Railway foreign object intrusion detection model based on deep learning
-
摘要: 为保障铁路运营安全，防范行人、家畜、野生动物等侵入铁路线路，提出基于深度学习的铁路异物侵入界限（简称：侵限）检测模型。针对铁路异物侵限的图像数据（简称：数据）集缺乏且难以采集的现实情况，通过多种途径自建铁路场景专用的异物侵限数据集，并引入多种数据增强技术，对数据集进行扩增，既增强了样本的多样性、又能有效避免训练阶段过拟合现象的发生；针对铁路场景的特殊性，对YOLO（You Only Look Once）v5深度学习模型结构进行一些适应性改进，将其作为铁路异物侵限检测模型，在自制数据集样本上进行训练和测试。测试结果表明，该模型的检测准确率达到88%以上，能够用于铁路现场对异物侵限的检测。Abstract: To ensure the safety of railway transport and prevent pedestrians, livestock, wild animals, and other objects from invading the railway, this paper proposed a method of using deep learning technology to detect railway foreign object intrusion on monitoring video along the railway. In response to the reality of the lack and difficulty in collecting image dataset for railway foreign object intrusion limits, the paper constructed a dedicated foreign object intrusion limit dataset for railway scenes through various means, and introduced various data augmentation techniques to expand the dataset. This not only enhanced the diversity of the samples, but also effectively avoided overfitting during the training stage; The paper focused on the particularity of railway scenes and made some adaptive improvements to the YOLO (You Only Look Once) v5 deep learning model structure. It was used as a railway foreign object intrusion detection model and trained and tested on self-made dataset samples. The test results show that the detection accuracy of this model reaches over 88%, and it can be used for detecting foreign object intrusion in railway sites.
-
为保障列车运行安全，我国已建高速铁路均建设了自然灾害及异物侵限监测系统（简称：灾害监测系统），对沿线风、雨、雪等气象灾害及上跨高速铁路的道路桥梁异物侵限进行监测，为调度指挥提供列车运行管理建议，在发生异物侵限时联动信号系统进行处置。灾害监测系统于2008年在京津（北京—天津）城际铁路投入运用，为列车安全运行发挥了重要的技术保障作用。
灾害监测系统的运行与维护（简称：运维）工作是保障系统稳定运行的基础。针对该系统运维管理的研究主要集中在异物侵限监测功能 [1-3]和系统可靠性等方面[4-6]。多年来，灾害监测系统积累了线路灾害报警数据，风、雨、雪及异物侵限监测数据，以及设备运行状态监测等数据，亟需对其挖掘、分析和应用，发挥数据对系统运维管理的支撑作用。
1 灾害监测系统运维管理概述
灾害监测系统由现场监测设备和铁路局集团公司中心系统组成，现场监测设备包括风、雨、雪及异物侵限前端采集设备和监控单元，铁路局集团公司中心设备包括服务器、网络和安全设备、监测终端等。灾害监测系统是一个多专业融合的系统，其运维工作由工务、电务（通信、信号）、信息等专业人员共同完成[7]。
灾害监测系统的运维采用计划修和故障修相结合的维修模式，除按计划定期开展维修外，当出现故障时，需开展临时处置和维护。系统故障包括风雨雪监测数据异常、系统脱离监控、通讯异常等。
2 灾害监测异常数据分析
灾害监测异常数据分析是识别系统运行状态的有效手段之一，通过对风雨雪监测异常数据的分析，可识别系统或设备的异常情况，本文以风监测异常数据为例进行分析。
