CN116118813A - 一种铁路机车行驶安全的智能监测预警方法及*** - Google Patents
一种铁路机车行驶安全的智能监测预警方法及*** Download PDFInfo
- Publication number
- CN116118813A CN116118813A CN202310041435.XA CN202310041435A CN116118813A CN 116118813 A CN116118813 A CN 116118813A CN 202310041435 A CN202310041435 A CN 202310041435A CN 116118813 A CN116118813 A CN 116118813A
- Authority
- CN
- China
- Prior art keywords
- control
- locomotive
- result
- information
- early warning
- 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
- 230000003137 locomotive effect Effects 0.000 title claims abstract description 209
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000011156 evaluation Methods 0.000 claims abstract description 65
- 230000002159 abnormal effect Effects 0.000 claims abstract description 50
- 230000004044 response Effects 0.000 claims description 60
- 238000012795 verification Methods 0.000 claims description 56
- 230000003993 interaction Effects 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 19
- 238000003709 image segmentation Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 4
- 230000005856 abnormality Effects 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 210000000744 eyelid Anatomy 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 210000001747 pupil Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010041349 Somnolence Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000007665 sagging Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61C—LOCOMOTIVES; MOTOR RAILCARS
- B61C17/00—Arrangement or disposition of parts; Details or accessories not otherwise provided for; Use of control gear and control systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供了一种铁路机车行驶安全的智能监测预警方法及***,涉及数据处理技术领域,通过图像采集装置进行控制用户的视频采集,通过异常动作识别特征集合进行视频采集集合的特征识别获得特征识别结果,通过读取实际控制信息读取获得控制信息读取结果;根据控制信息读取结果和机车控制信息进行控制准确性比对,生成控制评价结果,根据特征识别结果和控制评价结果进行控制用户的驾驶状态评价,根据驾驶状态评价结果生成驾驶安全的预警信息。解决现有技术中存在对于机车司机驾驶状态监测较为机械死板,导致对于机车行驶风险规避有效性不足的技术问题。达到提高对于机车司机驾驶状态监测有效性以及机车行驶过程中风险规避有效性的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种铁路机车行驶安全的智能监测预警方法及***。
背景技术
铁路交通由于具备运载量大、运输能力强且远距离运输成本低的优势,而在世界各国广泛铺设用于进行交通运输,随着铁路技术的不断革新和提速,铁路交通运输时间间隔也不断缩短。
伴随着铁路机车的速度提升,轨道交通对于机车司机的驾驶注意力集中度以及突发状况的反应能力也有了更加严格的要求。目前保持机车司机注意力集中的方法为,规定机车必须装踏板作为预警装置,要求司机在驾驶机车时每隔30秒踩一次踏板,以确保司机驾驶机车时处于清醒正常状态,这一方法在司机形成肌肉记忆后,便失去了提醒作用。
现有技术中存在对于机车司机驾驶状态监测较为机械死板,导致对于机车行驶风险规避有效性不足的技术问题。
发明内容
本申请提供了一种铁路机车行驶安全的智能监测预警方法及***,用于针对解决现有技术中存在对于机车司机驾驶状态监测较为机械死板,导致对于机车行驶风险规避有效性不足的技术问题。
鉴于上述问题,本申请提供了一种铁路机车行驶安全的智能监测预警方法及***。
