Track region segmentation method based on RGBD fusion image and improved U-net
-
摘要: 传统的轨道分割方法无法满足列车运行时对轨道区域感知的实时性和准确性要求。文章研究基于RGBD融合图像及改进U-net的轨道区域分割方法，将RGB图像与深度图像进行融合，获得RGBD融合图像，将其输入到改进后的U-net中，建立轨道区域分割模型。经实验验证，与仅输入RGB图像的U-net模型相比，轨道区域分割模型的F1 值提升了约0.28，平均交并比提升了约0.1，像素准确率提升了0.0026，证明其对轨道区域分割的精确度更高，同时，验证了该模型的网络性能也得到了显著提升。
-
关键词:
- U-net /
- 轨道分割 /
- RGBD融合图像 /
- 深度图 /
- 卷积神经网络（CNN）
Abstract: Traditional track segmentation methods cannot meet the real-time and accurate requirements for perception of track areas during train operation. This paper studied a track region segmentation method based on RGBD fusion images and improved U-net. The RGB images were fused with depth images to obtain RGBD fusion images, which were input into the improved U-net to establish a track region segmentation model. After experimental verification, compared with the U-net model that only inputs RGB images, the F1 value of the track region segmentation model has been improved by about 0.28, the Mean Intersection over Union (MIoU) has been improved by about 0.1, and the Pixel Accuracy (PA) has been improved by 0.0026, proving its higher accuracy in track region segmentation. At the same time, it has been verified that the network performance of the model has also been significantly improved.-
Keywords:
- U-net /
- track segmentation /
- RGBD fusion image /
- depth image /
- Convolutional Neural Networks(CNN)
-
提高日班计划编制质量，是充分利用运输能力，提升运输组织效率，保障高质量完成运输任务的重要手段，而准确的车流预测是编制高质量日班计划的前提条件。
关于车流径路的研究主要考虑路网运输方案[1]、空车调整方案[2]等，在推算车流径路时主要使用最短路径、次短路径或K条最短路径计算方法。目前，铁路运输径路计算机处理系统是铁路部门一个重要的车流径路推算工具，为铁路运输计划管理、车流组织、运费计算以及收入清算提供支持[3-5]。在实际运输生产过程中，由于受到施工、通过能力、机车（车务组）分配、自然灾害、事故等多种因素的影响，经常会发生车流迂回运输[6]。在选择车流迂回径路时，需要考虑多种因素：迂回径路的通过能力、迂回径路的长度、迂回径路上的牵引方式[7]等。若依据实际运输需求、路网能力制约以及迂回运输选择条件等因素，对全路网货运车流径路建模和预测，无疑是一项十分复杂的任务。为此，考虑利用运输信息集成平台提供的货运车流海量历史轨迹和实时位置追踪数据，提出一种基于车流径路选择偏好的铁路车流运行径路动态预测方法。
1 基于车流径路选择偏好的铁路车流运行径路动态预测方法
中国国家铁路集团有限公司（简称：国铁集团）于2013年建成运输信息集成平台，实现对列车、车辆、货物、机车、机车乘务员位置与状态的实时掌握与动态追踪[8]；货运列车在装、卸、技术作业等关键环节均会产生报告信息，可以较为准确地掌握货运列车动态信息，结合列车编组信息，以车号、起讫点、途径站为线索，进而可获得货运车辆的动态运行轨迹。
