面向軌道智能交通大學生創新訓練實踐教學平臺設計

葉 濤， 鄭志康， 郝天成， 徐欣宇， 李東圣

（中國礦業大學（北京）機械與電氣工程學院，北京 100083）

0 引 言

大學生創新創業訓練項目（以下簡稱大創項目）是國家為了增強高校大學生的創新能力，培養適應創新型國家建設需求的高水平創新人才而設立的項目［1］。在此過程中，大學生在導師指導下，獨立自主完成創新性項目設計、實驗條件準備、項目實施和研究報告撰寫等工作。大學生創新創業訓練項目要求做到多學科理論與實踐相結合、經驗與創新相結合、模型設計與樣機實驗相結合，故實踐創新環節是教學過程非常重要的一個環節。然而，在現有實踐實驗過程中，教師主要強調專業理論知識教學，弱化了真正意義上的實踐與理論相結合的教學模式；與此同時，現有的項目分工模式存在工作上的串聯問題，使得最后各部分工作難以串聯形成一個整體，導致團隊通力協作能力難以得到充分鍛煉。上述因素影響了學生對科研創新的興趣和熱情，進而導致無法圓滿完成創新創業的基本工作要求。

鐵路運輸業是國民經濟的支柱產業，在軌道交通運輸體系中居骨干地位，對國民經濟發展起著強有力的支撐作用，截至2022 年12 月，中國的鐵路線路長達15.50 萬km，同時，超長的鐵路線路帶來維護時人力物力的大量消耗。在鐵路運輸系統中，安全運行是確保列車平穩和持續運行的基礎［2-3］。隨著軌道交通的飛速發展，列車運行速度越來越快，列車駕駛員通過人眼觀察列車前方路況，基于主觀判斷危險的存在，由于主觀誤判與視覺疲勞等因素，容易發生列車撞擊異物或追尾等重大交通事故［4］。鐵路沿線的軌道異物入侵導致的軌道交通事故尤為嚴重，軌道異物入侵是指在列車前向軌道上所有會造成行車安全隱患的障礙物，如落石、遺留在鐵路上的工具、滯留在軌道上的工作人員等。異物入侵事件具有突發性和不可預測性，一旦發生軌道交通事故，救援難度極大，尤其在地下和偏遠地區。為保證列車行車安全，應加強對應急事件的檢測與處理，對列車運行環境的進行實時智能檢測，實現異物入侵的報警。因此，對軌道侵入異物進行快速準確檢測的系統性研究尤為重要。

為此，項目組織了以5 名機械工程專業本科生和1 位指導教師為主的大創實踐團隊，以“軌道異物入侵視覺檢測系統”的大創教學實踐教學平臺設計為目標，研究并開發了一種智能軌道異物入侵自主檢測系統，主要包括小型智能軌道異物入侵檢測物理樣機的研制和基于深度學習的高效軌道異物入侵檢測方法開發。通過上述大創實踐教學平臺的研制開發，旨在提升學生對機械結構設計和人工智能技術等交叉學科知識的理解和實際應用能力，以及增強大創成員的創新實踐思維。

1 實踐教學平臺設計

1.1 智能化軌道異物入侵自主檢測系統設計

本文開發了一種智能軌道異物入侵自主檢測系統，如圖1 所示。軌道異物入侵自主檢測系統主要由軟硬件組成，軟件包括軌道異物入侵檢測算法和預警提示算法；硬件主要包括小型智能軌道異物入侵檢測物理樣機。其中，小型智能軌道異物入侵檢測物理樣機利用星光相機采集列車前向的環境信息，而星光相機在夜間低照度條件下可自適應提升捕獲圖像的質量，為后續目標檢測任務提供良好的視覺條件。軌道異物入侵檢測算法以高性能嵌入式設備Jetson Xavier NX［5］為計算模塊，在保證模型實時性的同時對檢測模型進行移植部署并執行實時檢測任務。預警提示算法處理上述檢測信息并結合多幀累計檢測以決定是否預警，包括語音報警和顯示報警，列車駕駛員結合預警信息實現列車制動，進而保證列車安全運行。本文主要以智能軌道異物入侵自主檢測系統的物理樣機研制和檢測算法設計為重點，實現在實際軌道環境中高精度實時軌道入侵異物檢測，使學生能夠理解并掌握理論高度結合實踐的過程，提升對大創項目實踐的熱情。