本申请的第一个方面,提供了一种铁路机车行驶安全的智能监测预警方法,所述方法包括:采集获得目标机车的机车控制信息和控制用户的基础信息;根据所述基础信息调整布设所述图像采集装置,通过所述图像采集装置进行所述控制用户的视频采集,获得视频采集集合;构建异常动作识别特征集合,通过所述异常动作识别特征集合进行所述视频采集集合的特征识别,获得特征识别结果;通过所述数据交互装置进行所述目标机车的实际控制信息读取,获得控制信息读取结果;根据所述控制信息读取结果和所述机车控制信息进行控制准确性比对,生成控制评价结果;根据所述特征识别结果和所述控制评价结果进行所述控制用户的驾驶状态评价,根据驾驶状态评价结果生成驾驶安全的预警信息。
本申请的第二个方面,提供了一种铁路机车行驶安全的智能监测预警***,所述***包括:基础信息采集模块,用于采集获得目标机车的机车控制信息和控制用户的基础信息;视频采集执行模块,用于根据所述基础信息调整布设图像采集装置,通过所述图像采集装置进行所述控制用户的视频采集,获得视频采集集合;特征识别执行模块,用于构建异常动作识别特征集合,通过所述异常动作识别特征集合进行所述视频采集集合的特征识别,获得特征识别结果;控制信息读取模块,用于通过数据交互装置进行所述目标机车的实际控制信息读取,获得控制信息读取结果;控制评价获得模块,用于根据所述控制信息读取结果和所述机车控制信息进行控制准确性比对,生成控制评价结果;预警信息生成模块,用于根据所述特征识别结果和所述控制评价结果进行所述控制用户的驾驶状态评价,根据驾驶状态评价结果生成驾驶安全的预警信息。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的方法通过采集获得目标机车的机车控制信息和控制用户的基础信息,所述基础信息用于后续参考布设可较为清晰准确采集控制用户驾驶目标机车实时动态驾驶动作图像的所述图像采集装置;根据所述基础信息调整布设所述图像采集装置,通过所述图像采集装置进行所述控制用户的视频采集,获得视频采集集合,所述视频采集集合用户后续提取图像帧判断分析目标用户是否存在驾驶状态异常;构建异常动作识别特征集合,通过所述异常动作识别特征集合进行所述视频采集集合的特征识别,获得特征识别结果,实现了较为科学准确的判断控制用户是否存在驾驶疲劳或注意力不集中;通过所述数据交互装置进行所述目标机车的实际控制信息读取,获得控制信息读取结果;根据所述控制信息读取结果和所述机车控制信息进行控制准确性比对,生成控制评价结果;根据所述特征识别结果和所述控制评价结果进行所述控制用户的驾驶状态评价,根据驾驶状态评价结果生成驾驶安全的预警信息。达到提高对于机车司机驾驶状态监测有效性,提高对于机车行驶过程中风险规避有效性,提高机车运行安全性的技术效果。
附图说明
图1为一个实施例中一种铁路机车行驶安全的智能监测预警方法的流程示意图;
图2为一个实施例中一种铁路机车行驶安全的智能监测预警中获得特征识别结果的流程示意图;
图3为一个实施例中一种铁路机车行驶安全的智能监测预警中获得分级速度控制信息的流程示意图;
图4为一个实施例中一种铁路机车行驶安全的智能监测预警***的结构框图。
附图标记说明:基础信息采集模块1,视频采集执行模块2,特征识别执行模块3,控制信息读取模块4,控制评价获得模块5,预警信息生成模块6。
具体实施方式
本申请提供了一种铁路机车行驶安全的智能监测预警方法及***,用于针对解决现有技术中存在对于机车司机驾驶状态监测较为机械死板,导致对于机车行驶风险规避有效性不足的技术问题。达到提高对于机车司机驾驶状态监测有效性,提高对于机车行驶过程中风险规避有效性,提高机车运行安全性的技术效果。
本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面,将参考附图对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部。
实施例一
如图1所示,本申请提供了一种铁路机车行驶安全的智能监测预警方法,所述方法应用于智能监测预警***,所述智能监测预警***与图像采集装置、数据交互装置通信连接,所述方法包括:
S100:采集获得目标机车的机车控制信息和控制用户的基础信息;
具体而言,应理解的,铁路机车在正常天气及轨道状态下,按照机车站点时刻表运行完成旅客货运任务,因而在本实施例中,根据所述目标机车的机车编号获取所述目标机车的机车时刻表,基于机车时刻表获得所述机车控制信息,所述机车控制信息包括多个铁道路段车速控制信息,例如北京-天津段212km/h。
理想状态下,控制用户即机车司机基于所述机车控制信息进行目标机车驾驶控制,可实现目标机车严格按照机车时刻表途经各个沿途站点。
所述控制用户为机车司机,所述基础信息包括机车司机的工作状态下的坐高数据、体态数据,所述基础信息用于后续参考布设可较为清晰准确采集控制用户驾驶目标机车实时动态驾驶动作图像的所述图像采集装置。
S200:根据所述基础信息调整布设所述图像采集装置,通过所述图像采集装置进行所述控制用户的视频采集,获得视频采集集合;
具体而言,在本实施例中,所述图像采集装置为预先布设于目标机车驾驶室内的监控摄像头,基于所述基础信息获得控制用户在机车驾驶室内的坐高和体态数据,对应进行所述图像采集装置的高度角度调节修正,以确保所述图像采集装置能够完整清晰采集所述控制用户的面部动态图像。在控制用户驾驶目标机车行驶过程中,通过所述图像采集装置同步进行所述控制用户的视频采集,主要进行控制用户面部视频采集,获得视频采集集合,所述视频采集集合用户后续提取图像帧判断分析目标用户是否存在驾驶状态异常,例如分析控制用户眼部特征以及嘴部特征,识别判断目标用户是否存在疲劳驾驶可能。
S300:构建异常动作识别特征集合,通过所述异常动作识别特征集合进行所述视频采集集合的特征识别,获得特征识别结果;
在一个实施例中,如图2所示,本申请提供的方法步骤还包括:
S310:对所述视频采集集合进行视频帧提取,根据检测特征进行视频帧提取结果的关键帧筛选,获得关键帧筛选结果;