1.1 车流径路选择偏好概念简介
针对车流运行径路历史数据的统计，提出长期和近短期车流径路选择偏好的概念；其中，长期车流径路选择偏好是过去较长时间内货运车流运行径路的大概率选择，反映长期货物运输运输组织策略影响下，对货运车流不同运行径路的优先选择；近短期车流径路选择偏好则是近短期内货运车流运行径路的大概率选择，可反映车流受到现阶段施工、线路运输能力等因素影响，对货运车流不同运行径路的优先选择，对于预测当前车流运行径路具有较好的参考价值。在预测车流运行径路时，优先使用近短期车流径路选择偏好，只有在近短期车流径路选择偏好数据缺失的情况下，才考虑采用长期车流径路选择偏好。
1.2 车流径路选择偏好参数统计方法
列车动态位置信息主要包括列车到达与出发报告，是由列车运输途中重要节点站上报的列车到发信息。如图1所示，列车在始发站A、技术站B、C和终到站D，都会上报列车到发信息。结合列车编组信息，可以得到车辆运行动态信息，包含车号、始发站、当前站、终到站、货物品类等信息项；汇总某个车辆的到发信息，以车号、起讫点、货物品类为索引，即可以获得该车辆的完整运行轨迹。
假设车流从始发站A运行到终点站D，可有2条运行径路：A—B—C—D和A—B—E—D；利用车流长期历史数据，对10 000辆车辆运行径路进行统计，发现其中80%车辆的走行径路为A—B—C—D，20%车辆的走行径路为A—B—E—D；利用车流近短期历史数据，对100辆车辆的走行径路进行统计，发现其中60%车辆走行径路为A—B—C—D，40%车辆走行径路为A—B—E—D，可得到如表1所示的车流径路选择偏好参数表。
表 1 车流径路选择偏好参数表始发站 终到站 当前站 下一站 货物品类 历史近短期车流量
/（辆/月）历史长期车流量
/（辆/年）A D A B 01 100 10000 A D B C 01 60 8000 A D C D 01 60 8000 A D B E 01 40 2 000 A D E D 01 40 2 000 1.3 车流运行径路动态预测算法
通过实时获取运输信息集成平台提供列车到发报告信息，将其转换成车辆运行动态信息，结合基于车流历史数据生成的车流径路选择偏好参数表，设计货运车流运行径路动态预测方法，具体算法步骤如下：
（1）根据车辆的始发站、当前站、终到站和货物品类信息，在车流径路选择偏好参数表中查找对应的车流径路记录；若查找不到对应的车流径路记录，则结束查找，使用默认的车流径路计算方法确定车辆运行径路；若找到，则转到步骤（2）；
（2）检查所有查找到的车流径路记录中的近短期车流量数据项是否为空；若不为空，选择近短期偏好概率最大的车流径路记录；若为空，则选择长期偏好概率最大的车流径路记录；将所选择车流径路记录中的下一站设置为预测站；
（3）判断预测站是否为终到站，若是，则结束搜索；否则转到步骤（4）；
（4）将预测站设置为当前站，转到步骤（1）。
2 车流径路预测大数据应用环境与数据处理流程
2.1 车流径路预测大数据应用环境
全路现有货运车辆80多万辆，每日有50多万辆货车的动态信息上报，日均上报数据量约为300万条，车辆历史轨迹数据累计约为20亿条。为便于分析海量的车辆历史轨迹信息，提高车流径路预测应用的数据处理性能，搭建车流径路预测大数据应用环境，其架构如图2所示。
数据采集层通过MQ消息接收与数据库同步2种方式获取车辆最新动态信息，解析后写入Kafka消息队列；数据处理层使用Flink组件调用预测程序，动态预测车流径路；数据存储层使用Redis数据库存储车流径路选择偏好参数表，Citus数据库存储动态预测的车流径路与近期车流轨迹历史数据，ClickHouse数据仓库存储较长时间之前的海量车流轨迹历史数据；数据服务层基于WebServices/Http等协议提供数据查询和计算服务，使用SpringBoot微服务架构实现数据可视化展示。
2.2 车流运行径路预测数据处理流程
车流运行径路预测的数据处理流程如图3所示，其中，黄色部分为车流径路选择偏好参数更新流程，其余部分为车流运行径路动态预测流程。
对车流径路选择偏好参数的动态更新，是通过将存储在运输信息集成平台Oracle数据库中的车流历史数据定期同步到分布式实时分析数据库Citus，再调用车流径路选择偏好参数计算程序定期更新该参数表；该参数表保存在内存数据库集群Redis中，便于车流运行径路动态预测程序快速读取表中的参数。
