CN113706617A - 多股道列车定位方法、***、后台服务器和可读存储介质 - Google Patents
多股道列车定位方法、***、后台服务器和可读存储介质 Download PDFInfo
- Publication number
- CN113706617A CN113706617A CN202111003732.2A CN202111003732A CN113706617A CN 113706617 A CN113706617 A CN 113706617A CN 202111003732 A CN202111003732 A CN 202111003732A CN 113706617 A CN113706617 A CN 113706617A
- Authority
- CN
- China
- Prior art keywords
- train
- track
- positioning
- station
- background server
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000004891 communication Methods 0.000 claims abstract description 23
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000013459 approach Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供一种多股道列车定位方法、***、后台服务器和可读存储介质,***包括通信连接的后台服务器和高速摄像机,所述多股道列车定位方法应用于后台服务器,包括:获取高速摄像机捕获的被监视股道的区域图像;采用预先训练好的列车识别检测模型,从所述区域图像中识别股道上是否有列车,并用定位框标注列车在区域图像中的位置;将所述区域图像与站场拓扑图进行比对,确定列车在站场拓扑图上的位置。本发明设计了采用视觉定位的辅助方法,利用布置的高速摄像机,采用深度学习算法对列车在站内的运行轨迹进行识别,根据列车在站内的轨迹信息,结合站场线路拓扑,实现了列车站内位置的有效定位。
Description
技术领域
本发明涉及列车定位技术领域,特别涉及一种多股道列车定位方法、***、后台服务器和计算机可读存储介质。
背景技术
列车定位***是列车运行控制***的重要组成部分,位置信息是列控***进行控制决策的主要参考信息之一。基于卫星导航***融合多种传感器的组合定位方式是目前列车定位技术的重要研究方向。可以实现高精度的列车定位、维护方便,但是在周围阻挡物多的地方,例如山林、城市、隧道等地方存在定位盲区。特别的,作为列车运行的重要场所,铁路站场复杂众多的线路与半封闭的环境,使单纯基于卫星导航的自主定位无法满足定位可靠性与连续性的应用需求。与此同时,基于轨道电路的列车定位技术和基于应答器的列车定位技术,则需要在轨道中铺设大量应答器,故投资巨大,并且有些线路不具备铺设轨道电路和应答器的条件(如青藏线)等,需要更有效的定位方法。
发明内容
本发明的目的是针对卫星定位的精度不足以进行站内平行股道下列车位置识别的问题而提供一种多股道列车定位方法、***、后台服务器和计算机可读存储介质。
为了实现以上目的,本发明通过以下技术方案实现:
一种多股道列车定位方法,应用于后台服务器,包括:
获取高速摄像机捕获的被监视股道的区域图像;
采用预先训练好的列车识别检测模型,从所述区域图像中识别股道上是否有列车,并用定位框标注列车在区域图像中的位置;
将所述区域图像与站场拓扑图进行比对,确定列车在站场拓扑图上的位置。
进一步的,所述高速摄像机的数量为多个,架设在多股道区域上方的多个高速摄像机按照接车或者发车的方向编号。
进一步的,将多个所述高速摄像机在同一时刻捕获的区域图像进行拼接后,输入所述列车识别检测模型进行识别。
进一步的,将所述区域图像与站场拓扑图进行比对,确定列车在站场拓扑图上的位置,包括:
将所述区域图像进行比例尺换算,映射到站场拓扑图上,得到定位框在站场拓扑图上的映射结果;
将定位框的映射结果与站场拓扑图上预先标注的定位点信息进行比较,计算列车在站场拓扑图上的位置。
进一步的,所述列车识别检测模型为基于YOLO目标检测算法的深度学习神经网络模型。
进一步的,所述列车识别检测模型按照以下步骤训练:
利用所述高速摄像机采集不同轨道有列车、无列车的多种场景的区域图像作为训练样本;
对训练样本进行标注;其中,所述标注包括定义图像中是否有列车以及采用定位框标注列车在图像中的位置;
建立基于YOLO目标检测算法的深度学习神经网络模型,并利用已经标注的训练样本训练所述深度学习神经网络模型的参数,直到利用所述深度学习神经网络模型的识别结果的正确率满足给定的要求,得到所述列车识别检测模型。
进一步的,所述深度学习神经网络模型采用darknet-53网络。
进一步的,被监视股道为弯股和道岔区段,在标注训练样本时,将列车所在的区域的最小长方形都标注为边框。
