李林俊，張歡，厲偉，李宏林，王亞萍

(1.國(guó)能鐵路裝備有限責(zé)任公司 生產(chǎn)技術(shù)部，北京 100048； 2.南京斯?fàn)柲姎庥邢薰?智能信息事業(yè)部，江蘇 南京 211161)

0 引言

鐵路貨車車輛作為鐵路貨運(yùn)的主要載體，貨車不同程度的缺陷和損傷會(huì)成為鐵路貨車行車的安全隱患，列檢作業(yè)是當(dāng)前保證鐵路安全的一個(gè)有效手段。隨著鐵路貨車重載、提速戰(zhàn)略的實(shí)施，采用新技術(shù)、新設(shè)備，全面推廣“科技保安全”理念已成為貨檢作業(yè)改革的發(fā)展方向[1]。

現(xiàn)有的列檢作業(yè)模式以人工作業(yè)或人機(jī)分工檢查為主，檢車員勞動(dòng)強(qiáng)度較高，存在一定程度的安全隱患。近年來(lái)，以視頻監(jiān)控、深度學(xué)習(xí)為代表的新技術(shù)在車體識(shí)別、車號(hào)識(shí)別以及安全分析等領(lǐng)域廣泛應(yīng)用，為鐵路貨運(yùn)安全管理提供了新的技術(shù)基礎(chǔ)。李博等[2]、周雯[3]、林瑛霞[4]將圖像智能識(shí)別方法應(yīng)用于高速鐵路行車安全分析，張超[5]將深度學(xué)習(xí)方法應(yīng)用于鐵路貨車類型的識(shí)別，雷蕾[6]將圖像識(shí)別應(yīng)用在貨車轉(zhuǎn)向架識(shí)別上。針對(duì)貨車車體面積大，缺陷不規(guī)則等挑戰(zhàn)，基于YOLO的智能化鐵路貨車搭扣缺陷檢測(cè)系統(tǒng)以貨車搭扣缺陷檢測(cè)為基礎(chǔ)需求，利用圖像采集技術(shù)、深度學(xué)習(xí)以及物聯(lián)網(wǎng)技術(shù)，實(shí)現(xiàn)車體搭扣缺陷的智能檢測(cè)，目的是優(yōu)化列檢作業(yè)模式，降低安全風(fēng)險(xiǎn)，提升作業(yè)效率和質(zhì)量，詮釋“科技保平安”理念，對(duì)構(gòu)建鐵路貨車安全智能保障具有重大意義。

1 研究?jī)?nèi)容

以國(guó)能鐵路裝備有限責(zé)任公司肅寧分公司定州西卸貨站為實(shí)施對(duì)象，設(shè)計(jì)并實(shí)現(xiàn)智能化鐵路貨車搭扣缺陷檢測(cè)系統(tǒng)，系統(tǒng)功能架構(gòu)如圖1所示。

圖1 系統(tǒng)功能架構(gòu)Fig.1 Functional architecture of system

鐵路貨車搭扣缺陷檢測(cè)系統(tǒng)圍繞車體搭扣缺陷檢測(cè)需求，在定州西卸貨站出入咽喉區(qū)和通信機(jī)房部署安裝硬件設(shè)備，實(shí)現(xiàn)圖像采集、基礎(chǔ)數(shù)據(jù)管理、智能判別、報(bào)警管理、統(tǒng)計(jì)分析以及系統(tǒng)管理等功能。

2 總體設(shè)計(jì)

2.1 邏輯結(jié)構(gòu)

在邏輯上將智能化鐵路貨車搭扣缺陷檢測(cè)系統(tǒng)劃分為圖像采集模塊、圖像分析處理單元、數(shù)據(jù)庫(kù)以及人機(jī)交互及顯示模塊4部分，系統(tǒng)邏輯結(jié)構(gòu)如圖2所示。其中圖像采集模塊作為基礎(chǔ)部分，由補(bǔ)光光源、圖像采集器及車輪傳感器等設(shè)備組成，實(shí)現(xiàn)圖像的采集與處理。圖像分析處理單元是系統(tǒng)的業(yè)務(wù)中心，負(fù)責(zé)獲取圖像數(shù)據(jù)的引接、解析、分析以及智能推理等功能。人工交互及顯示模塊主要以缺陷結(jié)果展示和處理為主，具體包括基礎(chǔ)數(shù)據(jù)管理、智能判別、報(bào)警管理、統(tǒng)計(jì)分析以及系統(tǒng)管理功能。

