一种基于深度学习的铁路货场安全作业自动控制方法

本发明涉及交通运输领域，具体涉及一种基于深度学习的铁路货场安全作业自动控制方法。

背景技术：

1、铁路货场作业是维持铁路正常营运的关键环节，铁路货运安全更是铁路运输发展常抓不懈的重要工作和可持续发展的重要基础。自2013年铁路货运组织改革以来，铁路持续推进货运信息系统的信息化建设，通过实施智能监管，降低铁路货场作业事故率，对维护铁路货场安全具有重要意义。目前的研究不足之处，主要体现在以下若干方面：

2、(1)铁路货场作业安全问题研究不足：关于铁路货场作业，大多数学者围绕铁路货场作业流程优化及设备状态监测展开研究，关于轨道交通智能建设的关键技术也主要用于施工安全、桥梁及建筑结构等，缺少关于铁路货场作业人员的不安全行为及物体的不安全状态研究。

3、(2)作业监管过度依赖于人工：传统的铁路设备不具有智能识别、远程控制等功能，铁路货场作业的监督仍然借助在货运站布设的前端摄像机，同时利用人工盯控、经验决策为主的粗放式安防作业模式识别铁路货场作业安全风险，大量安全管理、操作及监控工作依赖人工完成，工作强度大，人员疲劳容易形成安全隐患。

4、(3)目标检测和行为识别的相关研究少：深度学习虽然在铁路领域已有较为广泛的应用，但所用的目标检测及行为识别的方法较少，即便有也是停留在铁路异物侵限、货车部件故障、轨道板裂缝等设施设备的故障检测上，未将其应用到铁路货场作业的监管。

5、上述关于铁路货场安全作业自动控制的研究不足主要体现在铁路货场作业安全问题研究不足、作业监管过度依赖于人工、目标检测和行为识别的相关研究少，这些问题亟待解决，以追求铁路货场作业的安全性，保障作业人员人身安全，维护铁路的正常运营，同时减少铁路人力物力资源的消耗.

技术实现思路

1、针对现有技术中的上述不足，本发明提供了一种基于深度学习的铁路货场安全作业自动控制方法。

2、为了达到上述发明目的，本发明采用的技术方案为：

3、一种基于深度学习的铁路货场安全作业自动控制方法，包括如下步骤：

4、s1、提取既有铁路货场发送作业、途中作业以及到达作业的全过程中的监测项点，将所提取的监测项点划分为静态不安全状态和动态不安全动态；

5、s2、根据不同监测项点的特性，采用不同的深度学习算法进行不安全状态识别；

6、s3、对所识别出的不安全状态进行预警。

7、进一步的，所述s1中静态不安全状态包括障碍物检测项和物体状态检测项，其中障碍物检测项包括站台遗留物检测、股道及线路障碍物检测、车身及集装箱杂物检测；物体状态检测项包括货物码放状态检测、车辆状态检测和作业设备安放状态检测。

8、进一步的，所述s1中动态不安全动态包括动作识别检测项、行人检测项、车辆检测项、距离检测项以及防火防爆检测项，其中，动作识别检测项包括开关车门识别、高处作业识别、劳动安全识别、门吊作业识别；行人检测项包括是监测到行人时发出警报以及未监测到行人时发出警报；车辆检测项包括道路车辆监测和车速监测；距离检测项包括货物距离检测以及车辆距离检测。

9、进一步的，所述s2中根据不同监测项点的特性，采用基于深度学习的目标检测算法对静态不安全状态进行识别；基于深度学习行为识别算法对动态不安全状态进行识别。

10、进一步的，所述采用基于深度学习的目标检测算法对静态不安全状态进行识别的具体方式为：

11、a1、对静态不安全状态识别项点的监控探头搜集到的数据进行图像抓取；

12、a2、利用卷积神经网络对所抓去到的图像进行基本特征提取；

13、a3、将卷积神经网络中的卷积核数量设置为极限最大数，提取包含人眼无法辨识的所有特征集合。

14、进一步的，所述基于深度学习行为识别算法对动态不安全状态进行识别的具体方式为：

15、b1、对动态不安全状态识别项点的监控探头搜集到的数据进行视频数据抓取；

16、b2、对抓取到的视频数据中连续的多个帧数据进行处理，将前后真设定图像进行关联，识别出动态不安全状态。

17、进一步的，所述s3中对所识别出的不安全状态进行预警的具体方式为：

18、s31、基于四象限法将横坐标划定为危险程度，其中纵坐标划定为紧急程度，其中，第一至第四象限依次为危险且紧急模块、紧急但不危险模块、危险但不紧急模块、不危险且不紧急模块；