在车流运行径路动态预测流程中，从运输集成平台的MQ队列中实时读取最新的车流装、卸和到发信息，转存到Kafka消息队列集群中；使用Flink流式处理技术，解析Kafka队列中的最新车流信息，通过Nginx负载均衡（目的是为了防止并发调用Redis时造成阻塞），读取存储在Redis中的车流径路选择偏好参数表，生成预测的货车运行径路；最后，将预测结果存储到数据仓库ClickHouse中，以供应用查询。
2.2.1 车流径路选择偏好参数更新流程
（1）车流历史数据存储在关系型数据库Oracle中，每天定时将前一天的数据同步到分布式实时分析数据库Citus中。
（2）利用自定义聚合函数（UDAF，User-Defined Aggregation Funcation），对同步过来的新增历史数据进行整合处理，包括车流运行径路合并、到发报告合并等。
（3）运行车流径路选择偏好参数计算程序，完成车流径路选择偏好参数的更新计算，并用重新计算的参数更新Redis集群中存储的车流径路选择偏好参数表，更新频次为每天1次。
2.2.2 车流运行径路动态预测算法流程
（1）实时获取车流动态信息，包括列车出发报告、列车到达报告、装车报告、卸车报告、车号识别等（通过MQ以XML格式接入到车流运行径路实时预测系统的Kafka消息队列中）。
（2）实时计算Flink程序通过解析Kafka中的XML数据获取获取车辆的始发站、当前站、终到站和货物品类等关键信息，调用车流运行径路动态预测程序，具体的算法流程参见图4，通过Nginx负载均衡，调用Redis模型接口，返回货车运行径路的预测结果。
（3）将预测结果数据和报文数据质量校验数据存储在数据仓库ClickHouse中，以服务形式提供数据访问及数据可视化展示。
3 预测效果评价
该预测方法已在武清数据中心应用，迄今为止车流径路选择偏好参数表已累计生成1500万条记录，每日增量约为2万条，可以覆盖全路大多数车流运行径路。为了评价本文提出铁路车流运行径路动态预测方法的效果，定义预测命中率和准确率2个统计指标。
预测命中是指可根据车辆当前位置准确预测车辆即将到达的下一个车站，命中率
${ H}$ 用于衡量单次径路预测的结果准确性，其计算公式为：$${{H}} = \frac{{\displaystyle\sum\limits_{t \in T} {R_t^{}} }}{{\displaystyle\sum\limits_{t \in T} {{P_t}} }} \times 100\% $$ (1) 式中，
$T$ 表示统计时间范围，${P_t}$ 表示某预测时段$t$ 内完成车辆下一站预测的频次，${R_t}$ 表示此预测时段$t$ 内准确地完成下一站预测的频次。预测准确性是指车辆从始发站到终到站的运行径路上的所有车站都能被准确地预测，准确率
${{K}}$ 用于衡量车辆全程径路预测的准确性，其计算公式为：$${ K} = \frac{{\displaystyle\sum\limits_{t \in T} {\Omega _t^{}} }}{{\displaystyle\sum\limits_{t \in T} {{D_t}} }} \times 100\% $$ (2) 式中，
$T$ 表示统计时间范围，${D_t}$ 表示某预测时段$t$ 内所有终到车辆的辆数，${\Omega _t}$ 表示这些终到车辆中全程运行径路预测均正确的辆数。在目前的实际应用中，全路每天大约有16万辆车到达终到站，发生约300万次车辆运行径路更新。根据2020年11月的数据统计，预测命中率为83%，准确率为72%，基本达到实用水平。
图5展示了新丰镇—城厢某品类车流的长期径路选择偏好，可以看出：从新丰镇出发，车流以92%概率直接运行到安康东；车流在安康东会以59%较大概率一站运行至广元西。在车流运行过程中，如果系统动态检测到某车辆运行至达州，那么该车辆的后续运行径路就会根据预测结果，动态修正为“达州—广安—内江”方向。
4 结束语
利用运输信息集成平台提供的海量车流运行轨迹历史数据，提出一种简单易行的铁路车流运行径路动态预测方法；通过对长期和近短期车流运行轨迹历史数据的统计，生成车流径路选择偏好参数，可等效反映路网中多种复杂因素对于车流径路的影响；基于车流径路选择偏好参数，结合货运车辆实时位置跟踪信息，动态预测货运车辆运行径路；搭建大数据应用环境，完成预测程序的开发与部署，采用命中率和准确率2项指标，对该方法的准确性和实用性进行评价，结果表明：预测结果准确性较高，具有较为满意的实用价值。
目前，车流径路选择偏好参数表可以覆盖全路92%车流运行径路，但存在部分径路找不到终到站或者出现回路，从而导致车流径路搜索失败，这类错误与运输信息集成平台的数据质量有关。后续需要进一步研究如何对参数表数据进行修正，如将终到站数据缺失的记录用临近站近似替换填充，对出现回路的径路进行甄别并剔除折返通路，提高车流径路选择偏好参数表的覆盖范围和准确性，进而提高车流运行径路动态预测的准确性和效率。