S320:根据所述图像采集装置的布设结果和所述检测特征进行所述关键帧筛选结果的图像分割,获得多个特征图像分割结果;
S330:通过所述异常动作识别特征集合对所述多个特征图像分割结果的特征相似匹配,统计匹配特征及匹配相似度数据;
S340:根据所述匹配特征和所述匹配相似度数据获得所述特征识别结果。
具体而言,应理解的,由于控制用户进行目标机车驾驶控制过程较为枯燥,因而需要确保控制用户注意力集中,在目标机车控制驾驶全程处于清醒反应力正常状态。
在本实施例中,进行控制用户驾驶状态识别的方法为,构建异常动作识别特征集合,所述异常动作识别特征包括眼部不正常睁闭(瞳仁被上眼睑遮蔽25%)以及嘴部不正常开合(上下嘴唇间距3cm),即人类困倦时的眼睛不自觉难以完全睁开以及不自觉呵欠的状态特征。基于预设异常动作识别特征进行所述视频采集集合的特征识别,获得特征识别结果,所述特征识别结果为控制用户实时眼部嘴部图像与异常动作特征的相似度,相似度越高,表明控制用户越可能处于困顿或注意力不集中状态。
以铁路局规定机车必须装踏板作为预警装置,司机在驾驶机车的同时,每隔30秒就要踩一次踏板,从而确认司机驾驶机车时在状况时清醒正常为参考,本实施例对于对所述视频采集集合,按照30秒或60秒为间隔进行视频帧多帧抽帧提取,获得由多张连续视频图像帧构成的所述视频帧提取结果,采用多帧提取以避免单帧抽取所获图像帧不具备控制用户驾驶状态分析需求。
所述关键帧为指物体运动变化中关键动作所处的那一帧,在本实施例中所述关键帧为控制用户眼皮下垂即将闭眼那一帧以及控制用户嘴部张开后即将合并那一帧。
预设检测特征对所述视频帧提取结果进行关键帧筛选提取,所述检测特征为眨眼特征以及嘴部张开特征。根据检测特征进行视频帧提取结果的关键帧筛选,获得关键帧筛选结果,所述关键帧筛选结果为多张存在控制用户眨眼图像和/或张闭嘴图像的图像帧。
在本实施例中,为提高基于异常动作识别特征进行关键帧筛选结果的特征识别,获得特征识别结果的准确度,在进行关键帧筛选结果异常动作识别前,对关键帧筛选结果的图像进行图像区域分割,分别进行眼部不正常睁闭和嘴部不正常开合的识别。
具体的,根据所述图像采集装置的布设结果确定控制用户面部在图像采集画面中的位置,对所述关键帧筛选结果进行图像区域分割,获得多个特征图像分割结果,例如将所述关键帧筛选结果按照上下5:5或6:4水平分割为两部分,上部图像仅有控制用户眼部区域图像,下部图像仅有控制用户的嘴部区域图像。
通过所述异常动作识别特征集合分别对所述多个特征图像分割结果进行特征相似匹配,具体的,基于特征图像分割结果识别计算控制用户瞳仁受上眼睑遮蔽比例,基于特征图像分割结果识别计算控制用户上下嘴唇间距。
以眼部不正常睁闭特征数据以及嘴部不正常开合特征数据为分母,控制用户瞳仁受上眼睑遮蔽比例和控制用户上下嘴唇间距对应为分子,计算获得眼部匹配相似度数据以及嘴部匹配相似度数据,两者加和作为同一关键帧筛选结果的所述匹配相似度数据,生成所述特征识别结果。所述特征识别结果反应了控制用户在某一时间节点眼部嘴部与困顿状态表征的异常动作识别特征之间的相似度。所述特征识别结果数值越大,表明控制用户存在不清醒或注意力不集中状态的可能性越高。
本实施例通过采集获取控制用户面部图像视频并提取关键帧执行图像区域分割进行异常动作识别特征比对,实现了较为科学准确的判断控制用户是否存在驾驶疲劳或注意力不集中的技术效果。
S400:通过所述数据交互装置进行所述目标机车的实际控制信息读取,获得控制信息读取结果;
具体而言,在本实施例中,所述数据交互装置为与目标机车驾驶室连接的数据传感器,用于实时采集获取目标机车包括但不限于实时车速、机车加速度以及制动情况的数据信息。
通过所述数据交互装置进行所述目标机车的实际控制信息读取,获得控制信息读取结果,所述控制信息读取结果包括机车当前时速、机车加速度以及制动装置状态,例如53km/h,-5km/h,目标机车空档滑行。
S500:根据所述控制信息读取结果和所述机车控制信息进行控制准确性比对,生成控制评价结果;
获取所述控制信息读取结果对应的目标机车所处铁道路段在所述机车控制信息中提取铁道路段车速控制信息,进行车速数据以及加速度数据的准确性比对,生成所述控制评价结果,所述控制评价结果为实际目标机车行驶速度与理论目标机车行驶速度的偏离百分比。
S600:根据所述特征识别结果和所述控制评价结果进行所述控制用户的驾驶状态评价,根据驾驶状态评价结果生成驾驶安全的预警信息。
具体而言,在本实施例中,根据所述特征识别结果和所述控制评价结果进行所述控制用户的驾驶状态评价,根据驾驶状态评价结果生成驾驶安全的预警信息,基于所述预警信息提示控制用户提高驾车注意力集中度以及进行车速控制,以使目标机车行驶速度调整靠近机车控制信息。
本实施例通过采集获得目标机车的机车控制信息和控制用户的基础信息,所述基础信息用于后续参考布设可较为清晰准确采集控制用户驾驶目标机车实时动态驾驶动作图像的所述图像采集装置;根据所述基础信息调整布设所述图像采集装置,通过所述图像采集装置进行所述控制用户的视频采集,获得视频采集集合,所述视频采集集合用户后续提取图像帧判断分析目标用户是否存在驾驶状态异常;构建异常动作识别特征集合,通过所述异常动作识别特征集合进行所述视频采集集合的特征识别,获得特征识别结果,实现了较为科学准确的判断控制用户是否存在驾驶疲劳或注意力不集中;通过所述数据交互装置进行所述目标机车的实际控制信息读取,获得控制信息读取结果;根据所述控制信息读取结果和所述机车控制信息进行控制准确性比对,生成控制评价结果;根据所述特征识别结果和所述控制评价结果进行所述控制用户的驾驶状态评价,根据驾驶状态评价结果生成驾驶安全的预警信息。达到提高对于机车司机驾驶状态监测有效性,提高对于机车行驶过程中风险规避有效性,提高机车运行安全性的技术效果。
在一个实施例中,如图3所示,所述智能监测预警***与信息交互传感器通信连接,所述方法包括:
S710:通过所述信息交互传感器进行铁路信息采集,获得信息采集结果;
S720:通过所述数据交互装置获得所述目标机车的实时速度信息;
S730:将所述实时速度信息和所述信息采集结果输入多级调速控制模型,获得分级速度控制信息;
S740:将所述信息采集结果和所述分级速度控制信息发送至所述目标机车。
具体而言,在本实施例中,所述信息交互传感器为设置于目标机车行驶铁轨附近的综合传感器,可进行某一区间铁轨图像采集以及进行目标机车的实时速度采集。
通过所述信息交互传感器进行铁路周围图像信息采集,获得信息采集结果,基于所述信息采集结果可较为直观获知铁轨是否存在防护网漏洞、铁轨是否存在动物穿行以及铁轨是否存在脱轨断裂故障等铁轨通行故障。
通过所述数据交互装置获得所述目标机车的实时速度信息,所述实时速度信息为基于控制用户进行行驶车速控制后,目标机车在铁轨上的实际行驶速度数据。
构建多级调速控制模型,所述多级调速控制模型为可根据铁轨图像判断铁轨是否存在无法正常通行的铁轨通行故障,并结合目标机车距离铁轨通行故障铁轨距离进行目标机车速度控制方案生成的图像数据分析模型。
所述多级调速控制模型包括图像识别子模块以及调速控制方案生成子模块,图像识别子模块为传统图像识别模型,图像识别子模块基于信息采集结果识别判断目标机车未来行驶经过的铁轨是否存在无法通行的缺陷。当图像识别子模块的识别输出结果为铁轨存在阻碍目标机车正常通行经过的缺陷后,将铁轨所在距离坐标输入调速控制方案生成子模块,调速控制方案生成子模块根据铁轨所在距离坐标结合目标机车当前距离坐标以及实时速度信息生成分级速度控制信息。
所述分级速度控制信息与目标机车实时速度以及目标机车与存在铁轨通行故障位置距离相关,目标机车实时速度越慢,目标机车与存在铁轨通行故障位置距离越远,所述分级速度控制信息的目标机车控制加速度越小,预留给控制用户响应并进行目标机车速度控制调整的时间区间越大。
将所述信息采集结果和所述分级速度控制信息发送至所述目标机车,驾驶目标机车的控制用户基于所述信息采集结果获知目标机车即将行驶经过的轨道存在铁轨通行故障,并基于分级速度控制信息获知安全停止在通行阻碍前的目标机车速度控制参考。实现了提供给控制用户前方铁道通行阻碍,以便控制用户了解改变预定驾驶控制原因,并供给控制用户进行目标机车速度控制参考方案,达到了提高控制用户对于目标机车行驶前景的了解程度,提高目标机车驾驶控制避障有效性的技术效果。
在一个实施例中,本申请提供的方法步骤还包括:
S750:根据所述分级速度控制信息和所述驾驶状态评价结果匹配响应验证窗口;
S760:通过所述响应验证窗口进行所述控制用户的响应验证,获得响应验证结果;
S770:判断所述响应验证结果是否满足预设控制阈值;
S780:当所述响应验证结果不能满足所述预设控制阈值时,则生成预警自动控制指令;
S790:通过所述预警自动控制指令进行所述目标机车的预警控制。
在一个实施例中,本申请提供的方法步骤还包括:
S781:将所述响应验证窗口发送至所述多级调速控制模型;
S782:获得所述多级调速控制模型的模型输出结果,其中,所述模型输出结果包括调整分级速度控制信息;
S783:根据所述预警自动控制指令基于所述模型输出结果进行所述目标机车的预警控制。
具体而言,应理解的,理论上,将所述信息采集结果和所述分级速度控制信息发送至所述目标机车后,依靠控制用户进行目标机车的速度控制调节,即可实现使目标机车安全停止在铁轨通行故障,但是当情况较为紧急,所述分级速度控制信息预留给控制用户响应并进行目标机车速度控制调整的时间区间较小,即铁轨通行故障与目标机车距离较近,而控制用户处于注意力不集中或疲劳驾驶时,就存在速度控制执行延迟,控制用户按照原本的分级速度控制信息进行目标机车的速度控制调节无法使目标机车在抵达铁轨通行故障前停止下来。
因而在本实施例中,预设多个响应验证窗口,所述响应验证窗口用于验证控制用户是否在预留响应时间内反应过来需要基于所述分级速度控制信息进行目标机车的车速控制。所述多个响应验证窗口中每个响应验证窗口的验证时长,即所述预设控制阈值不同,且和所述分级速度控制信息中预留给控制用户响应并进行目标机车速度控制调整的时间区间具有对应关系。所述分级速度控制信息预留给控制用户响应并进行目标机车速度控制调整的时间区间越长,对应的响应验证窗口的预设控制阈值的时间区间越长反之越短。
在本实施例中,根据所述分级速度控制信息提取获得预留给控制用户响应并进行目标机车速度控制调整的时间区间进行匹配响应验证窗口,获得响应验证窗口。通过所述响应验证窗口进行所述控制用户的响应验证,获得响应验证结果。
判断所述响应验证结果是否满足对应响应验证区间的所述预设控制阈值,即判断控制用户是否在预留响应时长内反应过来需要进行目标机车速度控制并开始执行速度控制。
当所述响应验证结果不能满足所述预设控制阈值时,则生成预警自动控制指令,基于所述预警自动控制指令调用所述数据交互装置二次获得所述目标机车的实时速度信息以及目标机车与铁轨通行故障之间的距离信息。
基于所述预警自动控制指令将所述响应验证窗口、实时速度信息以及目标机车与目标机车当前距离坐标发送至所述多级调速控制模型,基于所述多级调速控制模型的调速控制方案生成子模块根据铁轨所在距离坐标结合目标机车当前距离坐标以及实时速度信息再次生成分级速度控制信息,即所述调整分级速度控制信息。控制用户基于所述模型输出结果进行所述目标机车的预警速度控制。
本实施例实现了根据控制用户对于分级速度控制信息的响应状态,进行分级速度控制信息的二次调整,以避免控制用户反应过来需要进行目标机车制动控制时,目标机车已经在轨道上行驶较长距离,再基于原定分级速度控制信息进行目标机车控制无法使目标车辆安全停止风险的技术效果。
在一个实施例中,本申请提供的方法步骤还包括:
S910:判断所述驾驶状态评价结果是否满足预设驾驶状态评价阈值;
S920:当所述驾驶状态评价结果不能满足所述预设驾驶状态评价阈值时,则对所述响应验证窗口进行紧急响应验证;
S930:当所述响应验证窗口为紧急响应窗口时,则通过所述分级速度控制信息进行所述目标机车的控制。
具体而言,应理解的,如若控制用户的驾驶状态较差,反应力和对目标机车的控制力都处于较弱状态,且目标机车与铁轨通行故障间距较小时,则无法通过控制用户完成目标机车的速度调节控制实现铁轨通行故障的避障。
因而在本实施例中,预设用于评估是否可基于控制用户执行目标机车速度控制预设驾驶状态评价阈值,所述预设驾驶状态评价阈值的数值可根据历史多个控制用户反应力低下时的特征识别结果数值定义。
判断所述驾驶状态评价结果是否满足预设驾驶状态评价阈值,当所述驾驶状态评价结果不能满足所述预设驾驶状态评价阈值时,表明当前控制用户不具备控制目标机车紧急避障的工作能力,则对所述响应验证窗口进行紧急响应验证,所述紧急响应验证为核验确定控制用户在当前驾驶状态下,响应验证结果不能满足所述预设控制阈值且来不及生成调整分级速度控制信息供给控制用户参考进行目标机车控制,目标机车已行驶到达铁道通行故障位置。
当所述响应验证窗口为紧急响应窗口时,则通过所述分级速度控制信息直接替代控制用户进行所述目标机车的速度控制。
本实施例通过在目标机车与轨道通行故障距离较近且控制用户驾驶状态较差,无法提供给控制用户反应交通风险存在并进行目标机车控制时间时,直接采用分级速度控制替代控制用户执行目标机车控制,实现了提高目标机车行驶安全性的技术效果。
在一个实施例中,本申请提供的方法步骤还包括:
S810:通过所述数据交互装置获得所述目标机车的机车监测数据;
S820:构建异常特征的关联监测特征集合,其中,所述关联监测特征集合包括关联特征值;
S830:通过所述关联监测特征集合对所述机车监测数据进行异常识别;
S840:根据异常识别结果生成所述目标机车的状态预警信息。
具体而言,应理解的,轨道机车存在设备运行故障时,发生轴箱温度异常上升、车轮与轨道有不正常异响,车轮转动异常等多个具有关联性的异常运行现象。
因而在本实施例中,根据轨道机车存在设备运行故障时的异常现象,构建异常特征的关联监测特征集合,所述关联监测特征集合包括轴箱温度特征、异响噪声特征以及车轮转速特征以及判断各个关联特征是否满足设备运行故障的特征值;
通过所述数据交互装置获得所述目标机车的机车监测数据,所述机车监测数据包括轴箱温度数据、异响噪声分贝数据以及车轮转速数据。
通过所述关联监测特征集合对所述机车监测数据一一遍历比对,进行异常识别,判断轴箱温度数据、异响噪声分贝数据以及车轮转速数据是否满足各个关联特征的故障特征值,若皆满足,则生成所述异常识别结果,表征当前目标机车存在设备异常,根据异常识别结果生成所述目标机车的状态预警信息,提醒目标机车工作人员进行目标机车的运维管理实现设备故障问题消除,实现了提高目标机车行驶安全性的技术效果。
在一个实施例中,如图4所示,提供了一种铁路机车行驶安全的智能监测预警***,包括:基础信息采集模块1,视频采集执行模块2,特征识别执行模块3,控制信息读取模块4,控制评价获得模块5,预警信息生成模块6,其中:
基础信息采集模块1,用于采集获得目标机车的机车控制信息和控制用户的基础信息;
视频采集执行模块2,用于根据所述基础信息调整布设所述图像采集装置,通过图像采集装置进行所述控制用户的视频采集,获得视频采集集合;
特征识别执行模块3,用于构建异常动作识别特征集合,通过所述异常动作识别特征集合进行所述视频采集集合的特征识别,获得特征识别结果;
控制信息读取模块4,用于通过数据交互装置进行所述目标机车的实际控制信息读取,获得控制信息读取结果;
控制评价获得模块5,用于根据所述控制信息读取结果和所述机车控制信息进行控制准确性比对,生成控制评价结果;
预警信息生成模块6,用于根据所述特征识别结果和所述控制评价结果进行所述控制用户的驾驶状态评价,根据驾驶状态评价结果生成驾驶安全的预警信息。
在一个实施例中,所述***还包括:
铁路信息采集单元,用于通过所述信息交互传感器进行铁路信息采集,获得信息采集结果;
实时速度采集单元,用于通过所述数据交互装置获得所述目标机车的实时速度信息;
分级速控获得单元,用于将所述实时速度信息和所述信息采集结果输入多级调速控制模型,获得分级速度控制信息;
信息传递执行单元,用于将所述信息采集结果和所述分级速度控制信息发送至所述目标机车。
在一个实施例中,所述***还包括:
验证窗口匹配单元,用于根据所述分级速度控制信息和所述驾驶状态评价结果匹配响应验证窗口;
响应验证执行单元,用于通过所述响应验证窗口进行所述控制用户的响应验证,获得响应验证结果;
验证结果判断单元,用于判断所述响应验证结果是否满足预设控制阈值;
判断结果处理单元,用于当所述响应验证结果不能满足所述预设控制阈值时,则生成预警自动控制指令;
预警控制执行单元,用于通过所述预警自动控制指令进行所述目标机车的预警控制。
在一个实施例中,所述判断结果处理单元还包括:
验证窗口发送单元,用于将所述响应验证窗口发送至所述多级调速控制模型;
模型输出获得单元,用于获得所述多级调速控制模型的模型输出结果,其中,所述模型输出结果包括调整分级速度控制信息;
预警控制应用单元,用于根据所述预警自动控制指令基于所述模型输出结果进行所述目标机车的预警控制。
在一个实施例中,所述特征识别执行模块3还包括:
关键帧提取单元,用于对所述视频采集集合进行视频帧提取,根据检测特征进行视频帧提取结果的关键帧筛选,获得关键帧筛选结果;
图像分割执行单元,用于根据所述图像采集装置的布设结果和所述检测特征进行所述关键帧筛选结果的图像分割,获得多个特征图像分割结果;
特征相似匹配单元,用于通过所述异常动作识别特征集合对所述多个特征图像分割结果的特征相似匹配,统计匹配特征及匹配相似度数据;
识别结果获得单元,用于根据所述匹配特征和所述匹配相似度数据获得所述特征识别结果。
在一个实施例中,所述***还包括:
评价阈值比对单元,用于判断所述驾驶状态评价结果是否满足预设驾驶状态评价阈值;