圖2 系統(tǒng)邏輯結(jié)構(gòu)Fig.2 Logic structure of system

2.2 體系架構(gòu)

采用分層思想將整個(gè)系統(tǒng)劃分為服務(wù)對(duì)象層、應(yīng)用服務(wù)層、數(shù)據(jù)資源層、網(wǎng)絡(luò)層以及前端設(shè)備層，系統(tǒng)架構(gòu)如圖3所示。其中服務(wù)對(duì)象層主要是面向鐵路貨運(yùn)組織的列檢人員，具體包括貨站列檢人員、貨檢管理人員以及各級(jí)領(lǐng)導(dǎo)。應(yīng)用服務(wù)層基于裝卸貨站的列檢需求，提供列檢作業(yè)的智能檢測(cè)服務(wù)。數(shù)據(jù)資源層通過(guò)建庫(kù)與數(shù)據(jù)接口的方式實(shí)現(xiàn)貨檢數(shù)據(jù)的存儲(chǔ)、共享以及管理，為應(yīng)用服務(wù)層提供數(shù)據(jù)支撐。網(wǎng)絡(luò)層是數(shù)據(jù)傳輸?shù)耐ǖ溃ㄟ^(guò)無(wú)線網(wǎng)絡(luò)將前端采集的數(shù)據(jù)傳輸?shù)綌?shù)據(jù)處理中心，在數(shù)據(jù)處理中心通過(guò)建庫(kù)和接口的方式實(shí)現(xiàn)數(shù)據(jù)共享。前端設(shè)備層負(fù)責(zé)貨車車體圖像的采集與處理工作，具體包括圖像采集器、補(bǔ)光光源陣列、車輪傳感器以及車號(hào)智能識(shí)別裝置等設(shè)備。

圖3 系統(tǒng)架構(gòu)Fig.3 System architecture

2.3 缺陷檢測(cè)流程

缺陷檢測(cè)業(yè)務(wù)流程如圖4所示。其中數(shù)據(jù)采集是利用圖像采集器采集正在行進(jìn)中的車體圖像并按照預(yù)先確定的格式保存在圖像采集主機(jī)。通過(guò)架設(shè)的5G微波網(wǎng)絡(luò)將采集的數(shù)據(jù)傳輸?shù)綌?shù)據(jù)處理中心，在數(shù)據(jù)處理中心首先進(jìn)行進(jìn)出站判斷，若是進(jìn)站，通過(guò)圖像處理系統(tǒng)按照預(yù)先選定的搭扣缺陷檢測(cè)算法模型進(jìn)行判別，按照對(duì)應(yīng)的策略進(jìn)行數(shù)據(jù)存盤。若是出站，在完成智能判別后，根據(jù)對(duì)進(jìn)出站的識(shí)別結(jié)果進(jìn)行比對(duì)，并生成缺陷報(bào)告。

圖4 缺陷檢測(cè)業(yè)務(wù)流程圖Fig.4 Business flow of defect detection

3 系統(tǒng)設(shè)計(jì)

3.1 缺陷檢測(cè)模型

近年來(lái)，隨著工業(yè)成像、深度學(xué)習(xí)等領(lǐng)域的新技術(shù)層出不窮，基于機(jī)器視覺(jué)的工業(yè)缺陷檢測(cè)技術(shù)得到了長(zhǎng)足的發(fā)展。

