CN115187048B - 轨道线路多域限界异物侵限事件状况识别方法及*** - Google Patents
轨道线路多域限界异物侵限事件状况识别方法及*** Download PDFInfo
- Publication number
- CN115187048B CN115187048B CN202210795400.0A CN202210795400A CN115187048B CN 115187048 B CN115187048 B CN 115187048B CN 202210795400 A CN202210795400 A CN 202210795400A CN 115187048 B CN115187048 B CN 115187048B
- Authority
- CN
- China
- Prior art keywords
- intrusion
- foreign matter
- data
- domain
- risk
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 238000011002 quantification Methods 0.000 claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000033001 locomotion Effects 0.000 claims description 38
- 230000003068 static effect Effects 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 19
- 230000006399 behavior Effects 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000002194 synthesizing effect Effects 0.000 claims description 9
- 238000012502 risk assessment Methods 0.000 claims description 8
- 238000013139 quantization Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims 4
- 230000002265 prevention Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000009545 invasion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
- B61L23/04—Control, warning or like safety means along the route or between vehicles or trains for monitoring the mechanical state of the route
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mechanical Engineering (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明提供轨道线路多域限界异物侵限事件状况识别方法及***，属于铁路防灾风险预警技术领域，根据异物侵限事件发生全过程监测要求，选择轨面状态采集传感器设备对轨面状态数据进行采集；将轨面限界区域划分为关注域、预警域、安全域，对入侵限界的异物进行识别、跟踪、特征提取；定义侵限事件状态描述模型；基于侵限事件状态特征，利用识别到的侵限异物特征数据作为侵限事件状态描述模型动态特征参数量化风险值，计算轨面限界安全域、预警域、关注域的侵限异物事件检出率。本发明实现了对轨道线路侵限事件特征、事件发生过程的监测、识别与分析，并进一步提高轨道交通***的风险防控能力，具有良好的应用推广价值。
Description
技术领域
本发明涉及铁路防灾风险预警技术领域，具体涉及一种轨道线路多域限界异物侵限事件状况识别方法及***。
背景技术
铁路沿线的地形地貌变化差异大，地质条件复杂，异物侵入铁路安全限界(异物侵限)事件较为多发。由于异物侵限事件可能导致线路故障、列车晚点，甚至是列车脱轨等严重后果。
轨面限界区域是为了保护轨道线路运输安全所划定的限制异物不可逾越的轮廓线。目前，针对轨道线路异物侵限的问题，现有技术主要通过在轨面限界区域内采用双电缆传感器、微波监测传感器、光纤光栅传感或监控视频等方式以“识别+报警”的模式为主，即检测是否有异物入侵限界，发现异物则直接触发报警，再由人工介入处理。
现有技术在实际应用中检测方式直接，检测速度快但报警有效性低，但也存在无法识别侵限物体特征的缺点，同时由于限界区域划分不精细而导致难以分析侵限异物的动态变化，需依靠人工经验来判断异物侵限事件危险程度和侵限事件发展态势；另一方面，现有的异物侵限检测方法仅能对限界区域内首次异物侵限进行识别报警，并需要人工处理并手动复位才能重新工作，对于二次异物侵限发生则无法识别，致使轨道线路侵限事件的识别与处理效率较低。
发明内容
本发明的目的在于提供一种实现了对轨道线路多域侵限事件特征、事件发生过程的监测、识别与分析，提高了轨道交通***的风险防控能力的轨道线路多域限界异物侵限事件状况识别方法及***，以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
一方面，本发明提供一种轨道线路多域限界异物侵限事件状况识别方法，包括：
根据异物侵限事件发生全过程监测要求，选择轨面状态采集传感器设备对轨面状态数据进行采集，其采集的数据类型、数据格式不同，针对其采集的原始数据特征，进行数据解析、数据预处理、数据增强操作；
根据不同轨面状态采集传感器数据类型，分析限界区域的不同数据特征，将轨面限界区域划分为关注域、预警域、安全域，对入侵限界的异物进行识别、跟踪、特征提取；