响应验证执行单元,用于当所述驾驶状态评价结果不能满足所述预设驾驶状态评价阈值时,则对所述响应验证窗口进行紧急响应验证;
机车控制执行单元,用于当所述响应验证窗口为紧急响应窗口时,则通过所述分级速度控制信息进行所述目标机车的控制。
在一个实施例中,所述***还包括:
监测数据获得单元,用于通过所述数据交互装置获得所述目标机车的机车监测数据;
特征集合构建单元,用于构建异常特征的关联监测特征集合,其中,所述关联监测特征集合包括关联特征值;
异常识别执行单元,用于通过所述关联监测特征集合对所述机车监测数据进行异常识别;
预警信息生成单元,用于根据异常识别结果生成所述目标机车的状态预警信息。
综上所述的任意一项方法或者步骤可作为计算机指令或程序存储在各种不限类型的计算机存储器中,通过各种不限类型的计算机处理器识别计算机指令或程序,进而实现上述任一项方法或者步骤。
基于本发明的上述具体实施例,本技术领域的技术人员在不脱离本发明原理的前提下,对本发明所作的任何改进和修饰,皆应落入本发明的专利保护范围。
Claims (8)
1.一种铁路机车行驶安全的智能监测预警方法,其特征在于,所述方法应用于智能监测预警***,所述智能监测预警***与图像采集装置、数据交互装置通信连接,所述方法包括:
采集获得目标机车的机车控制信息和控制用户的基础信息;
根据所述基础信息调整布设所述图像采集装置,通过所述图像采集装置进行所述控制用户的视频采集,获得视频采集集合;
构建异常动作识别特征集合,通过所述异常动作识别特征集合进行所述视频采集集合的特征识别,获得特征识别结果;
通过所述数据交互装置进行所述目标机车的实际控制信息读取,获得控制信息读取结果;
根据所述控制信息读取结果和所述机车控制信息进行控制准确性比对,生成控制评价结果;
根据所述特征识别结果和所述控制评价结果进行所述控制用户的驾驶状态评价,根据驾驶状态评价结果生成驾驶安全的预警信息。
2.如权利要求1所述的方法,其特征在于,所述智能监测预警***与信息交互传感器通信连接,所述方法包括:
通过所述信息交互传感器进行铁路信息采集,获得信息采集结果;
通过所述数据交互装置获得所述目标机车的实时速度信息;
将所述实时速度信息和所述信息采集结果输入多级调速控制模型,获得分级速度控制信息;
将所述信息采集结果和所述分级速度控制信息发送至所述目标机车。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
根据所述分级速度控制信息和所述驾驶状态评价结果匹配响应验证窗口;
通过所述响应验证窗口进行所述控制用户的响应验证,获得响应验证结果;
判断所述响应验证结果是否满足预设控制阈值;
当所述响应验证结果不能满足所述预设控制阈值时,则生成预警自动控制指令;
通过所述预警自动控制指令进行所述目标机车的预警控制。
4.如权利要求3所述的方法,其特征在于,所述方法包括:
将所述响应验证窗口发送至所述多级调速控制模型;
获得所述多级调速控制模型的模型输出结果,其中,所述模型输出结果包括调整分级速度控制信息;
根据所述预警自动控制指令基于所述模型输出结果进行所述目标机车的预警控制。
5.如权利要求1所述的方法,其特征在于,所述方法包括:
对所述视频采集集合进行视频帧提取,根据检测特征进行视频帧提取结果的关键帧筛选,获得关键帧筛选结果;
根据所述图像采集装置的布设结果和所述检测特征进行所述关键帧筛选结果的图像分割,获得多个特征图像分割结果;
通过所述异常动作识别特征集合对所述多个特征图像分割结果的特征相似匹配,统计匹配特征及匹配相似度数据;
根据所述匹配特征和所述匹配相似度数据获得所述特征识别结果。
6.如权利要求3所述的方法,其特征在于,所述方法包括:
判断所述驾驶状态评价结果是否满足预设驾驶状态评价阈值;
当所述驾驶状态评价结果不能满足所述预设驾驶状态评价阈值时,则对所述响应验证窗口进行紧急响应验证;
当所述响应验证窗口为紧急响应窗口时,则通过所述分级速度控制信息进行所述目标机车的控制。
7.如权利要求1所述的方法,其特征在于,所述方法包括:
通过所述数据交互装置获得所述目标机车的机车监测数据;
构建异常特征的关联监测特征集合,其中,所述关联监测特征集合包括关联特征值;
通过所述关联监测特征集合对所述机车监测数据进行异常识别;
根据异常识别结果生成所述目标机车的状态预警信息。
8.一种铁路机车行驶安全的智能监测预警***,其特征在于,所述***包括:
基础信息采集模块,用于采集获得目标机车的机车控制信息和控制用户的基础信息;
视频采集执行模块,用于根据所述基础信息调整布设图像采集装置,通过所述图像采集装置进行所述控制用户的视频采集,获得视频采集集合;
特征识别执行模块,用于构建异常动作识别特征集合,通过所述异常动作识别特征集合进行所述视频采集集合的特征识别,获得特征识别结果;
控制信息读取模块,用于通过数据交互装置进行所述目标机车的实际控制信息读取,获得控制信息读取结果;
控制评价获得模块,用于根据所述控制信息读取结果和所述机车控制信息进行控制准确性比对,生成控制评价结果;
预警信息生成模块,用于根据所述特征识别结果和所述控制评价结果进行所述控制用户的驾驶状态评价,根据驾驶状态评价结果生成驾驶安全的预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310041435.XA CN116118813A (zh) | 2023-01-12 | 2023-01-12 | 一种铁路机车行驶安全的智能监测预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310041435.XA CN116118813A (zh) | 2023-01-12 | 2023-01-12 | 一种铁路机车行驶安全的智能监测预警方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116118813A true CN116118813A (zh) | 2023-05-16 |
