基于紅外熱成像技術的鐵路機車車載障礙物智能預警研究

黃昌奎

(中國鐵路上海局集團有限公司 安全監察室，上海 200071)

隨著鐵路高速發展，鐵路部門加強了線路封閉管理，來防止異物進入鐵路線路。但是，仍有行人、飄浮物、泥石流等障礙物時常侵入鐵路線路，嚴重威脅著列車運行安全。這些障礙物主要依賴列車司機或巡視人員發現后再處置，由于160 km/h的普速旅客列車緊急制動距離為1400 m[1]，往往當司機發現危險時，已經避免不了相撞事故的發生。研究鐵路機車車載紅外探測技術，增加司機可視距離，設置自動預警提醒功能，及時提醒司機前方線路狀況，是解決列車在瞭望距離不足或低能見度條件下行車安全問題的重要手段。

1 列車防止撞異物風險管控現狀

1.1 鐵路部門采取的主要安全管控措施

鐵路部門為防止列車撞異物，在調度指揮、施工維修等方面采取了一定安全管控措施。在調度指揮時采取行車閉塞法，來保證列車在運行過程中相互間始終保持安全間隔距離，即調度人員在指揮列車運行時，通過相鄰車站的設備或人為控制，操作設置在鐵路線路上的各類信號機，開放不同的信號，并通過無線通信設備保持與列車司機的不間斷聯系，要求按照允許運行的信號、憑證，以相應速度安全運行[2]。在施工維修作業時執行“天窗修”制度，防止列車與在鐵路線路上的作業人員、機具相撞。

鐵路部門對鐵路線路實行封閉管理和道口看守制度，防范閑雜人員、車輛、牲畜進入鐵路線路，主要在鐵路線路兩側，按照高速鐵路、普速鐵路不同等級，安裝了不同標準的防護柵欄進行物理隔離；鐵路與社會道路原則上不設置平面交叉，一些尚未改造的平面交叉道口安排人員看守，避免行人、車輛橫越交叉線路時與鐵路列車車輛發生相撞[3]。

1.2 列車撞異物的主要因素

（1）列車運行速度和天氣因素。列車速度越快，制動距離越長，司機的瞭望距離需要更遠，但在能見度低的天氣下瞭望距離受到限制。列車制動距離主要與列車運行速度、列車制動能力有關，受線路曲線、坡度、雨雪天氣等因素影響。正常情況下，鐵路普速旅客列車的緊急制動距離為800 ～1400 m，動車組列車的制動距離達到2000 m以上。在惡劣天氣情況下司機的瞭望距離僅有200 m，甚至更近，不能滿足制動距離要求。列車運行速度越快，天氣能見度條件越差，相撞的安全風險越大。

（2）列車司機因素。普速鐵路列車設正、副司機各1名，動車組列車僅設1名司機，在列車運行過程中，執行“徹底瞭望”制度，遇到危及行車安全時，采取緊急制動措施。列車司機工作事項較多，需確認各種儀表、手動各項操作，容易疲勞分心，時常發生間斷、中斷瞭望的風險事件。少數司機在發現危險情況時，因精力不集中、反應不及時等，在采取緊急措施時的反應時間大于4 s，甚至更長時間，而列車每秒的走行距離要超過30 m，在司機反應遲滯狀況下列車至少運行100 m，相撞的安全風險較大。

（3）鐵路施工維修作業因素。一是施工作業前，由于指揮施工作業的調度命令沒有傳達到施工作業人員，或者作業人員違章提前作業等因素，造成作業人員進入列車正在運行的線路。二是施工作業過程中，作業人員、機具侵入鄰線限界。三是施工作業后，作業人員或作業機具未及時撤離線路，或遺留機具在線路上，在列車恢復運行時，可能發生相撞風險。

（4）鐵路線路外部環境因素。目前，全路尚有450 km的地段沒有進行柵欄封閉，社會人員、牲畜容易在鐵路柵欄破損或未設柵欄區段非法上道，非法人員人為在鐵路線路上放置障礙物。有些機動車輛通過鐵路道口時非法闖入鐵路線路。汛期暴風雨期間，落石、倒樹、泥石流、大風刮起的飄浮物等障礙物侵入鐵路線路。

2 障礙物智能預警系統設計

紅外熱像儀已廣泛應用于紅外制導、坦克夜視儀、武器瞄準、安防和汽車紅外夜視儀等領域。紅外成像技術主要是利用紅外線探測器捕獲目標自身輻射的能量、熱特征來實現自動跟蹤[4]，再優化遠端探測距離設計，能夠達到160 km/h及其以下速度的1400 m列車制動距離的要求，再通過圖像自動處理、異物分析功能及自動鎖閉功能，能夠觀察具有極高清晰度的目標，實時探測捕捉鐵路線路限界內的障礙物，并通過顯示終端提醒列車司機線路情況，且不易受環境、氣候、光線等因素干擾。因此，可利用紅外探測障礙物預警系統的設計，搭載在鐵路機車上，實現列車司機遠距離觀察運行前方線路情況，實時接收預警提醒，避免列車與障礙物相撞。

2.1 系統的主要功能

搭載預警系統的列車在運行過程中，通過紅外探測裝置自動檢測機車前方線路情況，發現行人、倒樹、泥石流、施工機具、車輛等異物及時預警提醒司機[5]，尤其在黑夜、霧雪天等能見度差的天氣狀況下效果更理想。能夠為司機提供采取安全措施的時間，有效解決列車在瞭望距離不足或低能見度條件下行車安全問題，彌補現有列車運行安全保障系統的不足。根據生產需求調研和現場測試，系統主要功能如下。

（1）遠距離探測功能。在濕度大于70%時，滿足2000 m以上的探測距離，不受霧霾及夜間環境影響，適合國內各類氣候。

（2）目標圖像自動鎖定功能。利用鋼軌特定形狀，在司機室內顯示終端上，實現自動引導圖像沿固定線路自動向前運行功能，并鎖定顯示前方探測距離內兩側距線路中心2440 mm的探測范圍。

（3）特殊場景處理功能。包括去強光、破霧功能，最小曲線半徑800 m的彎道處理功能，實現不受惡劣天氣、曲線地段限制。

（4）預警智能化功能。圖像智能篩選出限界內異物，能夠分辨行人、牲畜、接觸網異物、其他異物等目標，能夠自動鎖定目標并通過語音和文字提醒報警。

（5）可視化功能。顯示終端放置在司機便于觀察的位置，可以實時顯示用方框鎖定的障礙物圖像，相鄰區間、站名，文字提醒內容，并設置錄音、視頻、預警、設備等可查詢功能按鈕[6]。

2.2 整體架構設計

鐵路機車車載障礙物智能探測預警系統，由視頻采集系統、測距系統、伺服控制系統、信息處理系統、警報系統和顯示終端組成。系統結構圖如圖1所示。

圖1 系統結構圖Fig.1 System networking diagram

視頻采集系統，主要包括熱像儀、紅外輔助駕駛機芯組件和紅外導引頭，固定安裝在機車頭部大燈處適當位置，用于收集列車運行前方線路內物體紅外及可見光信號并處理為視頻信息，將視頻信息實時傳輸給信息處理系統；測距系統，由激光測距儀構成，激光測距儀發送和接收激光測距信號，用于將激光測距儀和被探測到的物體之間的距離信息實時傳輸給信息處理系統；伺服控制系統，用于使測距系統準確地跟蹤激光測距儀和被測物體之間的距離以及使視頻采集系統準確地跟蹤機車隨軌道的轉角，自動鎖定目標追蹤；信息處理系統，由隨動控制算法模塊、安全限界判斷模塊組成，用于對視頻采集系統發送來的紅外及可見光信號及測距系統發來的距離信息進行處理、識別、數據存儲、上傳并傳輸至顯示屏，以及根據識別出的障礙物等圖像的處理結果對伺服控制系統和報警系統發送命令，實現對列車運行前方線路限界內障礙物智能探測報警提醒的功能。

3 系統關鍵技術

3.1 紅外成像技術

鐵路機車采用非制冷探測器[7]探測目標物體的紅外熱輻射，探測的距離較遠、圖像清晰、應用比較成熟，主要原理為焦平面探測器吸收紅外輻射能量，元件的溫度發生相應變化，并轉換成相應的電信號，后續將電信號進行放大和邏輯處理，采集到目標物體溫度分布情況，將目標物體的溫度分布圖像轉換成紅外視頻熱圖像[7]。紅外成像技術的光路圖如圖2所示。

圖2 紅外成像技術的光路圖Fig.2 Light path diagram of infrared imaging technology

3.2 探測距離設計

紅外成像導引系統探測的最遠作用距離受成像面積、信號能量2個因素的限制，選取最小成像面積不能小于10×10個像素，否則，探測器將無法識別目標。足夠強的信號能量要求足夠大的信噪比，需要定義一個信噪比閾值，只有信噪比高于它時，系統才能識別目標，經過概率統計計算分析，這里選擇信噪比的閾值(SNR)為5。根據信噪比與目標輻射強度的關系可以推出非制冷紅外探測器搜索跟蹤系統作用距離的計算公式[8]為

式中：r為系統作用距離，m；L目標為目標的輻射強度，W；L背景為背景的輻射強度，W；S為輻射物對應的面積，m2；τ(r)為距離r目標輻射的大氣透過率；η為物體表面的反射率；Aenp為光學系統的有效入射孔徑的面積，m2；Ad為探測微元的面積，m2；D*為歸一化探測率；Δf為系統探測器帶寬，Hz；Nt是系統等效溫差(NETD)，K；SNR為系統工作時的最小信噪比值；δ為系統修正因子。

歸一化探測率D*計算公式為

式中：NEP為噪聲等效功率，W；F為焦距f與通光孔徑d的比值；NETD為熱靈敏度，mK； ?L/?T為相對背景溫度下光譜輻射出射度對溫度的變化率，W/(m2·sr·k)。系統作用距離估算參數如表1所示。