进一步的,所述标注还包括定义图像中列车的车种信息。
进一步的,所述的多股道列车定位方法还包括:
调取此前T时间范围内的定位结果,绘制当前时刻列车的运行轨迹;
遍历站场的接车进路、发车进路和调车进路,与列车的运行轨迹进行比较,进一步核对列车位置。
一种多股道列车定位***,包括通信连接的后台服务器和高速摄像机;
所述高速摄像机,用于捕获被监视股道的区域图像,并实时传输给所述后台服务器;
所述后台服务器,用于实现如上文所述的多股道列车定位方法。
一种后台服务器,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现如上文所述的多股道列车定位方法。
一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现如上文所述的多股道列车定位方法。
本发明设计了采用视觉定位的辅助方法,利用布置的高速摄像机,采用深度学习算法对列车在站内的运行轨迹进行识别,根据列车在站内的轨迹信息,结合站场线路拓扑,实现了列车站内位置的有效定位。与现有技术相比,本发明具有如下优点:
1、轨旁设备维护成本低,可应用在列控***多股道列车定位中,与车载列车定位技术如卫星定位等结合使用,弥补其在多股道区域无法确定具体股道的不足。
2、可以应用到调度集中和调车监控***中,方便行车组织人员准确定位列车和车列等,组织接、发列车和调车作业。
3、采用的YOLO能够适应不同线路条件下场景复杂、光线变化等不利因素带来的负面影响,使得检测方案具有极好的鲁棒性。
4、进一步减少设备维护量、降低人员工作强度,适应西部铁路气候条件非常恶劣,常年缺氧、低温、暴雪等运行环境。
附图说明
为了更清楚地说明本发明的技术方案,下面将对描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图:
图1为本发明一实施例提供的多股道列车定位***的结构示意图;
图2为本发明一实施例提供的多股道列车定位方法的流程示意图;
图3为本发明一实施例提供的站场拓扑图;
图4为本发明一具体示例中多股道列车定位方法的软件流程图;
图5为本发明一实施例提供的列车定位结果示意图;
图6为本发明一实施例提供的后台服务器的结构图。
具体实施方式
以下结合附图和具体实施方式对本发明提出的方案作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
本发明的核心思想在于提供一种能够实现在多股道条件下列车定位的方案,该方案基于包括通信连接的后台服务器和高速摄像机的多股道列车定位***实现。如图1所示,轨旁高速摄像机负责捕获被监视股道的区域图像,并实时传输给后台服务器,可根据需要布置在多股道区域高处,根据定位股道长度和数量多少确定布置数量;后台服务器负责分析被监视股道的图像,识别股道上是否有列车,判断列车位置,并将列车定位信息传输给联锁、调度集中以及其他***使用。
如图2所示,所述后台服务器所实现的多股道列车定位方法具体包括如下步骤:
S1,获取高速摄像机捕获的被监视股道的区域图像;
S2,采用预先训练好的列车识别检测模型,从所述区域图像中识别股道上是否有列车,并用定位框标注列车在区域图像中的位置;
S3,将所述区域图像与站场拓扑图进行比对,确定列车在站场拓扑图上的位置。
具体的,所述高速摄像机的数量为多个,架设在多股道区域上方的多个高速摄像机按照接车或者发车的方向编号,高速摄像机将捕获被监视股道区域的图像传输给后台服务器,后台服务器对每个高速摄像机捕获的图像采用列车识别检测模型进行股道列车识别定位,然后与站场拓扑图进行比对,判断接车进路、发车进路以及股道上是否有列车,并确定位置。
所述列车识别检测模型为基于YOLO目标检测算法的深度学习神经网络模型。基于YOLO目标检测算法识别图像中的列车的方法如下:
首先把高速摄像机捕获的图像划分成S*S的格子,然后对每个格子都预测2个边框,每个边框都包含5个预测值:x,y,w,h和置信度。x,y就是边框的中心坐标,与划分的格子对齐(即相对于当前格子的偏移值),使得范围变成0到1;w,h为边框的宽度和高度,w和h进行归一化(分别除以图像的w和h,这样最后的w和h就在0到1范围)。另外每个格子都预测假定类别的概率。在本文中取S=7,B=2,C=1(只预测一类物体,列车)。
每个边框都对应一个置信度,如果单元格里面没有被识别的物体,置信度就取0,如果有,则置信度等于预测的边框和真实边框的IOU(Intersection over Union)值。如果一个物体的真实边框的中心点坐标在一个单元格中,那么这个单元格就是包含这个物体,也就是说这个物体的预测就由该单元格负责。每个单元格都预测是否包含列车的概率,表示一个单元格在包含物体的条件下属于列车的概率,即得到每个边框属于列车的置信度。也就是说最后会得到1*(7*7*2)=98的矩阵,括号里面是边框的数量,1代表类别(列车)。接下来的操作都是按照类别轮流进行(本方案中只有一个类别):在某个类别中(即矩阵的某一行),将得分少于阈值(0.2)的设置为0,然后再按得分从高到低排序。最后再用NMS算法去掉识别同一物体的重复边框(NMS:针对某一类别,选择得分最大的边框,然后计算它和其它边框的IOU值,如果IOU大于0.5,说明重复率较大,该得分设为0,如果不大于0.5,则不更新;这样一轮后,再选择剩下的得分最大的那个边框,然后计算该边框和其它边框的IOU,重复以上过程直到最后)。最后每个边框的取得分最大的,如果这个得分大于0,那么这个边框中的物体就属于该类别(矩阵的行),如果小于0,说明这个边框里面没有物体,跳过即可。