Family
ID=86295151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310041435.XA Pending CN116118813A (zh) | 2023-01-12 | 2023-01-12 | 一种铁路机车行驶安全的智能监测预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116118813A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002123894A (ja) * | 2000-10-16 | 2002-04-26 | Hitachi Ltd | プローブカー制御方法及び装置並びにプローブカーを用いた交通制御システム |
US20050279554A1 (en) * | 2004-06-16 | 2005-12-22 | Nissan Motor Co., Ltd. | Intelligent driving assistance method and system |
CN102089795A (zh) * | 2008-07-08 | 2011-06-08 | 日产自动车株式会社 | 车辆驾驶辅助设备和方法 |
US20140195120A1 (en) * | 2013-01-04 | 2014-07-10 | Continental Automotive Systems, Inc. | Adaptive emergency brake and steer assist systems based on driver focus |
CN205706706U (zh) * | 2016-04-29 | 2016-11-23 | 北京蓝天多维科技有限公司 | 一种机车无线数据传输*** |
CN106651910A (zh) * | 2016-11-17 | 2017-05-10 | 北京蓝天多维科技有限公司 | 驾驶员异常行为状态的智能图像分析方法和告警*** |
DE102017006589A1 (de) * | 2017-07-12 | 2018-03-01 | Daimler Ag | Verfahren zum Betrieb eines Fahrerassistenzsystems |
CN107819553A (zh) * | 2017-09-28 | 2018-03-20 | 青岛海信网络科技股份有限公司 | 一种控制指令反馈方法及装置 |
CN108650418A (zh) * | 2018-05-09 | 2018-10-12 | 广东小天才科技有限公司 | 疲劳提醒方法、装置、智能终端和存储介质 |
US20190092337A1 (en) * | 2017-09-22 | 2019-03-28 | Aurora Flight Sciences Corporation | System for Monitoring an Operator |
CN109544985A (zh) * | 2017-09-22 | 2019-03-29 | 极光飞行科学公司 | 用于交通工具的检测*** |
CN109747658A (zh) * | 2017-11-07 | 2019-05-14 | 丰田自动车株式会社 | 车辆的控制装置 |
CN110751835A (zh) * | 2019-11-06 | 2020-02-04 | 中国人民解放军战略支援部队航天工程大学士官学校 | 一种基于北斗导航技术的车辆监测预警***及方法 |
CN111862565A (zh) * | 2020-06-29 | 2020-10-30 | 广州小鹏车联网科技有限公司 | 一种车辆远程控制方法、***及车辆 |
CN114822034A (zh) * | 2022-05-06 | 2022-07-29 | 郑州铁路职业技术学院 | 一种列车安全驾驶方法和*** |
-
2023
- 2023-01-12 CN CN202310041435.XA patent/CN116118813A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002123894A (ja) * | 2000-10-16 | 2002-04-26 | Hitachi Ltd | プローブカー制御方法及び装置並びにプローブカーを用いた交通制御システム |
US20050279554A1 (en) * | 2004-06-16 | 2005-12-22 | Nissan Motor Co., Ltd. | Intelligent driving assistance method and system |
CN102089795A (zh) * | 2008-07-08 | 2011-06-08 | 日产自动车株式会社 | 车辆驾驶辅助设备和方法 |
US20140195120A1 (en) * | 2013-01-04 | 2014-07-10 | Continental Automotive Systems, Inc. | Adaptive emergency brake and steer assist systems based on driver focus |
CN205706706U (zh) * | 2016-04-29 | 2016-11-23 | 北京蓝天多维科技有限公司 | 一种机车无线数据传输*** |
CN106651910A (zh) * | 2016-11-17 | 2017-05-10 | 北京蓝天多维科技有限公司 | 驾驶员异常行为状态的智能图像分析方法和告警*** |