-
表 4 实验结果
模型 F1值 PA MIoU M1 0.2537 0.9813 0.6003 M2 0.3130 0.9817 0.6232 M3 0.5216 0.9837 0.6931 M4 0.5210 0.9836 0.6921 本文模型 0.5389 0.9839 0.7011 
下载: 导出CSV
-
[1] Shelhamer E, Long J, Darrell T. Fully convolutional networks for semantic segmentation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(4): 640-651. DOI: 10.1109/TPAMI.2016.2572683
[2] Ronneberger O, Fischer P, Brox T. U-Net: Convolutional networks for biomedical image segmentation[C]//18th International Conference on Medical Image Computing and Computer-Assisted Intervention, 5-9 October, 2015, Munich, Germany. Cham: Springer, 2015.
[3] Badrinarayanan V, Kendall A, Cipolla R. SegNet: a deep convolutional encoder-decoder architecture for image segmentation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12): 2481-2495. DOI: 10.1109/TPAMI.2016.2644615
[4] 唐霖峰,张 浩,徐 涵,等. 基于深度学习的图像融合方法综述 [J]. 中国图象图形学报,2023,28(1):3-36. [5] Woo S, Park J, Lee J Y, et al. CBAM: convolutional block attention module[C]//15th European Conference on Computer Vision, 8-14 September, 2018, Munich, Germany. Cham: Springer, 2018.
[6] Yang Y B.SA-Net: Shuffle Attention for Deep Convolutional Neural Networks [EB/OL]. [2023-02-10]. http://arxiv.org/pdf/2102.00240.pdf.
[7] Chen L C, Papandreou G, Kokkinos I, et al. Semantic image segmentation with deep convolutional nets and fully connected CRFs [J]. Computer Science, 2014(4): 357-361.
[8] Chen L C, Papandreou G, Kokkinos I, et al. DeepLab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 40(4): 834-848. DOI: 10.1109/TPAMI.2017.2699184
-
期刊类型引用(4)
1. 杨文韬，田中雨，张义川，李冰，江欣，赵元帅. 中欧班列运行监测方案研究及验证. 铁道运输与经济. 2024(11): 113-123+131 . 
百度学术
2. 李聪颖. 铁路货物计费径路调整影响探讨. 铁道货运. 2022(02): 46-51 . 百度学术
3. 周利萍，张璐，刘志新，孙明，李少峰. 铁路重车到达预报与卸车预警系统研究与开发. 铁路计算机应用. 2022(03): 53-59 . 本站查看
4. 杨文浩，邓桂星，张锐，刘耀宗，马海彬. 车流径路辅助决策系统优化与实践. 铁道货运. 2021(07): 1-8 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 157
- HTML全文浏览量: 42
- PDF下载量: 46
- 被引次数: 5