2.1 风监测异常数据概述
我国高速铁路通过在沿线大风重点发生区段（如山区垭口、峡谷、河谷、桥梁及高路堤等区段）设置风监测设备，采集监测点处的瞬时风速和风向信息。当风速超过报警阈值时，系统发出大风报警，列车调度员发出行车限速或停车指令。为保证监测数据的稳定和连续性，一般在同一监测点设置两台风速风向计。由于设备自身原因或受外界环境影响，风监测过程中产生的异常数据通常表现为跳变、长时间不变、无效字符等，如图1所示。
2.2 风监测异常数据判识方法研究
通过对两台风速风向计的风速监测数据基于皮尔逊相关系数进行相关性分析，可判识监测数据是否一致，如图2所示，两组数据的相关系数为25.54%，相关性较小，需要分别对两台风速风向计监测数据进行异常判识。单台风速风向计的异常数据判识可采用长短期记忆（LSTM，Long Short-Term Memory）神经网络方法对未来风速进行预测[8-9]，当监测值与预测值出现较大差异时，进行人工复核，如图3所示，可认定是否为异常数据。
2.3 风监测异常数据原因分析
风监测异常数据主要由2种原因导致：（1）由于传感器故障导致的风监测数据异常，如图4所示，风速风向计2监测值出现阶跃式跳变，数据不可采用，经分析，该跳变是由于传感器被积雪冻住而导致；（2）由于现场环境原因导致风监测数据异常，如图5所示，可以看出两台风速风向计监测的风速与风向有关，当风向在225°～270°之间时，风速风向计2的监测值较大，当风向在270°～315°之间时，风速风向计1的监测值较大，由于风速异常与风向有关，该异常可考虑是由接触网支柱遮挡而导致。
3 灾害报警数据挖掘分析及应用
3.1 灾害数据分析
通过对灾害监测系统的灾害报警数据进行分析，可发现灾害的危险区段。图6为某线路风雨监测报警数据分析图，从图6（a）中可以看出大风的重点发生区段（红色区段为灾害报警高发区），图6（b）为基于累计降雨量分析的降雨高发区段，结合地形地貌情况，可进行降雨及次生（滑坡、泥石流等）灾害的重点防治。雨季中，工务、电务等部门可对降雨重点发生区域进行有针对性的巡查。
3.2 铁路基础设施运维建议研究
以大风分析为例，风季大风具有一定的规律，通过对某路段一日内大风发生频率的分析，可得出大风频发的时段和区段。在可选择的情况下，维修天窗的设置可避开大风易发生的时段和区段。图7为某线路风季（3～5月）时1日内大风发生的频次图，可以看出，在凌晨4：00～6：00时发生6级以上大风的概率小于其他时段，建议在此时段开展维修工作。
4 基于故障数据的系统运维研究
4.1 系统故障数据分析
故障数据分析是进行故障诊断的基础，通过对各线路灾害监测系统运行数据的分析，可把握相关技术和系统的可靠性。
（1）按线路分析
图8是中国铁路北京局集团有限公司管内8条线路的灾害监测系统每年每公里的系统故障情况，从图8中可以看出，线路2故障率相对较高。由于线路2与其他线路相比开通运营时间较早（2010年），随着灾害监测系统技术不断优化升级，系统可靠性不断提高，其他线路故障次数明显降低。
（2）按建设单位分析
图9是按建设单位每年每公里分析的系统故障情况，从图9中可以看出，建设单位2建设的系统故障相对较高，进一步分析发现，建设单位2承担了较早开通运营线路的系统建设任务。建设单位3系统故障相对较低，与其他建设单位同期建设的系统故障情况相比，该单位建设的系统稳定性较高。
（3）通过设备状态分析
通过分析设备状态数据，可挖掘设备故障规律，进行有针对性的运维。图10是对某线路现场监测设备故障的分析，可看出监控单元故障是该线路检测设备的主要故障，而监控单元故障原因主要是网络故障。
4.2 系统故障诊断
灾害监测系统故障数据为0-1开关量，本文借鉴文献[10]，采用失效模式与影响分析（FMEA ，Failure Mode and Effects Analysis）和随机森林算法相结合的方法对系统故障进行诊断。以故障较多的监控单元故障诊断为例，建立故障诊断FMEA表，如表1所示。
表 1 监控单元故障诊断FMEA表故障现象 故障原因 故障影响 UPS故障告警 UPS输入故障 设备状态报警 UPS电压异常 UPS故障 其他施工作业导致市电断电 市电输入不稳 配电箱故障 市电输入不稳 设备状态报警 串口心跳告警 基站内通信元件损坏 设备状态报警 防雷模块故障报警 数据远程传输单元防雷模块损坏 设备状态报警 监控主机故障报警 监控主机故障 设备状态报警 数据采集异常 监控主机故障 无数据上传 脱离监控 基站内通信元件损坏 灰屏 监控主机故障 雷击导致设备故障 异物继电器无法吸起 保险管损坏 设备状态报警 异物列控回采状态不一致 雷击导致设备故障 设备状态报警 指示灯不亮 监控主机故障 设备状态报警 主机网络故障 RTU反应迟钝 设备状态报警/无数据上传 其他施工作业导致 监控主机故障 主机网络水晶头虚接 注： ①UPS：不间断电源(Uninterruptible Power Supply)；