目前目標(biāo)檢測(cè)算法分為2種框架：一種是以SSD/YOLO為代表的一階段檢測(cè)算法(one-stage)[7]，即直接設(shè)計(jì)一個(gè)端到端的提取特征、目標(biāo)檢測(cè)的框架；另一種是以Faster-RCNN為代表的二階段檢測(cè)算法(two-stage)[7]，在進(jìn)行目標(biāo)識(shí)別過(guò)程中，首先對(duì)區(qū)域框進(jìn)行檢測(cè)，產(chǎn)生候選區(qū)域，然后對(duì)候選區(qū)域分類。正是由于2種框架的差異，在性能上也有所不同，前者在算法速度上占優(yōu)，后者在檢測(cè)準(zhǔn)確率和定位精度上占優(yōu)。

該模型基于YOLOv5缺陷檢測(cè)模型將YOLO原有的Darknet網(wǎng)絡(luò)替換為RepVGG結(jié)構(gòu)，并進(jìn)行多尺度融合使其速度與精度都得到了極大的提升。YOLOv5與其他的目標(biāo)檢測(cè)算法一樣由輸入、骨干網(wǎng)絡(luò)(backbone)、特征融合(neck)、預(yù)測(cè)(prediction)結(jié)構(gòu)組成[8]，YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 YOLOv5 network structure

缺陷檢測(cè)模塊設(shè)計(jì)流程如圖6所示，首先對(duì)數(shù)據(jù)進(jìn)行圖像增強(qiáng)、畸變消除以及圖像對(duì)齊/切分等預(yù)處理操作，然后按照時(shí)間戳辨認(rèn)進(jìn)出方向，進(jìn)行車體編號(hào)識(shí)別、關(guān)鍵區(qū)域檢測(cè)，通過(guò)計(jì)算相似位置的關(guān)鍵區(qū)域的匹配度，進(jìn)行關(guān)鍵區(qū)域比對(duì)識(shí)別，對(duì)匹配度大于閾值的區(qū)域進(jìn)行標(biāo)識(shí)，然后依據(jù)標(biāo)識(shí)結(jié)果與車號(hào)、進(jìn)出方向等關(guān)鍵信息進(jìn)行關(guān)聯(lián)，最后針對(duì)整列貨車進(jìn)行缺陷報(bào)警與缺陷統(tǒng)計(jì)。

圖6 缺陷檢測(cè)模塊設(shè)計(jì)流程Fig.6 Defect detection module design

貨車車側(cè)搭扣基座在裝卸作業(yè)過(guò)程中容易造成損壞，其缺陷在車側(cè)表面成像中所占的像素面積非常小，在缺陷檢測(cè)模塊設(shè)計(jì)實(shí)現(xiàn)時(shí)借鑒RepVGG的思想，將原有的3×3conv替換成RepVGG Block，并采用多層融合機(jī)制，有效地保留小目標(biāo)的特征，提高了模型對(duì)搭扣及基座小缺陷的檢測(cè)能力。同時(shí)，由于采用RepVGG作為主干網(wǎng)絡(luò)，在訓(xùn)練過(guò)程中，使用的是一個(gè)多分支模型，而在部署和推理的時(shí)候，轉(zhuǎn)化為單路的模型，對(duì)模型進(jìn)行裁剪，有效地提高了模型推理的速度。網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。

圖7 網(wǎng)絡(luò)結(jié)構(gòu)Fig.7 Network structure

基于YOLOv5目標(biāo)檢測(cè)框架，構(gòu)建鐵路貨車搭扣缺陷目標(biāo)檢測(cè)模型。在鐵路貨車搭扣缺陷檢測(cè)算法設(shè)計(jì)上，將整個(gè)訓(xùn)練過(guò)程分為2個(gè)階段。其中，第一個(gè)階段基于大量樣本訓(xùn)練得到一個(gè)預(yù)訓(xùn)練模型，第二個(gè)階段基于少量樣本對(duì)預(yù)訓(xùn)練模型進(jìn)行模型微調(diào)。此外，還添加了2個(gè)新的網(wǎng)絡(luò)分支，在這個(gè)新的網(wǎng)絡(luò)分支上應(yīng)用了新提出的缺陷突顯模塊(Defect Prominence Module，DPM)。DPM利用同一輛車進(jìn)出站在咽喉區(qū)2張車體圖片相減操作，借助無(wú)缺陷樣本的特征來(lái)加強(qiáng)缺陷區(qū)域的特征。由于系統(tǒng)采用線陣相機(jī)對(duì)車體進(jìn)行掃描成像，精度達(dá)到0.85～1 mm/px，每個(gè)搭扣及基座占200個(gè)像素，成像和算法相匹配，精度能夠滿足模型檢出的要求。