定义侵限事件状态描述模型，将识别到的侵限异物特征，作为侵限事件状态描述模型的动态特征，将轨道类型、轨道状况作为侵限事件状态描述模型的静态特征；
基于侵限事件状态特征，利用识别到的侵限异物特征数据作为侵限事件状态描述模型动态特征参数量化风险值，根据关注域、预警域和安全域内发生的侵限事件依据其风险程度提出关注等级、预警等级、安全等级下的风险预警分级，计算轨面限界安全域、预警域、关注域的侵限异物事件检出率。
优选的，在设置轨面状态采集传感器设备时，获取所监测轨道线路安全状态下的数据并响应的获取其轨面限界区域，将轨面限界区域划分为安全域、预警域、关注域，其中安全域为铁轨轮廓尺寸线，预警域、关注域以此向外扩展；利用神经网络模型识别出现的异物及其类型；进一步地，识别并判断异物处于安全域、预警域或关注域，是则将该异物目标进行框选，进一步地判断该异物目标是否已被跟踪；否则继续获取待识别的轨道线路状态数据；
若该异物目标已被跟踪，则计算、更新、获取侵限异物尺寸数据、移动速度数据、移动方向、侵限时长数据、所处限界位置数据，作为该侵限异物的多层级特征；否则，将该异物目标添加进入***，并再次获取待识别的轨道线路平面图像进行识别；
判断对所述异物类型数据、侵限异物尺寸数据、移动速度数据、移动方向、侵限时长数据、所处限界位置数据进行数据有效性检验。
优选的，侵限事件状态描述模型由静态特征与动态特征组成，其中静态特征包含轨道类型、环境风险类型，动态特征包含异物属性、异物运动行为属性。静态特征中，轨道类型描述的是轨道线路自身的特征，地质环境类型描述的是轨道线路所处的场景；动态特征中，异物属性描述的是侵限异物的自身特征，具体细分为异物类型和异物尺寸，其中异物尺寸为前文所述异物多层级特征中的平面表面积、平面投影面积、体积；异物运动行为属性描述的是侵限事件的动态变化，具体表现为侵限异物的侵入不同轨面限界区域的趋势，如异物移动速度变化、异物移动方向、侵限时长变化、所占据限界位置变化；其中，异物移动方向描述侵限异物向安全域移动、或者是向关注域外的方向移动。
优选的，基于侵限事件状态的实时风险评估模型，包括：
首先确定所述侵限事件状态描述模型各项参数的权重，面向不同的轨道线路异物侵限检测需求，通过专家经验确定该轨道线路的轨道类型权重WRT、地质环境类型WET、异物属性权重WOA、异物运动属性权重WOMA；
分析所述静态特征的轨道类型风险量化分数RSRT、地质环境类型风险量化分数RSET；根据实时侵限异物多层级特征，由异物类型和异物尺寸数据，合成异物属性风险量化分数RSOAs；由异物移动速度、侵限时长、所处限界位置数据合成异物运动属性风险量化分数RSOMA；定义侵限事件实时风险值计算模型如下式所示，通过输入侵限事件状态描述模型的静态特征、动态特征的各项指标权重和风险量化分数，获得侵限事件实时风险值；
R＝WRT×RSRT+WET×RSET+W0A×RSOA+WOMA×RSOMA。
优选的，所述的轨面限界安全域、预警域、关注域的侵限异物事件检出率计算方法，检出率针对一段时间内发生异物侵限事件集中，表示不同的限界区域内的异物侵限事件有多少被检测正确并预警，计算公式定义如下：
关注等级的检出率是关注域内发生的侵限事件中，被检测到的事件数量占所有发生的事件之比，计算方式为
预警等级的检出率是预警域内发生的侵限事件中，被检测到的事件数量占所有发生的事件之比，计算方式为
安全等级的检出率是安全域内发生的侵限事件中，被检测到的事件数量占所有发生的事件之比，计算方式为
优选的，基于轨道多域实况数据的侵限异物精细化特征分析，包括：
步骤S201：获取所监测轨道线路安全状态下的数据并相应的，将轨面限界区域划分为安全域、预警域、关注域，获取其轨道限界区域数据特征，其中安全域为铁轨轮廓尺寸线，预警域、关注域以此向外扩展；
步骤S202：输入经过数据预处理与数据增强后的轨道线路状态数据；
步骤S203：利用神经网络、支持向量机等模型识别侵限异物的类型特征，并进行框选；
步骤S204：判断侵限异物所处区域，当异物处于关注域时，开始跟踪该异物目标；
步骤S205：将侵限异物的类型特征、框选特征与目标***记录进行对比、匹配，判断该异物目标是否已被跟踪；若该异物目标已被跟踪，则进入步骤S207，否则将进入步骤S206；
步骤S206：将该异物目标添加入目标***记录，并返回步骤S202获取下一帧数据；
步骤S207：计算、更新侵限异物尺寸数据；
步骤S208：计算、更新侵限异物移动方向数据；
步骤S209：计算、更新异物移动速度数据；
步骤S210：计算、更新异物侵限时长数据；
步骤S211：计算、更新异物所处限界位置数据；
步骤S212：判断对所述异物类型数据、侵限异物尺寸数据、移动速度数据、侵限时长数据、所处限界位置数据进行数据有效性检验，检验通过则进入步骤S213，否则进入步骤S214；
步骤S213：数据有效，输出该侵限异物的多层级特征；
步骤S214：数据失效，丢弃该帧数据。
第二方面，本发明提供一种轨道线路多域限界异物侵限事件状况识别***，包括：
处理模块，用于根据异物侵限事件发生全过程监测要求，选择轨面状态采集传感器设备对轨面状态数据进行采集，其采集的数据类型、数据格式不同，针对其采集的原始数据特征，进行数据解析、数据预处理、数据增强操作；
提取模块，用于根据不同轨面状态采集传感器数据类型，分析限界区域的不同数据特征，将轨面限界区域划分为关注域、预警域、安全域，对入侵限界的异物进行识别、跟踪、特征提取；
定义模块，用于定义侵限事件状态描述模型，将识别到的侵限异物特征，作为侵限事件状态描述模型的动态特征，将轨道类型、轨道状况作为侵限事件状态描述模型的静态特征；
计算模块，用于基于侵限事件状态特征，利用识别到的侵限异物特征数据作为侵限事件状态描述模型动态特征参数量化风险值，根据关注域、预警域和安全域内发生的侵限事件依据其风险程度提出关注等级、预警等级、安全等级下的风险预警分级，计算轨面限界安全域、预警域、关注域的侵限异物事件检出率。
第三方面，本发明提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的轨道线路多域限界异物侵限事件状况识别方法。