所述列车识别检测模型按照以下步骤训练:
利用所述高速摄像机采集不同轨道有列车、无列车的多种场景的区域图像作为训练样本;
对训练样本进行标注;其中,所述标注包括定义图像中是否有列车以及采用定位框标注列车在图像中的位置;
建立基于YOLO目标检测算法的深度学习神经网络模型,并利用已经标注的训练样本训练所述深度学习神经网络模型的参数,直到利用所述深度学习神经网络模型的识别结果的正确率满足给定的要求,得到所述列车识别检测模型。
训练完成后,采用所述列车识别检测模型对采集的区域图像进行识别。识别列车后,在图像上标注列车中心位置和所在边框,利用此边框可以确定列车在当前监控区域的相对位置,再结合监控区域在站场拓扑图上的实际位置,即可对多股道列车进行定位。
所述深度学习神经网络模型采用darknet-53网络,此网络结构已经被证明有很好的网络结构(能够正常收敛,且表达的特征好)。输入图片大小为416*416(由于通过高速摄像机拍摄的照片都远远大于此像素,需要通过软件转换为统一的输入大小),最后的输出是7*7*(2*5+1),7*7是单元格的数量。
本发明中,所述列车识别检测模型的检测网络和训练网络的不同点在于最后两层采用了卷积层而不是全连接层,这样可以使检测网络的输入图片大小不仅限于416*416。将一张完整的图片以一种特定尺寸放入网络中,然后返回一张每个节点拥有一个存在列车概率值的图片。因为相邻的滑窗会共享很多卷积特征,所以将这些特定图片卷进同一个网络可以避免多次计算同样的特征。
进一步的,由于高速摄像机获取的被监视区域轨道是俯视图,且将列车投影到平面上时,列车投影并不是完全垂直的,存在一定的误差,在判断列车位置时应根据测量或计算值进行修正。并且在不同类型的轨道上处理是不同的。直股列车边缘与定位边框平行,根据头部和尾部的边框即可判断列车所在位置。在弯股和道岔区段,侧向运行的列车边缘与定位边框并不平行,需要在标注训练样本时,注意将列车所在的区域的最小长方形都标注为边框,方便确定列车头部或尾部位置。
此外,在对训练样本进行标注时,还可以标注图像中列车的车种信息。由此,经过训练后,所述列车识别检测模型还可以提供列车类型的识别功能,并将结果提供给调度指挥人员,方便其运营组织。
由于高速摄像机安装后,其监控的股道范围以及范围内的股道、轨道区段、道岔、信号机、警冲标等设备均固定,可以对这些设备的位置在站场拓扑图上进行标注,如图3所示的某站拓扑图,为方便列车定位,标注了信号机、道岔以及各个轨道区段的编号。识别列车后,可以将定位框与站场拓扑图上这些标注的设备进行相对位置比较,来确定列车的位置。
具体的,在进行列车定位时,可将各个高速摄像机捕捉的区域图像进行拼接,然后输入所述列车识别检测模型进行识别,标注出列车定位框。然后,将所述区域图像进行比例尺换算,映射到站场拓扑图上,得到定位框在站场拓扑图上的映射结果;将定位框的映射结果与站场拓扑图上预先标注的定位点信息进行比较,计算列车在站场拓扑图上的位置。
进一步的,还可以调取此前T时间范围内的定位结果,绘制当前时刻(T+1时刻)列车的运行轨迹;遍历站场的接车进路、发车进路和调车进路,与列车的运行轨迹进行比较,进一步核对列车位置。
以下结合图4的软件流程对本发明进行说明。图1为在一站场布置的所示的站场,图2为该战场的拓扑图。列车在驶入道岔区段后,在电子地图数据中,无法描述列车究竟是驶入2-3轨道,还是2-4轨道。高速摄像机1采集到一组列车驶入道岔区段的图像,后台服务器利用训练得到的模型对该区域的图像进行识别,定位出列车目前正在驶入2-4轨道。如图5所示,通过将列车定位框映射到具体的轨道上,可以给出列车相对于轨道区段起点的偏移(4+230),从而对列车进行定位。进一步的,为了校验定位结果的准确性,后台服务器会将本次定位结果与此前T时间范围内得到的结果进行比较,如果本次定位图像识别输出的结果为3+230,则会被丢弃,避免因识别算法偶然出现的偏差导致定位错误。需要注意的是本示例中,列车仅出现在一个摄像机的范围内,在实际场景中列车往往同时出现在多个摄像机的监控范围,需要首先对各个高速摄像机的图像进行拼接,再对列车位置进行识别定位。
采用实际拍摄和模拟相结合的方法得到不同位置的高速摄像机的训练图片集(10万张图片)对YOLO深度学***移以及缩放的仿射变换,真实模拟列车可能被捕捉到的各种情况。通过对模拟测试集的识别分析,取得了97.6%的识别率,结合列车轨迹校验,完全可以满足实际应用需要。