圖1 智能化軌道異物入侵自主檢測系統

智能軌道異物入侵自主檢測系統具體工作步驟如下：

（1）小型智能化軌道異物檢測系統由圖像采集層、圖像智能處理層和決策層三部分組成。其中圖像采集系統中的星光相機與報警器連接圖像信息處理系統中的處理器。

（2）軌道異物入侵檢測模型移植部署到處理器平臺并調整運行參數。

（3）星光相機負責圖像的采集任務，并將采集的數據傳入圖像信息處理系統。

（4）圖像信息處理系統對星光相機采集到的數據進行實時分析，對出現的軌道侵入物進行高精度識別并做出正確決策。

（5）當列車運行前方軌道出現侵入物時，報警器自動報警，提醒列車駕駛員進行相應的處置操作。當侵入物消失后，系統自動恢復到正常模式。

1.2 軌道異物入侵檢測物理樣機研制

以機械設計和機械原理等所學專業核心知識為基礎，自主設計了智能軌道異物入侵檢測物理樣機，其二維平面和實物結構圖如圖2 所示。軌道異物入侵檢測物理樣機集成了高性能Jetson Xavier NX處理器、星光相機FCB-EV9500L、電源、變壓器和語音報警器等硬件。樣機具有小體積和低能耗的特點，長寬高分別為28、22、10 cm，最大功耗僅為30 W。樣機箱體及前后端蓋由鋁合金板材經切割折彎等機械加工而成，重量輕且耐腐蝕。前端蓋橫向并排相機口和報警器出音口，相機鏡頭蓋與前端蓋相連以保護相機鏡頭安全及減少鏡頭受污漬污染。箱體前部分別通過連接減震支架安裝了相機、處理器和語音報警器。箱體的后半部分安裝了電源及變壓器并進行了絕緣處理，避免發生漏電事故。后側箱體壁設計了風扇散熱出風口。箱體底部四角安裝了地腳螺栓可以自由調節樣機的高度及角度。為了培養學生良好的機械設計思維，軌道異物入侵檢測物理樣機采用現代機械設計方法的模塊化設計理念，樣機整體設計簡潔美觀、元器件安裝便捷，設備硬件調試便捷。

圖2 智能化軌道異物入侵檢測樣機結構圖

軌道異物入侵檢測樣機主要由處理器、星光相機、語音報警器和開關電源等硬件組成，其中硬件體積偏小，適合在小型相機中高度集成，主要硬件選型及結構如圖3 所示。

圖3 樣機主要硬件實物

Jetson Xavier NX 是一種基于NAVID VOLTATM架構的AI超級處理器，配備21TPOS 的運算能力和1.9 GHz的主頻。處理器實物圖如圖3（a）所示，其具有體積小性能優、計算力強、應用廣等特點，對設計小型化智能異物入侵檢測樣機極為有利，作為邊緣設備也為后續檢測算法提供了強大的算力支撐。

列車在運行過程中，大多數情況下為直線軌道，因此需要選用遠距離和大焦距的相機，但遠距離相機存在視角范圍較小，而近距離的大視角相機可彌補視角范圍較小的相機的缺點。此外，考慮到軌道交通列車運行時間長、距離遠以及光線突變將影響可見光相機的成像質量，經過市場調研多款星光級攝像機并進行多方面的性能對比，索尼的星光級相機FCB-EV9500L因其優異的低照度成像能力以及綜合的清晰成像質量，成為小型智能軌道異物入侵檢測物理樣機的圖像采集設備的最佳選擇。FCB-EV9500L 采用了新的鏡頭、圖像傳感器和圖像信號處理器的一種高可見度的彩色攝像模組，在小型圖像傳感器上實現了緊湊尺寸的30x加強光學變焦。該攝像模組可廣泛地用于各種復雜環境場景，包括低照度條件環境。尤其是超級圖像防抖功能，可大幅改善和提升圖像的運動模糊，與傳統的圖像傳感器相比實現了2 倍的感光度，故可在夜間等低照度環境下采集較清晰圖像。