最后網(wǎng)絡(luò)模型利用特征聚合操作來(lái)綜合不同分支輸出的特征，進(jìn)一步提升了缺陷檢測(cè)性能。

3.1.1 改進(jìn)的RepVGG的特征提取主干

缺陷檢測(cè)模型將YOLO原有的Darknet網(wǎng)絡(luò)替換為RepVGG結(jié)構(gòu)，RepVGG結(jié)構(gòu)由若干個(gè)不同尺寸的RepVGG Block組成。其中Block由Conv3x3+bn，Conv1x1+bn，identity分支構(gòu)成，以上3個(gè)分支輸出add-wise后(不改變通道數(shù))再使用ReLu。模型將所有Block分為4個(gè)stage，每個(gè)stage通過(guò)統(tǒng)一縮放[1.5，1.5，1.5，2.75]的經(jīng)驗(yàn)寬度設(shè)置來(lái)確定層寬度。

3.1.2 多尺度融合模塊

在神經(jīng)網(wǎng)絡(luò)下采樣提取特征圖的過(guò)程中，根據(jù)采樣的不同倍率，可以分為淺層特征和深層特征。其中淺層特征中語(yǔ)義的信息比較少，但是其由于有較高的分辨率，目標(biāo)位置信息豐富，對(duì)于小目標(biāo)的檢出有較大的作用。而深層特征隨著下采樣或卷積次數(shù)增加，感受野逐漸增加，感受野之間重疊區(qū)域也不斷增加，此時(shí)的像素點(diǎn)代表的信息是一個(gè)區(qū)域的信息，獲得的是這塊區(qū)域或相鄰區(qū)域之間的特征信息，相對(duì)不夠細(xì)粒度，分辨率較低，但語(yǔ)義信息豐富?？紤]到搭扣及基座缺陷在車體表面圖像中的像素范圍，將用作缺陷檢測(cè)的輸出特征圖設(shè)計(jì)為3個(gè)尺度(19×19、38×38和96×96)。首先，每個(gè)尺度下先堆積不同尺度的特征圖；之后，使用卷積核(3×3和1×1)對(duì)不同尺度特征圖之間的局部特征進(jìn)行融合[9]，輸入融合后的特征圖，融合后的特征圖能有效提高車側(cè)端缺陷的檢測(cè)精度。

3.2 圖像采集處理流程

在對(duì)圖像進(jìn)行分析之前，對(duì)數(shù)據(jù)進(jìn)行圖像增強(qiáng)、畸變消除以及對(duì)齊/切分等預(yù)處理工作。

（1）圖像增強(qiáng)。在采集時(shí)采用多組相機(jī)，按照目標(biāo)區(qū)域分區(qū)成像，需要將分區(qū)成像拼接成一整幅圖像，算法會(huì)對(duì)每幅圖像數(shù)據(jù)進(jìn)行一個(gè)提取比對(duì)，達(dá)到對(duì)圖像增強(qiáng)的效果。

（2）線陣相機(jī)畸變消除。采集的車體圖像存在畸變時(shí)，圖中各觀測(cè)部位形狀都會(huì)發(fā)生不同程度的形變。圖像畸變校正方法是首先采用基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法定位車輛車體，然后根據(jù)檢測(cè)出的關(guān)鍵位置框計(jì)算圖形畸變率，確定車輛圖像各部分的畸變率數(shù)值，最后基于畸變率數(shù)值對(duì)圖像各部分進(jìn)行校正，實(shí)現(xiàn)畸變列車圖像的復(fù)原。