基于相同的发明构思,根据上述多股道列车定位方法实施例,本发明还提供了一种后台服务器,如图6所示,包括处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信,
所述存储器303,用于存放计算机程序;
所述处理器301,用于执行存储器303上所存放的程序时,实现如下步骤:
获取高速摄像机捕获的被监视股道的区域图像;
采用预先训练好的列车识别检测模型,从所述区域图像中识别股道上是否有列车,并用定位框标注列车在区域图像中的位置;
将所述区域图像与站场拓扑图进行比对,确定列车在站场拓扑图上的位置。
上述后台服务器提到的通信总线可以是外设部件互连标准(PeripheralComponentInterconnect,PCI)总线或扩展工业标准结构(Extended IndustryStandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述后台服务器与其他设备(例如高速摄像机)之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现上述任一多股道列车定位方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一多股道列车定位方法的步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (13)
1.一种多股道列车定位方法,其特征在于,应用于后台服务器,包括:
获取高速摄像机捕获的被监视股道的区域图像;
采用预先训练好的列车识别检测模型,从所述区域图像中识别股道上是否有列车,并用定位框标注列车在区域图像中的位置;
将所述区域图像与站场拓扑图进行比对,确定列车在站场拓扑图上的位置。
2.如权利要求1所述的多股道列车定位方法,其特征在于,所述高速摄像机的数量为多个,架设在多股道区域上方的多个高速摄像机按照接车或者发车的方向编号。
3.如权利要求2所述的多股道列车定位方法,其特征在于,将多个所述高速摄像机在同一时刻捕获的区域图像进行拼接后,输入所述列车识别检测模型进行识别。
4.如权利要求1所述的多股道列车定位方法,其特征在于,将所述区域图像与站场拓扑图进行比对,确定列车在站场拓扑图上的位置,包括:
将所述区域图像进行比例尺换算,映射到站场拓扑图上,得到定位框在站场拓扑图上的映射结果;
将定位框的映射结果与站场拓扑图上预先标注的定位点信息进行比较,计算列车在站场拓扑图上的位置。
5.如权利要求1所述的多股道列车定位方法,其特征在于,所述列车识别检测模型为基于YOLO目标检测算法的深度学习神经网络模型。
6.如权利要求5所述的多股道列车定位方法,其特征在于,所述列车识别检测模型按照以下步骤训练:
利用所述高速摄像机采集不同轨道有列车、无列车的多种场景的区域图像作为训练样本;
对训练样本进行标注;其中,所述标注包括定义图像中是否有列车以及采用定位框标注列车在图像中的位置;
建立基于YOLO目标检测算法的深度学习神经网络模型,并利用已经标注的训练样本训练所述深度学习神经网络模型的参数,直到利用所述深度学习神经网络模型的识别结果的正确率满足给定的要求,得到所述列车识别检测模型。
7.如权利要求6所述的多股道列车定位方法,其特征在于,所述深度学习神经网络模型采用darknet-53网络。
8.如权利要求6所述的多股道列车定位方法,其特征在于,被监视股道为弯股和道岔区段,在标注训练样本时,将列车所在的区域的最小长方形都标注为边框。
9.如权利要求6所述的多股道列车定位方法,其特征在于,所述标注还包括定义图像中列车的车种信息。
10.如权利要求1所述的多股道列车定位方法,其特征在于,还包括:
调取此前T时间范围内的定位结果,绘制当前时刻列车的运行轨迹;
遍历站场的接车进路、发车进路和调车进路,与列车的运行轨迹进行比较,进一步核对列车位置。
11.一种多股道列车定位***,其特征在于,包括通信连接的后台服务器和高速摄像机;
所述高速摄像机,用于捕获被监视股道的区域图像,并实时传输给所述后台服务器;
所述后台服务器,用于实现如权利要求1~10任一项所述的多股道列车定位方法。
12.一种后台服务器,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现如权利要求1-10任一所述的多股道列车定位方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-10任一所述的多股道列车定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111003732.2A CN113706617A (zh) | 2021-08-30 | 2021-08-30 | 多股道列车定位方法、***、后台服务器和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111003732.2A CN113706617A (zh) | 2021-08-30 | 2021-08-30 | 多股道列车定位方法、***、后台服务器和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113706617A true CN113706617A (zh) | 2021-11-26 |