1.3 軌道異物入侵檢測方法設計

軌道異物入侵檢測時，常常會由于不同場景下天氣、光線和檢測目標形態的變化造成錯檢、漏檢的情況發生，影響檢測系統的穩定性和可靠性，此外，越早檢測到遠處的目標就能及時預警并制動停車，而遠處的目標在圖像的占比較小，故要求所設計的方法對小目標有良好的檢測精度。在衡量性能指標時，不能將重點單方面集中于檢測精度或識別速度，為了利于網絡模型移植部署，需要同時兼顧實時性和檢測精度［6］。

為了培養學生的科研創新能力，引導學生發覺現有方法所存在的問題并進行優化與改進，以實現更優的方法，對先進目標檢測算法YOLOv5［7］的檢測結果進行了詳細分析：雖然該算法檢測精度較高，但其復雜的計算量也延長了推理速度。為平衡各項性能指標以利于模型部署移植，實現在邊緣設備上的檢測精度和推理速度的雙平衡，本項目基于YOLOv5 算法，并針對上述問題進行了優化，提出如圖4 所示的軌道異物入侵檢測網絡。采用一種分階段的卷積計算模塊，在少量的非線性的卷積得到的特征圖基礎上，再進行一次線性卷積，從而獲取更多的特征圖，而新的特征圖稱為先前特征圖的ghost［8-9］，以此消除冗余特征并獲取更輕量的模型。基于上述基線，所提方法還利用SIoU［10］損失函數替換原來的CIoU［11］，加快模型訓練速度并提升檢測性能。

圖4 軌道異物入侵檢測網絡總體架構

Ghost bottleneck［12］是一個可復用模塊，用來替換YOLOv5 中的C3 模塊，本文還采用Ghost 模塊替換了普通卷積模塊，這種操作能減少計算量并降低模型大小，兩種模塊見圖5。Ghost bottleneck 模塊與ResNet中的基本殘差塊相似，由兩個堆疊的Ghost模塊組成。其中第1 個Ghost 模塊用作擴展層，增加通道數；第2個Ghost模塊減少通道數，與shortcut路徑匹配。使用shortcut連接兩個Ghost 模塊的輸出和輸入。Ghost Bottleneck中第2 個Ghost 模塊不使用ReLU，其他層在每層之后都應用了批量歸一化和ReLU 激活函數。當stride ＝2 時，兩個Ghost 模塊之間通過一個stride＝2 的深度卷積進行連接。通過利用Ghost模塊減少網絡參數量的方式提升網絡的推理速度，可開拓學生的視野，定性地解釋深度神經網絡黑盒模型中影響推理速度的具體原因。

圖5 Ghost和Ghost bottleneck模塊

在應用Ghost bottleneck 模塊后，模型檢測速度顯著提高，但是平均檢測精度（mAP）有一定程度的降低。損失函數很大程度上決定了模型的性能，模型訓練時主要包含三方面的損失：邊界框損失（lossbox）、置信度損失（lossconf）和分類損失（losscls）。本文通過改進優化損失函數以提升模型的收斂速度和檢測精度。具體而言，將SIoU損失作為邊框回歸損失函數以提升模型的實時性。SIoU 在傳統邊框損失函數基礎上引入真實框和預測框之間的向量角度，重新定義相關函數。具體包含四部分：

（1）角度損失（見圖6）

圖6 角度損失分析

式中：

表示真實框和預測框中心點的高度差；

為真實框和預測框中心點距離，事實上arcsin（Ch／σ）等于角度α，即Ch／σ ＝sin α。

在圖6 中為真實框中心坐標，（bcx，bcy）為預測框中心坐標。當α為π／2 或0 時，角度損失為0，在訓練過程中若α ＜π／4，則最小化α，否則最小化β。

（2）距離損失

式中：

為真實框和預測框最小外接矩形的寬和高；γ ＝2－Λ。

（3）形狀損失

式中：

（w，h）和（wgt，hgt）分別為預測框和真實框的寬和高；θ為控制對形狀損失的關注程度，為了避免過于關注形狀損失而降低對預測框的移動，初步定于θ 參數范圍為［2，6］，在本文中，θ設置為4。

（4）真實框和預測框的交并比損失。最終SIoU損失函數定義如下：

通過SIoU損失函數模型的使用，能夠一定程度上提高模型實時性較低的問題［16］。

2 實驗及結果分析

2.1 數據集和參數設置

為了評估所提方法對軌道入侵異物的檢測性能，本文對真實軌道場景采集的視頻進行抽幀和圖像增強，生成了包含不同天氣、光照和復雜背景的軌道場景圖像，以模擬不同復雜的真實軌道場景，進一步豐富了數據集。本文共收集圖像8 778 張，大小為640 ×512，異物目標分為7 個類別：左轉軌道、右轉軌道、直行軌道、列車、行人、扳手和安全帽。數據集的樣本示例和實例分布如圖7 所示。

圖7 數據集示例圖

從圖7 可以得出，行人的實例數量最多，達到8 000 以上，列車也有3 700 多個實例目標，相對而言，軌道的類別（包括左、右轉軌道和直行軌道）數量較少。檢測這些目標的目的在于：列車轉彎過程中由于車體擋住了駕駛員視線，容易導致事故發生，而檢測列車運行方向可以提醒駕駛員保持警惕，降低事故發生的概率；小體積目標扳手與安全帽數量大概為1 000和3 000，對工人在鐵路上丟失的頭盔和扳手進行檢測，可減少不必要的損失，而且能證明本文方法對小目標的有效性。其中80%的圖像用于訓練和驗證，20%用于測試。在自建軌道異物入侵數據集上對所提方法進行了實驗驗證及測試，采用Intel? Core TM i7-6950X CPU處理器，同時配備4 塊內存為12 GB 的NVIDIA GeForce GTX 1080Ti 顯卡，采用隨機梯度下降法（SGD）作為優化器，初始學習率（learning rate）設置為0.01，并隨著迭代次數的增長而減小，最大迭代次數為100 輪，權重衰減（weigth decay）為0.000 5，動量參數（momentum）為0.937，批量大小（batch size）為32，非極大值抑制（NMS）域值為0.45，置信度值域為0.25。

2.2 實驗設計和結果分析

為驗證提出的軌道異物入侵檢測方法對軌道檢測效果的有效性，以IoU 為0.5 時的平均檢測精度（mAP50）和檢測速度FPS 為模型檢測性能的評價指標，兩種評價指標的數值越大表明檢測性能越好。所提方法在自建軌道異物入侵數據集上與經典的目標檢測器Faster RCNN［13］、SSD［14］、YOLOv3［15］和YOLOv5 s進行了對比，實驗結果如表1 所示。結果表明，所提方法取得了96.1%的平均檢測精度和209 FPS的檢測速度。檢測精度在所有模型中取得了最優和次優的結果，表明所提方法具有高精度的特點；此外在小目標上也取得了不錯的檢測精度，尤其是扳手，取得了96.1%的高精度；更重要的是，檢測速度比YOLOv5 s取得了一倍的提升，為移植部署提供了良好的基礎支撐。綜上所述，本文所提出的方法取得了檢測精度和檢測速度的雙平衡。