（3）圖像對(duì)齊/切分。由于線陣相機(jī)成像的特點(diǎn)，經(jīng)過(guò)畸變消除之后，按照車體高度和寬度的比例，對(duì)圖片進(jìn)行對(duì)齊、切分，使得切分之后的每張圖片含1節(jié)車廂。

3.3 系統(tǒng)流程及接口設(shè)計(jì)

鐵路貨車搭扣缺陷檢測(cè)系統(tǒng)在物理上分為前端采集設(shè)備、數(shù)據(jù)處理中心和監(jiān)管中心3部分，系統(tǒng)流程圖如圖8所示。前端采集數(shù)據(jù)通過(guò)無(wú)線網(wǎng)絡(luò)發(fā)送給數(shù)據(jù)處理中心，數(shù)據(jù)處理中心將接收到的數(shù)據(jù)保存本地磁盤，同時(shí)推送給算法分析服務(wù)進(jìn)行計(jì)算分析工作。算法分析服務(wù)開始關(guān)鍵區(qū)域檢測(cè)，然后根據(jù)進(jìn)出站的識(shí)別結(jié)果進(jìn)行比對(duì)工作，最后對(duì)比對(duì)結(jié)果進(jìn)行標(biāo)注。比對(duì)結(jié)果通過(guò)鐵路內(nèi)網(wǎng)發(fā)送監(jiān)管中心并保存在數(shù)據(jù)庫(kù)中。人機(jī)交互及顯示模塊通過(guò)數(shù)據(jù)訪問(wèn)接口顯示識(shí)別結(jié)果并關(guān)聯(lián)貨車基礎(chǔ)信息。

圖8 系統(tǒng)流程圖Fig.8 System flow

3.4 功能設(shè)計(jì)

3.4.1 圖像采集

圖像采集模塊是系統(tǒng)的基礎(chǔ)部件，由軌旁設(shè)備、機(jī)房設(shè)備2部分組成，圖像采集單元結(jié)構(gòu)圖如圖9所示，其中軌旁設(shè)備包括圖像采集器、補(bǔ)光光源陣列、車輛傳感器以及車號(hào)智能識(shí)別裝置，機(jī)房設(shè)備包括圖像采集主機(jī)、圖像處理主機(jī)以及車輪傳感器處理裝置等。在設(shè)定好的檢測(cè)點(diǎn)，車輪傳感器作為判斷模塊判斷是否有車輛通過(guò)，如果有，來(lái)車判斷模塊向圖像采集模塊發(fā)送開機(jī)信號(hào)，圖像采集模塊開始采集圖像并將數(shù)據(jù)保存在圖像采集主機(jī)。整個(gè)車列通過(guò)檢測(cè)點(diǎn)后，來(lái)車判斷設(shè)備判斷該列車已全部通過(guò)，發(fā)送結(jié)束信息給圖像采集模塊，圖像采集模塊停止工作。

圖9 圖像采集單元結(jié)構(gòu)圖Fig.9 Image acquisition unit composition

3.4.2 智能判別

智能判別模塊將服務(wù)器接收到的單幀圖像進(jìn)行一定的預(yù)處理，使用缺陷檢測(cè)模型對(duì)圖像進(jìn)行卡座檢測(cè)，確認(rèn)搭扣是否正常。如果檢測(cè)異常，則標(biāo)記出異常搭扣邊界框，輸出異常類別信息，并顯示到軟件界面上。

3.4.3 基礎(chǔ)數(shù)據(jù)管理

通過(guò)對(duì)基礎(chǔ)數(shù)據(jù)統(tǒng)一規(guī)范的管理構(gòu)建基礎(chǔ)數(shù)據(jù)資源目錄，為鐵路貨車車體缺陷檢測(cè)識(shí)別系統(tǒng)提供數(shù)據(jù)支撐，具體數(shù)據(jù)包括作業(yè)車輛信息、設(shè)備管理以及檢車人員等內(nèi)容，通過(guò)設(shè)置作業(yè)車輛信息、列檢人員的出勤信息，方便后續(xù)車輛報(bào)警責(zé)任追溯。

3.4.4 報(bào)警管理

報(bào)警管理是對(duì)報(bào)警信息進(jìn)行處理、查詢以及統(tǒng)計(jì)，同時(shí)支持對(duì)報(bào)警信息的查看和追溯。報(bào)警管理包括報(bào)警記錄處理、報(bào)警記錄查詢以及報(bào)警記錄統(tǒng)計(jì)功能。

3.4.5 統(tǒng)計(jì)分析

系統(tǒng)根據(jù)管理需求提供統(tǒng)計(jì)分析功能，方便管理人員進(jìn)行多維度的統(tǒng)計(jì)，對(duì)損壞的配件進(jìn)行成本分析，方便列檢人員上報(bào)、回溯、追責(zé)。

為方便統(tǒng)計(jì)管理，系統(tǒng)自動(dòng)生成不同維度的統(tǒng)計(jì)報(bào)表，方便隨時(shí)查看；車輛自動(dòng)檢測(cè)結(jié)束后，系統(tǒng)自動(dòng)生成檢測(cè)報(bào)告，系統(tǒng)支持報(bào)表、報(bào)告的下載和打印。

3.4.6 系統(tǒng)管理

系統(tǒng)提供自定義配置用戶、組織機(jī)構(gòu)、車體以及裝卸站等基礎(chǔ)信息管理功能。其中用戶管理是對(duì)用戶信息、所屬單位以及權(quán)限等信息進(jìn)行管理。組織機(jī)構(gòu)管理對(duì)貨場(chǎng)名稱、編號(hào)、負(fù)責(zé)人、員工人數(shù)以及上級(jí)單位等信息進(jìn)行維護(hù)管理，為貨車車體缺陷檢測(cè)識(shí)別系統(tǒng)在其他貨場(chǎng)的推廣使用打下基礎(chǔ)。

4 系統(tǒng)實(shí)現(xiàn)

4.1 系統(tǒng)架構(gòu)

系統(tǒng)采用前后端分離的架構(gòu)模式，系統(tǒng)技術(shù)架構(gòu)如圖10所示，前端采用Vue框架，用Vue整合Echarts，Echarts-gl圖表進(jìn)行數(shù)據(jù)展示，后端采用Spring Cloud微服務(wù)框架，采用nacos做注冊(cè)中心，配置和管理微服務(wù)，其中Spring Cloud Gateway 為微服務(wù)架構(gòu)提供一種簡(jiǎn)單且有效的 API 路由的管理方式，并基于 Filter 的方式提供網(wǎng)關(guān)的基本功能，如統(tǒng)一入口、鑒權(quán)校驗(yàn)、動(dòng)態(tài)路由，減少客戶端與服務(wù)端的耦合；服務(wù)可以獨(dú)立發(fā)展，通過(guò)網(wǎng)關(guān)層來(lái)做映射；使用Fegin組件進(jìn)行微服務(wù)之間的遠(yuǎn)程調(diào)用；使用minio進(jìn)行對(duì)象存儲(chǔ)，適合于存儲(chǔ)大容量非結(jié)構(gòu)化的數(shù)據(jù)，比如圖片、視頻、日志文件、備份數(shù)據(jù)和容器/虛擬機(jī)鏡像等，而一個(gè)對(duì)象文件可以是任意大小，從幾 kb 到最大 5 T 不等；Java語(yǔ)言實(shí)現(xiàn)后臺(tái)邏輯功能開發(fā)。采用前后端分離的架構(gòu)模式可以實(shí)現(xiàn)高內(nèi)聚低耦合，減少后端(應(yīng)用)服務(wù)器的并發(fā)/負(fù)載壓力，分工明確，一定程度上能提高工作效率。

圖10 系統(tǒng)技術(shù)架構(gòu)圖Fig.10 Technology architecture of system

4.2 功能實(shí)現(xiàn)

4.2.1 圖像采集

本次驗(yàn)證的數(shù)據(jù)是通過(guò)現(xiàn)場(chǎng)臨時(shí)架設(shè)設(shè)備采集的貨車數(shù)據(jù)，圖像采集器的關(guān)鍵參數(shù)高速2 K(2048)線掃相機(jī)，搭配12 mm鏡頭，輸出.BMP位圖，拍攝距離是3 m，圖像采集數(shù)據(jù)8趟車，數(shù)據(jù)量158 GB，有效樣本8 000張。