Family
ID=78656725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111003732.2A Pending CN113706617A (zh) | 2021-08-30 | 2021-08-30 | 多股道列车定位方法、***、后台服务器和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706617A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103869809A (zh) * | 2014-03-26 | 2014-06-18 | 北京清软英泰信息技术有限公司 | 一种铁路机车运行动态仿真测试装置及其仿真方法 |
CN106199570A (zh) * | 2016-07-20 | 2016-12-07 | 上海自仪泰雷兹交通自动化***有限公司 | 一种轨道列车位移和速度检测*** |
CN107563419A (zh) * | 2017-08-22 | 2018-01-09 | 交控科技股份有限公司 | 图像匹配和二维码相结合的列车定位方法 |
CN109178039A (zh) * | 2018-10-31 | 2019-01-11 | 成都柏森松传感技术有限公司 | 一种基于rfid的轨道列车辅助控制方法 |
CN110135383A (zh) * | 2019-05-22 | 2019-08-16 | 辽宁鼎汉奇辉电子***工程有限公司 | 铁路货车装载视频智能监视*** |
CN111192426A (zh) * | 2020-01-14 | 2020-05-22 | 中兴飞流信息科技有限公司 | 基于拟人视觉图像分析视频巡航的铁路周界入侵检测方法 |
RU2727438C1 (ru) * | 2019-12-02 | 2020-07-21 | Акционерное общество "Научно-исследовательский и проектно-конструкторский институт информатизации, автоматизации и связи на железнодорожном транспорте" | Система контроля местоположения поездов |
CN112085034A (zh) * | 2020-09-11 | 2020-12-15 | 北京埃福瑞科技有限公司 | 一种基于机器视觉的轨道交通列车定位方法及*** |
CN112614162A (zh) * | 2020-12-28 | 2021-04-06 | 深圳大学 | 基于空间优化策略的室内视觉快速匹配定位方法及*** |
CN112622987A (zh) * | 2020-12-04 | 2021-04-09 | 中国铁道科学研究院集团有限公司通信信号研究所 | 列车自主定位测速及完整性检查***及方法 |
CN112722013A (zh) * | 2021-01-22 | 2021-04-30 | 北京交通大学 | 一种列车定位股道判别方法 |
CN112863202A (zh) * | 2021-01-04 | 2021-05-28 | 广东韶钢松山股份有限公司 | 站场监控方法、装置、电子设备和存储介质 |
-
2021
- 2021-08-30 CN CN202111003732.2A patent/CN113706617A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103869809A (zh) * | 2014-03-26 | 2014-06-18 | 北京清软英泰信息技术有限公司 | 一种铁路机车运行动态仿真测试装置及其仿真方法 |
CN106199570A (zh) * | 2016-07-20 | 2016-12-07 | 上海自仪泰雷兹交通自动化***有限公司 | 一种轨道列车位移和速度检测*** |
CN107563419A (zh) * | 2017-08-22 | 2018-01-09 | 交控科技股份有限公司 | 图像匹配和二维码相结合的列车定位方法 |
CN109178039A (zh) * | 2018-10-31 | 2019-01-11 | 成都柏森松传感技术有限公司 | 一种基于rfid的轨道列车辅助控制方法 |
CN110135383A (zh) * | 2019-05-22 | 2019-08-16 | 辽宁鼎汉奇辉电子***工程有限公司 | 铁路货车装载视频智能监视*** |