第四方面，本发明提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的轨道线路多域限界异物侵限事件状况识别方法。
第五方面，本发明提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的轨道线路多域限界异物侵限事件状况识别方法。
本发明有益效果：实现了对轨道线路侵限事件特征、事件发生过程的监测、识别与分析，并进一步提高轨道交通***的风险防控能力，具有良好的应用推广价值。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施实例所述的轨道线路多域限界异物侵限事件状况识别与风险分析方法的流程图。
图2为本发明实施实例所述的基于轨道多域实况数据的侵限异物精细化特征分析方法的流程图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
本实施例1提供了一种轨道线路多域限界异物侵限事件状况识别***，该***包括：
处理模块，用于根据异物侵限事件发生全过程监测要求，选择轨面状态采集传感器设备对轨面状态数据进行采集，其采集的数据类型、数据格式不同，针对其采集的原始数据特征，进行数据解析、数据预处理、数据增强操作；
提取模块，用于根据不同轨面状态采集传感器数据类型，分析限界区域的不同数据特征，将轨面限界区域划分为关注域、预警域、安全域，对入侵限界的异物进行识别、跟踪、特征提取；
定义模块，用于定义侵限事件状态描述模型，将识别到的侵限异物特征，作为侵限事件状态描述模型的动态特征，将轨道类型、轨道状况作为侵限事件状态描述模型的静态特征；
计算模块，用于基于侵限事件状态特征，利用识别到的侵限异物特征数据作为侵限事件状态描述模型动态特征参数量化风险值，根据关注域、预警域和安全域内发生的侵限事件依据其风险程度提出关注等级、预警等级、安全等级下的风险预警分级，计算轨面限界安全域、预警域、关注域的侵限异物事件检出率。
本实施例1中，利用上述的***，实现了轨道线路多域限界异物侵限事件状况识别方法，包括：
根据异物侵限事件发生全过程监测要求，选择轨面状态采集传感器设备对轨面状态数据进行采集，其采集的数据类型、数据格式不同，针对其采集的原始数据特征，进行数据解析、数据预处理、数据增强操作；
根据不同轨面状态采集传感器数据类型，分析限界区域的不同数据特征，将轨面限界区域划分为关注域、预警域、安全域，对入侵限界的异物进行识别、跟踪、特征提取；
定义侵限事件状态描述模型，将识别到的侵限异物特征，作为侵限事件状态描述模型的动态特征，将轨道类型、轨道状况作为侵限事件状态描述模型的静态特征；
基于侵限事件状态特征，利用识别到的侵限异物特征数据作为侵限事件状态描述模型动态特征参数量化风险值，根据关注域、预警域和安全域内发生的侵限事件依据其风险程度提出关注等级、预警等级、安全等级下的风险预警分级，计算轨面限界安全域、预警域、关注域的侵限异物事件检出率。
在设置轨面状态采集传感器设备时，获取所监测轨道线路安全状态下的数据并响应的获取其轨面限界区域，将轨面限界区域划分为安全域、预警域、关注域，其中安全域为铁轨轮廓尺寸线，预警域、关注域以此向外扩展；利用神经网络模型识别出现的异物及其类型；进一步地，识别并判断异物处于安全域、预警域或关注域，是则将该异物目标进行框选，进一步地判断该异物目标是否已被跟踪；否则继续获取待识别的轨道线路状态数据；
若该异物目标已被跟踪，则计算、更新、获取侵限异物尺寸数据、移动速度数据、移动方向、侵限时长数据、所处限界位置数据，作为该侵限异物的多层级特征；否则，将该异物目标添加进入***，并再次获取待识别的轨道线路平面图像进行识别；
判断对所述异物类型数据、侵限异物尺寸数据、移动速度数据、移动方向、侵限时长数据、所处限界位置数据进行数据有效性检验。
侵限事件状态描述模型由静态特征与动态特征组成，其中静态特征包含轨道类型、环境风险类型，动态特征包含异物属性、异物运动行为属性。静态特征中，轨道类型描述的是轨道线路自身的特征，地质环境类型描述的是轨道线路所处的场景；动态特征中，异物属性描述的是侵限异物的自身特征，具体细分为异物类型和异物尺寸，其中异物尺寸为前文所述异物多层级特征中的平面表面积、平面投影面积、体积；异物运动行为属性描述的是侵限事件的动态变化，具体表现为侵限异物的侵入不同轨面限界区域的趋势，如异物移动速度变化、异物移动方向、侵限时长变化、所占据限界位置变化；其中，异物移动方向描述侵限异物向安全域移动、或者是向关注域外的方向移动。
基于侵限事件状态的实时风险评估模型，包括：
首先确定所述侵限事件状态描述模型各项参数的权重，面向不同的轨道线路异物侵限检测需求，通过专家经验确定该轨道线路的轨道类型权重WRT、地质环境类型WET、异物属性权重WOA、异物运动属性权重WOMA；
分析所述静态特征的轨道类型风险量化分数RSRT、地质环境类型风险量化分数RSET；根据实时侵限异物多层级特征，由异物类型和异物尺寸数据，合成异物属性风险量化分数RSOAs；由异物移动速度、侵限时长、所处限界位置数据合成异物运动属性风险量化分数RSOMA；定义侵限事件实时风险值计算模型如下式所示，通过输入侵限事件状态描述模型的静态特征、动态特征的各项指标权重和风险量化分数，获得侵限事件实时风险值；
R＝WRT×RSRT+WET×RSET+W0A×RSOA+WOMA×RSOMA。
所述的轨面限界安全域、预警域、关注域的侵限异物事件检出率计算方法，检出率针对一段时间内发生异物侵限事件集中，表示不同的限界区域内的异物侵限事件有多少被检测正确并预警，计算公式定义如下：
关注等级的检出率是关注域内发生的侵限事件中，被检测到的事件数量占所有发生的事件之比，计算方式为
预警等级的检出率是预警域内发生的侵限事件中，被检测到的事件数量占所有发生的事件之比，计算方式为
安全等级的检出率是安全域内发生的侵限事件中，被检测到的事件数量占所有发生的事件之比，计算方式为
基于轨道多域实况数据的侵限异物精细化特征分析，包括：
步骤S201：获取所监测轨道线路安全状态下的数据并相应的，将轨面限界区域划分为安全域、预警域、关注域，获取其轨道限界区域数据特征，其中安全域为铁轨轮廓尺寸线，预警域、关注域以此向外扩展；
步骤S202：输入经过数据预处理与数据增强后的轨道线路状态数据；
步骤S203：利用神经网络、支持向量机等模型识别侵限异物的类型特征，并进行框选；
步骤S204：判断侵限异物所处区域，当异物处于关注域时，开始跟踪该异物目标；
步骤S205：将侵限异物的类型特征、框选特征与目标***记录进行对比、匹配，判断该异物目标是否已被跟踪；若该异物目标已被跟踪，则进入步骤S207，否则将进入步骤S206；
步骤S206：将该异物目标添加入目标***记录，并返回步骤S202获取下一帧数据；
步骤S207：计算、更新侵限异物尺寸数据；
步骤S208：计算、更新侵限异物移动方向数据；
步骤S209：计算、更新异物移动速度数据；
步骤S210：计算、更新异物侵限时长数据；
步骤S211：计算、更新异物所处限界位置数据；
步骤S212：判断对所述异物类型数据、侵限异物尺寸数据、移动速度数据、侵限时长数据、所处限界位置数据进行数据有效性检验，检验通过则进入步骤S213，否则进入步骤S214；
步骤S213：数据有效，输出该侵限异物的多层级特征；
步骤S214：数据失效，丢弃该帧数据。
实施例2
参照图1，本实施例2中提供一种轨道线路多域限界异物侵限事件状况识别与风险分析方法，所述具体方法包括：
步骤S101：在轨道线路重点监测区域设置轨面状态采集传感器设备，为了满足异物侵限事件发生全过程监测要求，轨面状态采集传感器设备需具备能(1)从传感数据中区分轨道限界区域，(2)获取侵限异物平面或立体数据的功能。在实际应用中，可根据轨道线路场景状况与监测要求，选择任一轨面状态采集传感器设备独立运行，或者组合搭配使用。
步骤S102：不同轨面状态采集传感器设备类型，其采集的数据类型、数据格式不同，针对轨面状态采集传感器设备采集的原始数据特征，进行数据解析、数据预处理、数据增强操作，针对图像类型的数据进行裁切、去模糊、去雾处理；针对点云类型的数据进行分割、降噪、下采样处理。进一步地，获得待识别的轨道线路状态数据，进入步骤S103。
步骤S103：在设置轨面状态采集传感器设备时，获取所监测轨道线路安全状态下的数据并响应的获取其轨面限界区域，将轨面限界区域划分为安全域、预警域、关注域，其中安全域为铁轨轮廓尺寸线，预警域、关注域以此向外扩展。
其次，输入步骤S102的待识别的轨道线路状态数据，利用神经网络模型识别出现的异物及其类型；进一步地，识别并判断异物是否处于关注域内，是则将该异物目标进行框选，进一步地判断该异物目标是否已被跟踪；否则继续获取步骤S102的待识别的轨道线路状态数据。
若该异物目标已被跟踪，则进一步计算、更新、获取侵限异物尺寸数据(平面表面积、平面投影面积、体积)、移动速度数据、移动方向数据、侵限时长数据、所处限界区域数据，作为该侵限异物的多层级特征；否则，将该异物目标添加进入***，并再次获取步骤S102的待识别的轨道线路平面图像进行识别。
进一步地，判断对所述异物类型数据、侵限异物尺寸数据、移动速度数据、侵限时长数据、所处限界位置数据进行数据有效性检验，检验通过则进入步骤S104，否则判定数据失效，丢弃数据。
步骤S104：轨道线路发生异物侵限时，侵限事件的风险与侵限异物、轨道所处环境、轨道类型具有一定的关联性。为了定量化评估侵限风险程度，对侵限事件状态描述模型定义如下，侵限事件状态描述模型由静态特征与动态特征组成，其中静态特征包含轨道类型、环境风险类型，动态特征包含异物属性、异物运动行为属性。静态特征中，轨道类型描述的是轨道线路自身的特征，地质环境类型描述的是轨道线路所处的场景；动态特征中，异物属性描述的是侵限异物的自身特征，具体细分为异物类型和异物尺寸，其中异物尺寸为前文所述异物多层级特征中的平面表面积、平面投影面积、体积；异物运动行为属性描述的是侵限事件的动态变化，具体表现为侵限异物的侵入不同轨面限界区域的趋势，如异物移动速度变化、异物移动方向、侵限时长变化、所占据限界位置变化。其中，异物移动方向描述侵限异物向安全域移动、或者是向关注域外的方向移动。如表1所示为侵限事件状态描述模型参数。
表1
步骤S105：构建基于侵限事件状态的实时风险评估模型，首先确定所述侵限事件状态描述模型各项参数的权重，面向不同的轨道线路异物侵限检测需求，通过专家经验确定该轨道线路的轨道类型权重WRT、地质环境类型WET、异物属性权重WOA、异物运动属性权重WOMA。
其次，分析所述静态特征的轨道类型风险量化分数RSRT、地质环境类型风险量化分数RSET。
进一步地，分别根据步骤S103、S104、S105所输出的实时侵限异物多层级特征，由异物类型和异物尺寸数据，合成异物属性风险量化分数RSOAs；由异物移动速度、侵限时长、所处限界位置数据合成异物运动属性风险量化分数RSOMA。进入步骤S106。
侵限异物在不同的轨面限界区域内导致轨道交通事故发生的可能性不同，对应的侵限异物处于不同轨面限界区域内时，侵限事件状态关注不同的侵限异物特征参数，当侵限异物处于关注域时，风险等级归属于关注等级，异物运动行为属性重点评估异物移动速度和移动方向的变化，该两个参数共同描述了侵限事件风险是否具有提高的可能；当侵限异物进入预警域时，风险等级归属于预警等级，重点评估全部的异物运动行为属性，评估侵限事件风险是否具有进一步提高的可能；当侵限异物进入安全域时，风险等级归属于安全等级，重点参考全部的异物运动行为属性，评估侵限事件对铁路安全运营的影响。
步骤S106：定义侵限事件实时风险值计算模型如式1所示，通过输入侵限事件状态描述模型的静态特征、动态特征的各项指标权重和风险量化分数，获得侵限事件实时风险值。
R＝WRT×RSRT+WET×RSET+WOAxRSOA+WOMA×RSOMA
表2侵限事件风险值及其对应风险等级划分
进一步地，将侵限事件实时风险值归一化处理，根据表2，根据侵限事件实时风险值，分析其所处在预警区间，并确定轨道侵限风险等级。
步骤S107：验证轨面限界安全域、预警域、关注域的侵限异物事件检出率。本方法采用检出率评估侵限事件预警的精度，检出率针对一段时间内发生异物侵限事件集中，表示不同的限界区域内的异物侵限事件有多少被检测正确并预警。关注等级的检出率是关注域内发生的侵限事件中，被检测到的事件数量占所有发生的事件之比，计算方式为
预警等级的检出率是预警域内发生的侵限事件中，被检测到的事件数量占所有发生的事件之比，计算方式为
安全等级的检出率是安全域内发生的侵限事件中，被检测到的事件数量占所有发生的事件之比，计算方式为
参照图2，基于轨道多域实况数据的侵限异物精细化特征分析方法，具体步骤包括：
步骤S201：获取所监测轨道线路安全状态下的数据并相应的，将轨面限界区域划分为安全域、预警域、关注域，获取其轨道限界区域数据特征，其中安全域为铁轨轮廓尺寸线，预警域、关注域以此向外扩展。；
步骤S202：输入经过数据预处理与数据增强后的轨道线路状态数据；
步骤S203：利用神经网络、支持向量机等模型识别侵限异物的类型特征，并进行框选；
步骤S204：判断侵限异物所处区域，当异物处于关注域时，开始跟踪该异物目标；
步骤S205：将侵限异物的类型特征、选框特征与目标***记录进行对比、匹配，进一步地，判断该异物目标是否已被跟踪；若该异物目标已被跟踪，则进入步骤S207，否则将进入步骤S206；
步骤S206：将该异物目标添加入目标***记录，并返回步骤S202获取下一帧数据；
步骤S207：计算、更新侵限异物尺寸数据(平面表面积、平面投影面积、体积)；
步骤S208：计算、更新侵限异物移动方向数据
步骤S209：计算、更新异物移动速度数据；
步骤S210：计算、更新异物侵限时长数据；
步骤S211：计算、更新异物所处限界位置数据；
步骤S212：进一步地，判断对所述异物类型数据、侵限异物尺寸数据、移动速度数据、侵限时长数据、所处限界位置数据进行数据有效性检验，检验通过则进入步骤S213，否则进入步骤S214；
步骤S213：数据有效，输出该侵限异物的多层级特征；
步骤S214：数据失效，丢弃该帧数据。
实施例3
本发明实施例3提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行轨道线路多域限界异物侵限事件状况识别方法，该方法包括如下流程步骤：
根据异物侵限事件发生全过程监测要求，选择轨面状态采集传感器设备对轨面状态数据进行采集，其采集的数据类型、数据格式不同，针对其采集的原始数据特征，进行数据解析、数据预处理、数据增强操作；
根据不同轨面状态采集传感器数据类型，分析限界区域的不同数据特征，将轨面限界区域划分为关注域、预警域、安全域，对入侵限界的异物进行识别、跟踪、特征提取；
定义侵限事件状态描述模型，将识别到的侵限异物特征，作为侵限事件状态描述模型的动态特征，将轨道类型、轨道状况作为侵限事件状态描述模型的静态特征；
基于侵限事件状态特征，利用识别到的侵限异物特征数据作为侵限事件状态描述模型动态特征参数量化风险值，根据关注域、预警域和安全域内发生的侵限事件依据其风险程度提出关注等级、预警等级、安全等级下的风险预警分级，计算轨面限界安全域、预警域、关注域的侵限异物事件检出率。
实施例4
本发明实施例4提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现轨道线路多域限界异物侵限事件状况识别方法，该方法包括如下流程步骤：
根据异物侵限事件发生全过程监测要求，选择轨面状态采集传感器设备对轨面状态数据进行采集，其采集的数据类型、数据格式不同，针对其采集的原始数据特征，进行数据解析、数据预处理、数据增强操作；
根据不同轨面状态采集传感器数据类型，分析限界区域的不同数据特征，将轨面限界区域划分为关注域、预警域、安全域，对入侵限界的异物进行识别、跟踪、特征提取；
定义侵限事件状态描述模型，将识别到的侵限异物特征，作为侵限事件状态描述模型的动态特征，将轨道类型、轨道状况作为侵限事件状态描述模型的静态特征；
基于侵限事件状态特征，利用识别到的侵限异物特征数据作为侵限事件状态描述模型动态特征参数量化风险值，根据关注域、预警域和安全域内发生的侵限事件依据其风险程度提出关注等级、预警等级、安全等级下的风险预警分级，计算轨面限界安全域、预警域、关注域的侵限异物事件检出率。
实施例5
本发明实施例5提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行轨道线路多域限界异物侵限事件状况识别方法，该方法包括如下步骤：
根据异物侵限事件发生全过程监测要求，选择轨面状态采集传感器设备对轨面状态数据进行采集，其采集的数据类型、数据格式不同，针对其采集的原始数据特征，进行数据解析、数据预处理、数据增强操作；
根据不同轨面状态采集传感器数据类型，分析限界区域的不同数据特征，将轨面限界区域划分为关注域、预警域、安全域，对入侵限界的异物进行识别、跟踪、特征提取；
定义侵限事件状态描述模型，将识别到的侵限异物特征，作为侵限事件状态描述模型的动态特征，将轨道类型、轨道状况作为侵限事件状态描述模型的静态特征；
基于侵限事件状态特征，利用识别到的侵限异物特征数据作为侵限事件状态描述模型动态特征参数量化风险值，根据关注域、预警域和安全域内发生的侵限事件依据其风险程度提出关注等级、预警等级、安全等级下的风险预警分级，计算轨面限界安全域、预警域、关注域的侵限异物事件检出率。
综上所述，本发明实施例所述的轨道线路多域限界异物侵限事件状况识别与风险分析方法。针对现有轨道异物侵限监测方式导致侵限事件处理效率较低，缺乏对侵限异物特征识别以及对侵限事件发生过程的有效监测等关键问题，设计了轨道异物侵限事件状况识别与风险分析方法，面向不同的轨面状态采集传感器性质与数据特征，提出基于轨面限界区域关注域、预警域和安全域的侵限事件状态多层级特征及其识别方法，并基于侵限事件状态进行风险评估，实现对侵限事件的准确风险预警。首先，通过轨面状态采集传感器设备采集轨面实时状态数据；其次，针对所述不同轨面状态采集传感器的数据类型分别进行数据增强预处理和识别异物类型、尺寸、侵限时长、移动速度、移动方向、侵限位置的精细化特征；基于侵限异物精细化特征和轨道线路安全的需求，构建侵限事件状态描述模型，实现对侵限事件发生态势和关键信息的刻画；最后对侵限事件特征构建轨道异物侵限事件风险评估模型，获取侵限事件的风险值，并根据侵限事件风险程度提出关注等级、预警等级、安全等级下的风险预警分级方法。实现了对轨道线路侵限事件特征、事件发生过程的监测、识别与分析，并进一步提高轨道交通***的风险防控能力，具有良好的应用推广价值。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种轨道线路多域限界异物侵限事件状况识别方法，其特征在于，包括：