4.2.2 智能判別

在系統(tǒng)中可視化展示貨車進(jìn)站、出站圖像以及缺陷識(shí)別結(jié)果等內(nèi)容，智能判別系統(tǒng)界面如圖11所示。

圖11 智能判別系統(tǒng)界面Fig.11 Intelligent discrimination interface

4.2.3 基礎(chǔ)數(shù)據(jù)管理

基礎(chǔ)數(shù)據(jù)管理包括作業(yè)車輛管理以及出勤管理，基礎(chǔ)數(shù)據(jù)管理操作界面如圖12所示。

圖12 基礎(chǔ)數(shù)據(jù)管理操作界面Fig.12 Basic data management operation interface

4.2.4 報(bào)警管理

報(bào)警管理包括查看報(bào)警信息記錄、報(bào)警記錄查詢以及異常情況處理等內(nèi)容，報(bào)警管理界面如圖13所示。

圖13 報(bào)警管理界面Fig.13 Alarm management interface

4.2.5 統(tǒng)計(jì)分析

統(tǒng)計(jì)分析界面如圖14所示，分為近7日?qǐng)?bào)警次數(shù)統(tǒng)計(jì)、當(dāng)日?qǐng)?bào)警類型統(tǒng)計(jì)、站內(nèi)車廂報(bào)警統(tǒng)計(jì)和7日內(nèi)人員報(bào)警次數(shù)統(tǒng)計(jì)。

圖14 統(tǒng)計(jì)分析界面Fig.14 Statistical analysis interface

4.2.6 系統(tǒng)管理

系統(tǒng)管理界面如圖15所示，具體包括用戶管理、組織機(jī)構(gòu)管理、卸貨站管理和車廂管理。

圖15 系統(tǒng)管理界面Fig.15 System administration interface

4.3 實(shí)現(xiàn)成果

本算法的驗(yàn)證數(shù)據(jù)集使用高速2 K(2048)線掃相機(jī)，搭配12 mm鏡頭，輸出.BMP位圖?，F(xiàn)場(chǎng)臨時(shí)架設(shè)設(shè)備，人工采集8 000張圖片，通過(guò)系統(tǒng)可以實(shí)現(xiàn)自動(dòng)識(shí)別搭扣未扣、搭扣破損，并通過(guò)人機(jī)交互及顯示模塊展示告警信息。

系統(tǒng)實(shí)現(xiàn)效果如圖16所示。

圖16 實(shí)現(xiàn)效果Fig.16 Realization effect

5 結(jié)束語(yǔ)

針對(duì)目前貨車檢測(cè)工作效率低、列檢工作強(qiáng)度大等問(wèn)題，結(jié)合國(guó)能鐵路裝備有限責(zé)任公司肅寧分公司定州西卸貨站的實(shí)際需求，以圖像識(shí)別技術(shù)為核心，結(jié)合先進(jìn)設(shè)備和技術(shù)[10]設(shè)計(jì)實(shí)現(xiàn)智能化鐵路貨車搭扣缺陷檢測(cè)系統(tǒng)，通過(guò)深度學(xué)習(xí)訓(xùn)練模型自動(dòng)檢測(cè)識(shí)別貨車搭扣丟失、搭扣未扣以及搭扣破損等故障。實(shí)驗(yàn)表明，智能化鐵路貨車搭扣缺陷檢測(cè)系統(tǒng)的功能完整，滿足鐵路貨車缺陷檢測(cè)的要求，為運(yùn)用鐵路貨車車體缺陷檢測(cè)的研究和開發(fā)提供了一種新的設(shè)計(jì)思路。在研究中探索、在應(yīng)用中總結(jié)，下一步仍需根據(jù)鐵路貨車列檢場(chǎng)景的檢測(cè)需求，不斷完善缺陷檢測(cè)模型，提高鐵路貨車列檢管理的智能化水平。