RU2727438C1 (ru) * | 2019-12-02 | 2020-07-21 | Акционерное общество "Научно-исследовательский и проектно-конструкторский институт информатизации, автоматизации и связи на железнодорожном транспорте" | Система контроля местоположения поездов |
CN111192426A (zh) * | 2020-01-14 | 2020-05-22 | 中兴飞流信息科技有限公司 | 基于拟人视觉图像分析视频巡航的铁路周界入侵检测方法 |
CN112085034A (zh) * | 2020-09-11 | 2020-12-15 | 北京埃福瑞科技有限公司 | 一种基于机器视觉的轨道交通列车定位方法及*** |
CN112622987A (zh) * | 2020-12-04 | 2021-04-09 | 中国铁道科学研究院集团有限公司通信信号研究所 | 列车自主定位测速及完整性检查***及方法 |
CN112614162A (zh) * | 2020-12-28 | 2021-04-06 | 深圳大学 | 基于空间优化策略的室内视觉快速匹配定位方法及*** |
CN112863202A (zh) * | 2021-01-04 | 2021-05-28 | 广东韶钢松山股份有限公司 | 站场监控方法、装置、电子设备和存储介质 |
CN112722013A (zh) * | 2021-01-22 | 2021-04-30 | 北京交通大学 | 一种列车定位股道判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112330591B (zh) | 少样本学习的钢轨表面缺陷检测方法及装置 | |
CN110377682B (zh) | 轨迹类型确定方法、装置、计算设备和存储介质 | |
US11068713B1 (en) | Video-based intelligent road traffic universal analysis | |
Yang et al. | A robotic system towards concrete structure spalling and crack database | |
JP2017102672A (ja) | 地理位置情報特定システム及び地理位置情報特定方法 | |
CN112686466A (zh) | 地铁乘客的路径确认方法及装置 | |
CN111524394A (zh) | 提升机坪综合航迹监视数据精度的方法、装置及*** | |
CN110443319B (zh) | 一种轨迹去重方法、装置及存储介质 | |
CN114419601A (zh) | 障碍物信息确定方法、装置、电子设备以及存储介质 | |
CN110111018B (zh) | 评估车辆感测能力的方法、装置、电子设备及存储介质 | |
CN115546223A (zh) | 一种列车车下设备紧固螺栓的缺失检测方法和*** | |
CN116964588A (zh) | 一种目标检测方法、目标检测模型训练方法及装置 | |
CN114511788A (zh) | 一种坡体裂缝识别方法、***、设备以及存储介质 | |
CN112434583B (zh) | 车道横向减速标线检测方法、***、电子设备及存储介质 | |
CN112130137B (zh) | 确定车道级轨迹的方法、装置及存储介质 | |
CN113706617A (zh) | 多股道列车定位方法、***、后台服务器和可读存储介质 | |
CN117611879A (zh) | 缺陷检测方法、装置、设备及计算机可读介质 | |
CN111523543A (zh) | 一种基于学习的隧道表面缺陷定位方法 | |
CN114383594B (zh) | 地图生成装置、地图生成方法以及地图生成用计算机程序产品 | |
CN112733713B (zh) | 一种基于图像梯度角的图像中轨道线提取方法 | |
CN114119953A (zh) | 快速车牌定位和矫正方法、存储介质及设备 | |
CN113408514A (zh) | 一种基于深度学习检测路侧停车场泊位的方法及装置 | |
CN112327337A (zh) | 路口重建方法、装置、设备及存储介质 | |
CN112199984A (zh) | 一种大尺度遥感图像的目标快速检测方法 | |
Belov et al. | Railway Traffic Lights Recognition System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |