[发明专利]一种基于深度学习和多传感器数据融合的高速列车车型动态识别控制系统

说明书

一种基于深度学习和多传感器数据融合的列车车型动态识别控制系统，实现高速列车的车型识别及设备的实时智能联动控制。一种基于机器视觉和多传感器数据融合的列车车型动态识别控制系统，其特征在于：系统由网络摄像机、微波雷达传感器、视频分析服务器和交换机、LED红外补光灯及4G网络模块组成；当视频分析服务器检测到第一个微波雷达传感器发来的速度帧数据中含有预先设定的合理速度信号时，启动基于深度学习的卷积神经网络列车识别算法，对网络摄像机发来的视频进行逐帧识别，并记录每帧中识别到的火车类型的数量；当列车信号消失后，根据累加的火车类型数据进行车型综合判断识别，并记录列车经过的状态；在第二个雷达接收列车的速度信号时，发送预先存储的信号控制方案到控制设执行相应的控制动作，完成根据列车车型实现控制设备的智能化控制任务。

技术领域

本发明属于人工智能自动化控制技术领域，提供一种基于深度学习和多传感器数据融合的高速列车车型动态识别控制系统，实现高速列车的车型识别及设备的实时智能联动控制。

背景技术

在高速列车达到指定的识别范围时，需要针对不同的列车车型，对设备进行控制。如隧道内仅针对旅客列车的景观照明、防疫消杀等设备控制等。由于这些设备功率巨大，如果长时间运行，不但能耗大，而且会增加设备故障率，缩短设备使用寿命。因此需要在检测到指定车型时，才启动相应的设备，达到节能减排、延长设备寿命等作用。如果通过铁路系统内部的列车行车控制系统提供列车出发时间及车型的信号，需要修改现有控制系统，给出对应的软件接口信息。这种方法虽然原理简单，但是实际使用中存在以下不足：1、铁路系统内部使用的列车行车控制系统的具备极高的安全性，对外修改软件、提供信息控制接口，可能会对现有系统带来潜在安全隐患，形成安全漏洞；2、铁路内部系统协调多级部门，协调难度大，周期长，很难通过审批；3、即使通过审批，后期无论是项目控制系统升级或行车控制系统升级，均需要协调第三方进行配套升级，系统独立性低，维护困难；4、只能知道是否有列车从车站出发，无法知道列车到达的准确时间。如果项目控制设备提前或推迟打开，可能会对列车司机造成干扰，影响行车安全。因此需要设计一套独立的、不依赖于铁路系统内部运行的列车控制系统，并能够克服列车抖动、机头前灯强光干扰、环境光线、接触网高压电磁干扰等复杂环境的影响，快速、准确的识别出高速运行的列车车型的列车车型识别及控制系统。近年随着机器视觉、深度学习等人工智能技术和传感器技术的发展，为动态识别列车车型提供了技术可能。

发明内容

本发明的目的在于提供一种基于深度学习和多传感器数据融合的高速列车车型动态识别控制系统，实现列车车型的动态识别检测和控制相应设备运行的功能。

本发明技术方案如下：

一种基于机器视觉和多传感器数据融合的列车车型动态识别控制系统，其特征在于：系统由网络摄像机、微波雷达传感器、视频分析服务器和交换机、LED红外补光灯及4G网络模块组成；当服务器检测到第一个微波雷达传感器发来的速度数据中含有预先设定的合理速度范围内时，启动列车识别AI算法，对网络摄像机发来的视频进行逐帧识别，并记录每帧中识别到的列车类型的数量；当列车信号消失后，根据累加的列车类型数据进行车型综合判断识别，并记录列车经过的状态；在第二个雷达接收列车的速度信号时，发送预先存储的信号控制方案到控制设执行相应的控制动作，完成根据列车车型实现控制设备的智能化控制任务。

本发明使用基于深度学习的人工智能算法来实现列车车型的识别：由于列车经过的现场光线环境复杂，存在火车机头大灯照射、客车车窗灯光投射、伴有振动、粉尘、飞蛾虫子等异物遮挡等不利情况，使用传统的机器视觉分析识别车型，算法开发难度大，环境适应性低，因此采用深度神经网络来学习列车对象的特征，让深度神经网络具备识别列车车型的能力。通过采集不同列车车型在不同时间点的视频，并根据列车速度，抽取适当的帧图像，作为对深度神经网络进行训练学习的图片素材。训练用途的图片素材经过人工进行识别和标注后，用模型训练工具进行训练，得到所需的模型文件，用适当的推理引擎实现模型的部署。把视频帧图像逐一输入部署好的模型中，得到返回的数据。对返回数据做解析后，即可得到视频帧图像中所得到的列车种类、数量及位置坐标。