續(xù)時(shí)間段內(nèi)的檢測(cè)結(jié)果序列，N表示此時(shí)刻未檢測(cè)到異常，Y表示此時(shí)刻檢測(cè)出異常。

圖8 滑動(dòng)窗口示意

在T=0時(shí)刻，滑動(dòng)窗口內(nèi)3次檢測(cè)結(jié)果均為N，則判斷T=0時(shí)刻沒(méi)有異常；在T=1時(shí)刻，滑動(dòng)窗口內(nèi)有1次檢測(cè)結(jié)果為Y，而其余2次結(jié)果為N，1次檢測(cè)結(jié)果為Y可能由誤檢造成，因而判斷T=1時(shí)刻沒(méi)有異常；在T=2時(shí)刻，滑動(dòng)窗口內(nèi)有2次檢測(cè)結(jié)果為Y，1次檢測(cè)結(jié)果為N，則判斷T=2時(shí)刻出現(xiàn)了異常。

3.4 算法特點(diǎn)

與傳統(tǒng)異常檢測(cè)算法相比，采用無(wú)監(jiān)督學(xué)習(xí)算法無(wú)需采集負(fù)樣本（即異常情況的圖像），通過(guò)對(duì)正樣本數(shù)據(jù)進(jìn)行自動(dòng)特征提取，即可識(shí)別除正常情況之外的異常，提高異常識(shí)別的檢出率。在正常樣本數(shù)據(jù)足夠多樣的情況下，該算法可以有效適應(yīng)光線及天氣等環(huán)境變化情況。同時(shí)，可通過(guò)多個(gè)場(chǎng)景圖像的混合訓(xùn)練，提高模型泛化能力。

傳統(tǒng)異常檢測(cè)算法需手動(dòng)設(shè)計(jì)特征提取方法，對(duì)形狀輪廓、色彩空間等特征進(jìn)行異常分析。本文提出的異常檢測(cè)算法，通過(guò)神經(jīng)網(wǎng)絡(luò)自動(dòng)提取圖像特征，特征提取更為多樣，有利于提高異常檢測(cè)的準(zhǔn)確率。

4 測(cè)試驗(yàn)證及應(yīng)用中發(fā)現(xiàn)的主要問(wèn)題

4.1 測(cè)試環(huán)境與樣本數(shù)據(jù)獲取

在懷化西編組站進(jìn)行系統(tǒng)部署及測(cè)試，該編組站具備中國(guó)移動(dòng)5G公網(wǎng)覆蓋，項(xiàng)目使用的頻段范圍為2515 MHz～2615 MHz，頻率帶寬共100 MHz。

在咽喉區(qū)內(nèi)道岔的基本軌、尖軌、密貼區(qū)和轉(zhuǎn)轍機(jī)等關(guān)鍵點(diǎn)安裝超高清4K球機(jī)攝像頭，支持30倍光學(xué)變焦，通過(guò)5G公網(wǎng)接入視頻分析子系統(tǒng)。

由于攝像頭采集的圖像會(huì)受光線變化影響，同一位置的圖像在不同時(shí)刻、不同天氣條件下也存在差異。為保證檢測(cè)模型的魯棒性，設(shè)置3個(gè)攝像頭采集15個(gè)預(yù)置位的圖像數(shù)據(jù)，每隔5 min采集一組無(wú)異常的圖像，連續(xù)采集7天，從而獲取到不同時(shí)間段、不同光線條件、不同天氣的樣本數(shù)據(jù)，用于模型訓(xùn)練。

4.2 測(cè)試結(jié)果

對(duì)攝像頭預(yù)置位進(jìn)行異常模擬測(cè)試，分別在道岔密貼區(qū)放置石塊，在軌道內(nèi)放置工具，打開(kāi)轉(zhuǎn)轍機(jī)的箱蓋。部分預(yù)置位的檢測(cè)結(jié)果如圖9所示，左側(cè)為輸入圖片，右側(cè)為檢測(cè)結(jié)果圖，以熱力圖表示異常的分值，紅色矩形框表示異常區(qū)域。

圖9 異常檢測(cè)結(jié)果示例

當(dāng)圖像中存在工器具、轉(zhuǎn)轍機(jī)箱蓋未閉合等異常時(shí)，均可由該系統(tǒng)正確地檢測(cè)出來(lái)。

4.3 應(yīng)用中發(fā)現(xiàn)的主要問(wèn)題

在系統(tǒng)應(yīng)用過(guò)程中發(fā)現(xiàn)：（1）視頻傳輸過(guò)程中偶爾會(huì)出現(xiàn)丟幀花屏現(xiàn)象（如圖10所示），異常檢測(cè)算法會(huì)將其識(shí)別為異常，從而產(chǎn)生誤報(bào)；（2）攝像頭夜間采用紅外補(bǔ)光，輸出灰度圖像，大大降低了異常識(shí)別的準(zhǔn)確度。

圖10 花屏產(chǎn)生誤報(bào)

5 結(jié)束語(yǔ)

本文針對(duì)編組站咽喉區(qū)存在的道岔異物入侵、工器具遺留等安全風(fēng)險(xiǎn)，研究開(kāi)發(fā)了基于5G的編組站咽喉區(qū)異常檢測(cè)系統(tǒng)。借助現(xiàn)有的運(yùn)營(yíng)商5G網(wǎng)絡(luò)，實(shí)現(xiàn)了咽喉區(qū)視頻監(jiān)控?cái)?shù)據(jù)的采集；運(yùn)用知識(shí)蒸餾技術(shù)，采用無(wú)監(jiān)督學(xué)習(xí)算法框架，實(shí)現(xiàn)咽喉區(qū)非確定性異常識(shí)別和定位功能。異常檢測(cè)算法具有通用性和泛化能力，可適應(yīng)不同道岔場(chǎng)景，不受光線、陰影、環(huán)境變化影響，具有精度高、泛化能力強(qiáng)、魯棒性好的特點(diǎn)，在現(xiàn)場(chǎng)測(cè)試驗(yàn)證過(guò)程中取得較為滿意的效果。

后續(xù)將針對(duì)現(xiàn)有問(wèn)題，重點(diǎn)研究解決花屏現(xiàn)象的識(shí)別和預(yù)防問(wèn)題，降低誤報(bào)率；同時(shí)，通過(guò)物理補(bǔ)光和優(yōu)化異常檢測(cè)算法，提高系統(tǒng)在夜間的異常識(shí)別能力。