表1 系統作用距離估算參數Tab.1 System action distance estimation parameters

在改變焦距f和像元尺寸的情況下，列車前方鋼軌限界范圍內最大作用距離隨熱靈敏度(NETD)的變化如圖3所示[8]。結合工程驗證結果，基于此技術方案的紅外光學系統對目標的最大作用距離滿足2 km以上。

圖3 列車前方鋼軌限界范圍內最大作用距離隨熱靈敏度(NETD)的變化Fig. 3 Variation of the maximum working distance within the rail limit in front of the train with NETD

3.3 紅外圖像降噪與增強

由于紅外圖像受到鐵路線路上各種背景干擾，一些障礙物與鋼軌、軌枕的物理特性接近，接收到的目標信號相對較弱，會出現噪聲。針對紅外圖像的特性，要得到理想的紅外圖像關鍵在于紅外信號降噪以及圖像增強等微弱圖像處理技術[9]。紅外圖像降噪與增強算法框圖如圖4所示。

圖4 紅外圖像降噪與增強算法框圖Fig.4 Overall block diagram of infrared image de-noising and enhancement algorithm

（1）固定圖案噪聲(FRN)抑制。由于紅外成像器件的成像焦平面有一定的非均勻性，探測像元對于同一溫度響應造成不一致，會出現空間固定圖案噪聲，需要針對噪聲的性質對圖像中的該類噪聲進行抑制。

（2）圖像條帶噪聲抑制。紅外成像系統中，由于每一行(列)成像單元共用一個輸出電路輸出，輸出電路輸出并不均勻，導致紅外圖像中或多或少都有該類噪聲的污染，這里特指時間高頻的條帶噪聲。在實際算法中首先將圖像噪聲提取到中高頻，對圖像做運動估計，利用圖像的平滑區域進行時域的濾波處理。

（3）圖像非局部均值高頻噪聲抑制。在紅外圖像中，除了時域高頻噪聲，還具有空域噪聲，包括高斯噪聲、椒鹽噪聲等一系列噪聲，使用了非局部均值的算法進行噪聲抑制。在紅外圖像處理中，主要通過全局直方圖拉伸算法，將高動態范圍的紅外圖像輸出到顯示終端，并且盡可能少地損失圖像中的信息。

（4）圖像校正算法。焦平面探測器具有非均勻性，目標會退化或圖像不清，通過對時域高通非均勻性校正算法和自適應非均勻校正算法的分析，選擇邏輯編程來實現二元非線性響應的非均勻性校正算法，并進一步研發自適應二元非線性響應的非均勻性校正算法進行非均勻性校正。

3.4 深度學習建模

通過微弱圖像處理技術后，得到理想的障礙物紅外圖像，再建立行人、異物侵線檢測、識別系統的智能化自主學習方法，還需要在軟件中設置自主學習與上述特征識別的映射關系，然后利用在鐵路線路上采集的實際數據進行深度學習、訓練，并根據學習訓練結果與前置模型進行交互改進。這樣，通過多輪交互改進的自主學習和建模成果，初步固化行人、異物侵線檢測算法，并通過大量實驗數據及成果進行持續優化。獲得的圖象數據經專用圖象處理軟件處理后，便可實現對遠程異物、行人侵線檢測。

利用能從圖像中分離出具有某種相同特征的幾何形狀的霍夫變換方法，從黑白圖像中檢測出鋼軌和軌枕所具有的特殊線條，再根據運動方向，最終實現鋼軌的自動鎖定。針對彎道引起的遠程視場中鋼軌及侵線行人、異物短暫丟失的難題需要加強視頻采集、鋼軌識別、融合GPS數據等技術分析，解決探測過程中出現的短暫丟失問題。先將視頻采集系統和測距系統預先調整至與鋼軌同方向，當目標點的彎曲度大于軌道切線轉角的限定值時，再利用彎道細調方法進行準確調節，即通過對軌道圖像作切線，并計算切線的轉角來實時計算出軌道的彎曲程度即對機車實際運行轉彎曲率進行運算，當轉角大于軌道切線轉角的限定值時，計算伺服控制系統相關聯的姿態控制數據，向伺服控制系統發送姿態控制數據，實現對視頻采集系統探測角度的實時控制。

實地測試夜間和不同天氣情況下的障礙物、行人智能識別，能夠根據應用場景幫助司機快速捕捉并框選侵入鐵路限界內行人及異物等目標，同時進行文字和聲音提醒[10]。預警系統效果圖如圖5所示。

圖5 預警系統效果圖Fig.5 Effect picture of infrared early warning system

4 結束語

列車司機通過觀察前方線路采取安全措施，是防止列車碰撞異物事故的最后一道防線[11]。鐵路機車車載障礙物智能探測報警系統可有效確保鐵路行車安全，系統具備紅外遠程探測、異物鎖定報警功能，將接觸網分相、曲線、限速地段、施工地點等特殊場景的參數融入系統，增加提醒功能，達到智能“導航式”輔助司機安全駕駛列車的目的。不斷研究系統在動車組列車上的應用，探索與鐵路機車制動系統接口，有效解決瞭望距離不足或低能見度條件下行車安全問題，有效彌補現有列車運行安全保障系統的不足。