Технология машинного зрения на локомотивах для идентификации путевых сигналов
Аннотация
Повышение качества предоставляемых транспортных и логистических услуг в современных условиях связано с внедрением новых и улучшением существующих технологий информатизации и цифровизации транспорта. Одной из задач внедрения цифровых технологий в технологические процессы железнодорожного транспорта
является повышение безопасности движения поездов.
Анализ работ отечественных и зарубежных авторов, посвящённых вопросам повышения безопасности движения поездов, показал, что в настоящее время одной из задач является внедрение цифровых устройств анализа объектов инфраструктуры по ходу движения локомотива. Особое значение это приобретает при увеличении скоростей следования поездов или наличии длительных поездок, когда человеку (машинисту) бывает сложно правильно оценить сложившуюся ситуацию и принять правильное решение.
Целью данной работы является разработка способа автоматического контроля объектов железнодорожной инфраструктуры за счёт оснащения локомотива технологией машинного зрения, а именно возможность визуального контроля показаний сигналов путевых светофоров по ходу его следования. Локомотив оснащается видеомодулем для фиксации потокового изображения по ходу его движения и микропроцессорной аппаратурой для анализа получаемого изображения.
В качестве алгоритма по распознаванию путевых сигналов на фиксируемом изображении применён математический аппарат, основанный на моделях сверточных нейронных сетей.
Выполненная работа показала хорошие результаты по идентификации путевых сигналов на анализируемых изображениях. Оснащение тягового подвижного состава техническим зрением позволит выполнять своевременную идентификацию путевых сигналов, это особенно важно на железнодорожных путях, где отсутствует кодировка в рельсовой цепи, что способствует повышению уровня безопасности движения поездов. Развитие
представленной технологии способствует цифровизации железнодорожного транспорта, что делает его конкурентоспособным на мировом рынке.
является повышение безопасности движения поездов.
Анализ работ отечественных и зарубежных авторов, посвящённых вопросам повышения безопасности движения поездов, показал, что в настоящее время одной из задач является внедрение цифровых устройств анализа объектов инфраструктуры по ходу движения локомотива. Особое значение это приобретает при увеличении скоростей следования поездов или наличии длительных поездок, когда человеку (машинисту) бывает сложно правильно оценить сложившуюся ситуацию и принять правильное решение.
Целью данной работы является разработка способа автоматического контроля объектов железнодорожной инфраструктуры за счёт оснащения локомотива технологией машинного зрения, а именно возможность визуального контроля показаний сигналов путевых светофоров по ходу его следования. Локомотив оснащается видеомодулем для фиксации потокового изображения по ходу его движения и микропроцессорной аппаратурой для анализа получаемого изображения.
В качестве алгоритма по распознаванию путевых сигналов на фиксируемом изображении применён математический аппарат, основанный на моделях сверточных нейронных сетей.
Выполненная работа показала хорошие результаты по идентификации путевых сигналов на анализируемых изображениях. Оснащение тягового подвижного состава техническим зрением позволит выполнять своевременную идентификацию путевых сигналов, это особенно важно на железнодорожных путях, где отсутствует кодировка в рельсовой цепи, что способствует повышению уровня безопасности движения поездов. Развитие
представленной технологии способствует цифровизации железнодорожного транспорта, что делает его конкурентоспособным на мировом рынке.
Об авторах
В. А. Минаков
Омский государственный университет путей сообщения (ОмГУПС)
Россия
Россия
кандидат технических наук, доцент кафедры локомотивов
Омск
В. К. Фоменко
Омский государственный университет путей сообщения (ОмГУПС)
Россия
Россия
кандидат технических наук, доцент кафедры локомотивов
Омск
Список литературы
1. Посмитюха А. А. Локомотивные приборы безопасности и контроль за их работой. – М.: Транспорт, 1992. – 61 с.
2. Иванов Ю. А. Разработка локомотивной системы технического зрения: Автореф. дис... канд. юрид. наук. – М.: МГУПС, 2015. – 24 с.
3. Друки А. А. Применение сверточных нейронных сетей для выделения и распознавания автомобильных номерных знаков на изображениях со сложным фоном // Известия Томского политехнического университета. – 2014. – № 5. – С. 85–92.
4. Хайкин С. Нейронные сети: полный курс. 2-е изд. – М.: ООО «И. Д. Вильямс», 2006. – 1104 с. [Электронный ресурс]: https://studizba.com/files/show/djvu/1762–1-haykin-s–neyronnye-seti.html. Доступ 23.11.2019.
5. Chiang, Cheng-Chin; Ho, M.-C.; Liao, H.-S.; Pratama, Andi; Syu, W.-C. Detecting and recognizing traffic lights by genetic approximate ellipse detection and spatial texture layouts. International Journal of Innovative Computing, Information and Control, December 2011, Vol. 7, No. 12, pp. 6919–6934. [Электронный ресурс]: https://www.researchgate.net/publication/286958803_Detecting_and_recognizing_traffic_lights_by_genetic_approximate_ellipse_detection_and_spatial_texture_layouts. Доступ 23.11.2019.
6. Cortes, C., Vapnik, V. Support-vector networks. Machine Learning, 1995, Vol. 20, Iss. 3, pp. 273–297. DOI: https://doi.org/10.1023/A:1022627411411. [Электронный ресурс]: https://link.springer.com/content/pdf/10.1023/A:1022627411411.pdf. Доступ 23.11.2019.
7. Diao, Yunfeng; Cheng, Wenming; Du, Run; Wang, Yaqing; Zhang, Jun. Vision-based detection of container lock holes using a modified local sliding window method. EURASIP Journal on Image and Video Processing, 2019, Vol. 69. [Электронный ресурс]: https://link.springer.com/article/10.1186%2Fs13640-019-0472-1. Доступ 29.12.2019.
8. Джули А., Пал С. Библиотека Keras – инструмент глубокого обучения. – М.: ДМК Пресс, 2018. – 294 с.
9. Kecman, V., Melki, G. Fast Online Algorithms for Support Vector Machines Models and Experimental Studies. IEEE South East Conference (SoutheastCon 2016), Virginia, USA, 2016. pp. 26–31. [Электронный ресурс]: https://www.researchgate.net/publication/303257413_Fast_Online_Algorithms_for_Support_Vector_Machines_Models_and_Experimental_Studies. Доступ 29.12.2019.
10. Platt, J. C. Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Machines, Microsoft Research, Technical Report MSR-TR-98-14, 1998. [Электронный ресурс]: https://www.researchgate.net/publication/2624239_Sequential_Minimal_Optimization_A_Fast_Algorithm_for_Training_Support_Vector_Machines. Доступ 29.12.2019.
Для цитирования:
Минаков В.А., Фоменко В.К. Технология машинного зрения на локомотивах для идентификации путевых сигналов. Мир транспорта. 2019;17(6):62-72. https://doi.org/10.30932/1992-3252-2019-17-62-72
For citation:
Minakov V.I., Fomenko V.K. Machine Vision Technology for Locomotives to Identify Railway Colour-Light Signals. World of Transport and Transportation. 2019;17(6):62-72. https://doi.org/10.30932/1992-3252-2019-17-62-72
Просмотров: 43
Послать статью по эл. почте 