19、s32、基于所划分的四个象限，将铁路货场作业自动控制警示分为三个类别，其中，ⅰ类警示包含第一及第三象限，ⅱ类警示对应于第二象限，ⅲ类警示对应于第四象限。在利用监控探头识别出动态、静态不安全行为后，根据识别结果的危险及紧急程度，发出不同类别的警示

20、本发明具有以下有益效果：

21、1.提出将深度学习的目标检测与行为识别用于监测铁路货场作业，并以静态不安全状态和动态不安全状态研究分析了深度学习应用的关键环节，给对检测内容进行了详细的阐述，适当缩小监测范围，实现更高效的安全监测。

22、2.提高铁路货场作业安全性。铁路货运作业涉及到大量的车辆、设备和人员，自动控制系统可以通过实时监测和分析视频数据，及时发现安全隐患和异常情况，如设备故障、异常操作等，从而能够预警并采取相应的安全措施，减少事故的发生。

23、3.节约人力物力资源。解决以往铁路货场作业监测过度依赖人工、人容易产生疲劳等问题，通过实时监控作业过程，可以优化作业计划，合理调配资源，从而提高作业效率和减少资源浪费。

技术特征：

1.一种基于深度学习的铁路货场安全作业自动控制方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的铁路货场安全作业自动控制方法，其特征在于，所述s1中静态不安全状态包括障碍物检测项和物体状态检测项，其中障碍物检测项包括站台遗留物检测、股道及线路障碍物检测、车身及集装箱杂物检测；物体状态检测项包括货物码放状态检测、车辆状态检测和作业设备安放状态检测。

3.根据权利要求1所述的基于深度学习的铁路货场安全作业自动控制方法，其特征在于，所述s1中动态不安全动态包括动作识别检测项、行人检测项、车辆检测项、距离检测项以及防火防爆检测项，其中，动作识别检测项包括开关车门识别、高处作业识别、劳动安全识别、门吊作业识别；行人检测项包括是监测到行人时发出警报以及未监测到行人时发出警报；车辆检测项包括道路车辆监测和车速监测；距离检测项包括货物距离检测以及车辆距离检测。

4.根据权利要求1所述的基于深度学习的铁路货场安全作业自动控制方法，其特征在于，所述s2中根据不同监测项点的特性，采用基于深度学习的目标检测算法对静态不安全状态进行识别；基于深度学习行为识别算法对动态不安全状态进行识别。

5.根据权利要求4所述的基于深度学习的铁路货场安全作业自动控制方法，其特征在于，所述采用基于深度学习的目标检测算法对静态不安全状态进行识别的具体方式为：

6.根据权利要求4所述的基于深度学习的铁路货场安全作业自动控制方法，其特征在于，所述基于深度学习行为识别算法对动态不安全状态进行识别的具体方式为：

7.根据权利要求1所述的基于深度学习的铁路货场安全作业自动控制方法，其特征在于，所述s3中对所识别出的不安全状态进行预警的具体方式为：

技术总结本发明公开了一种基于深度学习的铁路货场安全作业自动控制方法，其一对既有铁路货场作业进行分析，包括发送作业、途中作业、到达作业的全过程，提取出铁路货场作业需要重点监管的关键环节作为监测项点，将其划分为静态不安全状态和动态不安全状态两类；其二根据各监测项点的特点，采用不同的深度学习算法进行识别，静态不安全状态采用深度学习的目标检测算法，而动态不安全状态则采用深度学习的行为识别算法，对识别出的不安全状态做出及时的自动警示。本发明借助深度学习技术开展铁路货场作业过程自动控制研究，建立从识别到预警的铁路货场作业智能监管体系，对维护铁路正常运营，提升货物运输安全监测及预警水平具有重要意义。技术研发人员：汤银英,黄嘉怡,郭赫臣受保护的技术使用者：西南交通大学技术研发日：技术公布日：2024/3/17