表1 實驗對比結果

圖8 展示了對不同場景圖像的可視化結果，可以觀察到，所提方法能夠準確地檢測到絕大多數目標。圖8（a）、（b）是不同光照條件下的檢測結果，說明了本文的方法對不同照度的自適應能力；圖8（e）是對復雜的軌道場景的檢測示意圖，在復雜目標眾多的環境下，顯示出了較強的泛化能力，圖8（d）、（f）展示了對行人、列車以及小目標扳手和安全帽的檢測結果，對于遮擋的目標和遠處小目標，提出的方法也能準確檢測。

圖8 不同環境條件下的可視化結果

使用混淆矩陣和準確率-召回率曲線可定量和定性的評估模型的穩健性。如圖9（a）所示，混淆矩陣的每一行代表真實類，每一列代表預測類，所有正確分類的預測都在對角線上，而錯誤分類的則在其他區域，對角線顏色越深表明分類精度越高。所提方法正確地對目標進行分類，并且錯誤識別率較低。圖9（b）是7種類別準確率-召回率曲線（Precision-Recall 曲線），表明所提方法對7 類目標均具有良好的檢測效果。

圖9 混淆矩陣和Precision-Recall曲線

圖10 是驗證集上3 種損失函數和mAP隨訓練輪數的變化曲線，其中橫坐標代表訓練輪數，而前3 張圖的縱坐標代表不同損失的大小，第四張圖的縱坐標代表平均檢測精度mAP50。由圖可知，3 種損失均以較快的收斂速度達到了最小值，實驗結果證明了SIoU的有效性，且在訓練50 輪后，mAP也達到了峰值并逐漸趨于穩定。

圖10 損失曲線和精度曲線

2.3 實驗要求

實驗要求學生掌握YOLOv5 和設計的網絡結構及其各模塊的功能，熟練網絡的環境配置、訓練參數的意義并調參，能夠使用已有數據集進行訓練，并對測試的實驗結果進行綜合對比與分析。通過理論與實踐相結合，讓學生了解基于深度學習的目標檢測技術在軌道異物入侵檢測中的實際應用，提升學生參與大創實踐教學的積極性。

2.4 評價與考核

通過從不同角度進行評價與考核，能夠幫助教師了解學生對大學生創新創業訓練項目的完成情況、科研創新實踐和團隊通力協作能力的培養，便于及時調整指導方法。因此，在項目評價與考核方面，不僅要考慮軌道異物入侵自主檢測系統的創新性、可行性和總體完成情況，而且還要對團隊的合作和理論結合實際能力進行全方面地考核。按照完成時間、總體實現情況以及完成的質量等多方面綜合評分，總評成績由項目方案總體設計完成情況和團隊協作和科研創新能力兩部分組成，項目方案總體設計由物理樣機設計和檢測算法設計兩部分組成，而團隊協作和科研創新能力包括團隊協作和科研創新，每部分各50 分。若應用到實驗教學，可規定項目方案總體設計成績和團隊協作和科研創新成績的百分比占比，本文按照7∶3的比例換算為總評成績；最終的考核結果分為4 個等級：優秀、良好、及格和不及格。評分標準如表2 所示。教師將根據各部分成績的總評得到每位參與同學的成績，并根據各部分成績具體情況，優化調整項目案例和教學模式。

表2 實驗項目評分標準 分

3 結 語

本文以大學生創新訓練項目的實驗教學模式改革為契機，借助深度學習和機械設計等多交叉學科專業知識，設計了一種新型面向軌道交通應用的大學生創新訓練項目實踐教學平臺，該教學平臺以實現列車行駛前向軌道侵入物檢測為主要目標，主要包括小型軌道異物入侵檢測物理樣機和軌道異物入侵高效檢測方法，可實現列車行進中軌道入侵異物的實時檢測與報警提示。通過該大學生創新訓練實踐教學平臺設計與實施，增強了學生對人工智能等新技術的理解，培養了學生對新型大創實踐項目的興趣和熱情，并提升了學生的工程實踐能力。此外，針對上述教學平臺的研制過程設計了項目案例的評價和考核機制，以精準掌握大創項目開展實施的質量，并根據考核情況優化大創項目指導方案，健全學生創新實踐能力的培養模式。