②RTU：远程终端单元(Remote Terminal Unit)决策树算法是故障诊断中常用的方法，但单一的决策树容易导致模型过拟合的问题[11-12]。随机森林算法集成多棵决策树组成一个集成模型，通过设置树的深度减少方差，有效解决单一决策树模型过拟合的问题。基于FMEA和随机森林算法的监控单元故障诊断流程为：如图11所示，（1）对故障数据进行预处理，形成FMEA表，并将数据分为训练数据和测试数据；（2）针对训练数据集，利用Bootstrap重抽样方法[13]从原始样本中抽取多个样本，对每个样本建立决策树；（3）将这些决策树组合在一起，通过投票得出最后的分类结果。
本文对上述8条线路的监控单元故障进行诊断，共收集到监控单元故障样本116条，基于该方法的监控单元故障诊断准确率可达77%，如图12所示。
5 结束语
本文通过对高速铁路灾害监测系统的检测数据、报警数据及系统运行状态数据的分析，提高灾害报警的可靠性；识别高速铁路沿线灾害风险，为灾害防御提供支持；开展设备质量评价和故障诊断技术研究，为故障处置提供依据。相关研究已在京张高铁（北京—张家口高速铁路）开展应用，为高速铁路灾害监测系统的运维工作提供支撑。
-
表 1 模型训练软、硬件配置
配置项 参数/版本 CPU Intel（R） Xeon（R） W-2133 @ 3.60GHz GPU NVIDIA GeForce RTX 2080Ti（2块） 内存 32GB DDR4 操作系统 Ubuntu 18.04 LTS CUDA 11.2 Python 3.8 Pytorch 1.7 
下载: 导出CSV
表 2 测试集检测结果
类别 真实目标数 正检数
TP误检数
FP漏检数
FN精确率
P召回率
R行人 1 131 1 017 92 114 0.917 042 0.899 204 动物 1 582 1 301 173 281 0.882 632 0.822 377 所有类别 2 713 2 318 265 395 0.897 406 0.854 405
下载: 导出CSV
-
[1] 发展和改革部. 中国国家铁路集团有限公司2022年统计公报[N]. 人民铁道,2023-03-17(002). [2] 王泉东,杨 岳,罗意平,等. 铁路侵限异物检测方法综述[J]. 铁道科学与工程学报,2019,16(12):3152-3159. DOI: 10.19713/j.cnki.43-1423/u.2019.12.031 [3] 中国国家铁路集团有限公司. 铁路综合视频监控系统技术规范:Q/CR 575-2022[S]. 北京:中国铁道出版社有限公司,2022. [4] 杨 栋,黄文政,张秋亮,等. 基于Faster-RCNN的站台端部人员入侵检测研究[J]. 铁路计算机应用,2020,29(2):6-11. [5] Redmon J, Farhadi A. YOLOv3: an incremental improvement[Z]. arXiv: 1804.02767, 2018.
[6] Wang CY, Liao HYM, Wu YH, et al. CSPNet: a new backbone that can enhance learning capability of CNN[C]//Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, 14-19 June, 2020, Seattle, USA. New York, USA: IEEE, 2020. 1571-1580.
[7] Liu S, Qi L, Qin HF, et al. Path aggregation network for instance segmentation[C]//Proceedings of 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, 18-23 June, 2018, Salt Lake City, USA. New York, USA: IEEE, 2018. 8759-8768.
[8] Gevorgyan Z. SIoU loss: more powerful learning for bounding box regression[Z]. arXiv: 2205.12740, 2022.
[9] Lin TY, Maire M, Belongie S, et al. Microsoft coco: common objects in context[C]//Proceedings of the 13th European Conference on Computer Vision, 6-12 September, 2014, Zurich, Switzerland. Cham, Germany: Springer, 2014. 740-755.
[10] 尹甜甜,王 新,邓亚萍,等. 基于数据增强的小样本图像分类方法[J]. 云南民族大学学报(自然科学版),2023,32(1):83-89,123. -
期刊类型引用(1)
1. 刘星. 铁路桥梁深基坑智能监测技术研究与应用. 铁路技术创新. 2022(04): 118-124 . 
百度学术
其他类型引用(1)
计量
- 文章访问数: 433
- HTML全文浏览量: 90
- PDF下载量: 110
- 被引次数: 2