DE102017006589A1 (de) * | 2017-07-12 | 2018-03-01 | Daimler Ag | Verfahren zum Betrieb eines Fahrerassistenzsystems |
US20190092337A1 (en) * | 2017-09-22 | 2019-03-28 | Aurora Flight Sciences Corporation | System for Monitoring an Operator |
CN109544985A (zh) * | 2017-09-22 | 2019-03-29 | 极光飞行科学公司 | 用于交通工具的检测*** |
CN107819553A (zh) * | 2017-09-28 | 2018-03-20 | 青岛海信网络科技股份有限公司 | 一种控制指令反馈方法及装置 |
CN109747658A (zh) * | 2017-11-07 | 2019-05-14 | 丰田自动车株式会社 | 车辆的控制装置 |
CN108650418A (zh) * | 2018-05-09 | 2018-10-12 | 广东小天才科技有限公司 | 疲劳提醒方法、装置、智能终端和存储介质 |
CN110751835A (zh) * | 2019-11-06 | 2020-02-04 | 中国人民解放军战略支援部队航天工程大学士官学校 | 一种基于北斗导航技术的车辆监测预警***及方法 |
CN111862565A (zh) * | 2020-06-29 | 2020-10-30 | 广州小鹏车联网科技有限公司 | 一种车辆远程控制方法、***及车辆 |
CN114822034A (zh) * | 2022-05-06 | 2022-07-29 | 郑州铁路职业技术学院 | 一种列车安全驾驶方法和*** |
Non-Patent Citations (1)
Title |
---|
张道苏: ""基于DSP的轨道车运行监控装置研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 03, 15 March 2015 (2015-03-15), pages 2 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108791299B (zh) | 一种基于视觉的驾驶疲劳检测及预警***及方法 | |
US7792328B2 (en) | Warning a vehicle operator of unsafe operation behavior based on a 3D captured image stream | |
CN102393989B (zh) | 司机工作状态实时监测*** | |
CN105575150A (zh) | 行车安全行为分析方法、预警方法及其装置 | |
CN101105097A (zh) | 站台屏蔽门智能控制方法 | |
CN109671189B (zh) | 一种基于人脸和车辆关联特征的智能出入口*** | |
CN107194381A (zh) | 基于Kinect的驾驶员状态监测*** | |
CN103315754A (zh) | 一种疲劳检测方法及装置 | |
CN108776452B (zh) | 一种特种设备现场维保监控方法及*** | |
CN113486812A (zh) | 一种骑行安全控制***及控制方法 | |
CN111564020A (zh) | 一种驾驶安全防控***、存储介质以及计算机设备 | |
Rani et al. | Development of an Automated Tool for Driver Drowsiness Detection | |
CN116118813A (zh) | 一种铁路机车行驶安全的智能监测预警方法及*** | |
CN113076852A (zh) | 一种基于5g通信的占用公交车道车载抓拍处理*** | |
CN114882452B (zh) | 轨道线路安全监测方法、列车运行控制方法及控制*** | |
Li et al. | Vision-based estimation of driver drowsiness with ORD model using evidence theory | |
US20220189210A1 (en) | Occlusion-Aware Prediction of Human Behavior | |
US11989787B2 (en) | Remote vehicle damage assessment | |
CN116416756A (zh) | 疲劳驾驶预警方法、装置、设备及计算机可读存储介质 | |
CN113327409A (zh) | 一种基于智能识别监测的驾驶行为分析*** | |
Li et al. | Reliability-based driver drowsiness detection using dempster-shafer theory | |
CN111476122A (zh) | 一种驾驶状态监测方法、设备及存储介质 | |
Babu et al. | Real time alert system to prevent car accident | |
Srinivasan et al. | Advanced Driver Assistance System (ADAS) in Autonomous Vehicles: A Complete Analysis | |
CN117400927A (zh) | 一种动态实时监测的用户驾驶风险评估方法和*** |
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 |