根据异物侵限事件发生全过程监测要求，选择轨面状态采集传感器设备对轨道线路状态数据进行采集，其采集的数据类型和数据格式不同，针对其采集的原始数据特征，进行数据解析、数据预处理和数据增强操作；
根据不同轨面状态采集传感器数据类型，分析限界区域的不同数据特征，将轨面限界区域划分为关注域、预警域和安全域，对入侵限界的异物进行识别、跟踪和特征提取；
定义侵限事件状态描述模型，将识别到的异物属性和异物运动行为属性，作为侵限事件状态描述模型的动态特征，将轨道类型和环境风险类型作为侵限事件状态描述模型的静态特征；
构建基于侵限事件状态的实时风险评估模型，包括：首先确定所述侵限事件状态描述模型各项参数的权重，面向不同的轨道线路异物侵限检测需求，通过专家经验确定该轨道线路的轨道类型权重WRT、环境风险类型权重WET、异物属性权重WOA和异物运动行为属性权重WOMA；其次，分析所述静态特征的轨道类型风险量化分数RSRT和环境风险类型风险量化分数RSET；根据实时侵限异物多层级特征，由异物类型和异物尺寸数据，合成异物属性风险量化分数RSOA；由异物移动速度、侵限时长和所处限界位置数据合成异物运动行为属性风险量化分数RSOMA；
定义侵限事件实时风险值计算模型为：
R=WRT×RSRT+WET×RSET+WOA×RSOA+WOMA×RSOMA；通过输入侵限事件状态描述模型的静态特征的各项指标权重和风险量化分数以及动态特征的各项指标权重和风险量化分数，获得侵限事件实时风险值；
根据关注域、预警域和安全域内发生的侵限事件，依据其风险程度提出关注等级、预警等级和安全等级，根据侵限事件实时风险值，确定轨道侵限的风险等级；
验证轨面限界安全域、预警域和关注域的侵限异物事件检出率，其中，检出率表示针对一段时间内发生异物侵限事件集中，不同的限界区域内的异物侵限事件有多少被正确检测并预警，计算公式定义如下：
关注等级的检出率是关注域内发生的侵限事件中，被检测到的事件数量占所有发生的事件之比，计算方式为 
预警等级的检出率是预警域内发生的侵限事件中，被检测到的事件数量占所有发生的事件之比，计算方式为
安全等级的检出率是安全域内发生的侵限事件中，被检测到的事件数量占所有发生的事件之比，计算方式为
。
2.根据权利要求1所述的轨道线路多域限界异物侵限事件状况识别方法，其特征在于，在设置轨面状态采集传感器设备时，获取所监测轨道线路安全状态下的数据并相应地获取其轨面限界区域，将轨面限界区域划分为安全域、预警域和关注域，其中安全域为铁轨轮廓尺寸线，预警域和关注域以此向外扩展；利用神经网络模型识别出现的异物及其类型，识别并判断异物是否处于安全域、预警域或关注域，若是，则将该异物进行框选，进一步地判断该异物是否已被跟踪；否则继续获取待识别的轨道线路状态数据；
若该异物已被跟踪，则计算、更新和获取侵限异物尺寸数据、移动速度数据、移动方向、侵限时长数据和所处限界位置数据，作为该侵限异物的多层级特征；否则，将该异物添加进入***，并再次获取待识别的轨道线路平面图像进行识别；
对所述异物类型数据、侵限异物尺寸数据、移动速度数据、移动方向、侵限时长数据和所处限界位置数据进行数据有效性检验。
3.根据权利要求1所述的轨道线路多域限界异物侵限事件状况识别方法，其特征在于，侵限事件状态描述模型由静态特征与动态特征组成，其中静态特征包含轨道类型和环境风险类型，动态特征包含异物属性和异物运动行为属性；静态特征中，轨道类型描述的是轨道线路自身的特征，环境风险类型描述的是轨道线路所处的场景；动态特征中，异物属性描述的是侵限异物的自身特征，具体细分为异物类型和异物尺寸，其中异物尺寸为侵限异物多层级特征中的平面表面积、平面投影面积和体积；异物运动行为属性描述的是侵限事件的动态变化，具体表现为侵限异物的侵入不同轨面限界区域的趋势，如异物移动速度变化、异物移动方向、侵限时长变化或所占据限界位置变化；其中，异物移动方向描述侵限异物向安全域移动或者是向关注域外的方向移动。
4.根据权利要求1所述的轨道线路多域限界异物侵限事件状况识别方法，其特征在于，具体包括如下步骤：
步骤S201：获取所监测轨道线路安全状态下的数据并相应地将轨面限界区域划分为安全域、预警域和关注域，获取其轨道限界区域数据特征，其中安全域为铁轨轮廓尺寸线，预警域和关注域以此向外扩展；
步骤S202：输入经过数据预处理与数据增强后的轨道线路状态数据；
步骤S203：利用神经网络模型识别侵限异物的类型特征，并进行框选；
步骤S204：判断侵限异物所处区域，当异物处于关注域时，开始跟踪该异物；
步骤S205：将侵限异物的类型特征和框选特征与目标***记录进行对比和匹配，判断该异物是否已被跟踪；若该异物已被跟踪，则进入步骤S207，否则将进入步骤S206；
步骤S206：将该异物添加入目标***记录，并返回步骤S202获取下一帧数据；
步骤S207：计算和更新侵限异物尺寸数据；
步骤S208：计算和更新侵限异物移动方向数据；
步骤S209：计算和更新异物移动速度数据；
步骤S210：计算和更新异物侵限时长数据；
步骤S211：计算和更新异物所处限界位置数据；
步骤S212：对所述异物类型数据、侵限异物尺寸数据、移动速度数据、侵限时长数据和所处限界位置数据进行数据有效性检验，检验通过则进入步骤S213，否则进入步骤S214；
步骤S213：数据有效，输出该侵限异物的多层级特征；
步骤S214：数据失效，丢弃该帧数据。
5.一种轨道线路多域限界异物侵限事件状况识别***，其特征在于，包括：
处理模块，用于根据异物侵限事件发生全过程监测要求，选择轨面状态采集传感器设备对轨道线路状态数据进行采集，其采集的数据类型和数据格式不同，针对其采集的原始数据特征，进行数据解析、数据预处理和数据增强操作；
提取模块，用于根据不同轨面状态采集传感器数据类型，分析限界区域的不同数据特征，将轨面限界区域划分为关注域、预警域和安全域，对入侵限界的异物进行识别、跟踪和特征提取；
定义模块，用于定义侵限事件状态描述模型，将识别到的异物属性和异物运动行为属性，作为侵限事件状态描述模型的动态特征，将轨道类型和环境风险类型作为侵限事件状态描述模型的静态特征；
计算模块，用于构建基于侵限事件状态的实时风险评估模型，包括：首先确定所述侵限事件状态描述模型各项参数的权重，面向不同的轨道线路异物侵限检测需求，通过专家经验确定该轨道线路的轨道类型权重WRT、环境风险类型权重WET、异物属性权重WOA和异物运动行为属性权重WOMA；其次，分析所述静态特征的轨道类型风险量化分数RSRT和环境风险类型风险量化分数RSET；根据实时侵限异物多层级特征，由异物类型和异物尺寸数据，合成异物属性风险量化分数RSOA；由异物移动速度、侵限时长和所处限界位置数据合成异物运动行为属性风险量化分数RSOMA；
定义侵限事件实时风险值计算模型为：
R=WRT×RSRT+WET×RSET+WOA×RSOA+WOMA×RSOMA；通过输入侵限事件状态描述模型的静态特征的各项指标权重和风险量化分数以及动态特征的各项指标权重和风险量化分数，获得侵限事件实时风险值；
根据关注域、预警域和安全域内发生的侵限事件，依据其风险程度提出关注等级、预警等级和安全等级，根据侵限事件实时风险值，确定轨道侵限的风险等级；
验证轨面限界安全域、预警域和关注域的侵限异物事件检出率，其中，检出率表示针对一段时间内发生异物侵限事件集中，不同的限界区域内的异物侵限事件有多少被正确检测并预警，计算公式定义如下：
关注等级的检出率是关注域内发生的侵限事件中，被检测到的事件数量占所有发生的事件之比，计算方式为
预警等级的检出率是预警域内发生的侵限事件中，被检测到的事件数量占所有发生的事件之比，计算方式为
安全等级的检出率是安全域内发生的侵限事件中，被检测到的事件数量占所有发生的事件之比，计算方式为
。
6.一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的轨道线路多域限界异物侵限事件状况识别方法。
7.一种电子设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求1-4任一项所述的轨道线路多域限界异物侵限事件状况识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210795400.0A CN115187048B (zh) | 2022-07-07 | 2022-07-07 | 轨道线路多域限界异物侵限事件状况识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210795400.0A CN115187048B (zh) | 2022-07-07 | 2022-07-07 | 轨道线路多域限界异物侵限事件状况识别方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115187048A CN115187048A (zh) | 2022-10-14 |
| CN115187048B true CN115187048B (zh) | 2023-05-23 |
Family
ID=83516747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210795400.0A Active CN115187048B (zh) | 2022-07-07 | 2022-07-07 | 轨道线路多域限界异物侵限事件状况识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115187048B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116834802A (zh) * | 2023-07-03 | 2023-10-03 | 湖北空间智能技术有限公司 | 一种运营列车轨道侵入物检测定位方法、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113903009A (zh) * | 2021-12-10 | 2022-01-07 | 华东交通大学 | 一种基于改进YOLOv3网络的铁路异物检测方法与*** |
| CN114529880A (zh) * | 2020-11-09 | 2022-05-24 | 中南大学 | 一种城市轨道异物侵限检测方法、装置、***及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150009331A1 (en) * | 2012-02-17 | 2015-01-08 | Balaji Venkatraman | Real time railway disaster vulnerability assessment and rescue guidance system using multi-layered video computational analytics |
| CN104787084B (zh) * | 2015-04-16 | 2017-06-23 | 北京交通大学 | 一种铁路异物侵限检测***及检测方法 |
| CN107097810B (zh) * | 2017-04-30 | 2018-04-20 | 中南大学 | 一种铁路沿线异物侵限无人机智能辨识和预警方法及*** |
| CN108995675B (zh) * | 2018-06-28 | 2020-07-24 | 上海工程技术大学 | 一种轨道交通运营风险智能识别预警***及方法 |
| CN112776856A (zh) * | 2021-01-15 | 2021-05-11 | 中国神华能源股份有限公司神朔铁路分公司 | 轨道异物侵限监测方法、装置、***及监控主机设备 |
| CN114419616A (zh) * | 2022-01-19 | 2022-04-29 | 北京全路通信信号研究设计院集团有限公司 | 一种异物识别方法、装置、设备及存储介质 |
-
2022
- 2022-07-07 CN CN202210795400.0A patent/CN115187048B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114529880A (zh) * | 2020-11-09 | 2022-05-24 | 中南大学 | 一种城市轨道异物侵限检测方法、装置、***及存储介质 |
| CN113903009A (zh) * | 2021-12-10 | 2022-01-07 | 华东交通大学 | 一种基于改进YOLOv3网络的铁路异物检测方法与*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115187048A (zh) | 2022-10-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zuraimi et al. | Vehicle detection and tracking using YOLO and DeepSORT | |
| CN103810717B (zh) | 一种人体行为检测方法及装置 | |
| CN106652468A (zh) | 车辆道路前车违规检测和自车违规预警提醒装置及方法 | |
| CN113936465B (zh) | 交通事件检测方法及装置 | |
| CN111626170B (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
| CN115187048B (zh) | 轨道线路多域限界异物侵限事件状况识别方法及*** | |
| CN115205796B (zh) | 轨道线路异物侵限监测与风险预警方法及*** | |
| Bello-Salau et al. | A new measure for analysing accelerometer data towards developing efficient road defect profiling systems | |
| CN109767618B (zh) | 一种公安交管业务异常数据综合研判方法及*** | |
| Ou et al. | A data‐driven approach to determining freeway incident impact areas with fuzzy and graph theory‐based clustering | |
| Oh et al. | Real-time detection of hazardous traffic events on freeways: Methodology and prototypical implementation | |
| CN114495421B (zh) | 智能化开放式道路施工作业监测预警方法及*** | |
| Singh et al. | Driver behaviour modelling of vehicles at signalized intersection with heterogeneous traffic | |
| Gupta et al. | Computer vision based animal collision avoidance framework for autonomous vehicles | |
| CN116413740B (zh) | 一种激光雷达点云地面检测方法及装置 | |
| Yarlagadda et al. | Heterogeneity in the Driver Behavior: An Exploratory Study Using Real‐Time Driving Data | |
| Song et al. | Modeling and optimization of semantic segmentation for track bed foreign object based on attention mechanism | |
| Kumar et al. | The Real Time Vehicle License Plate Identification System | |
| Al-Suleiman et al. | Assessment of the effect of alligator cracking on pavement condition using WSN-image processing | |
| CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
| Zhang et al. | Feasibility study on pavement rutting evaluation method based on smartphone | |
| CN114758418A (zh) | 水质评价方法、装置、设备及存储介质 | |
| CN112071009B (zh) | 光纤管道预警***及其方法 | |
| CN112633163A (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
| CN117058627B (zh) | 一种公共场所人群安全距离监测方法、介质及*** |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |