【技术实现步骤摘要】
本专利技术涉及铁路桥涵防护领域，特别涉及一种铁路桥涵限高防碰撞监测预警系统。
技术介绍
1、铁路桥涵是指铁路线路中的桥梁和隧道，这些结构用于克服地理地形的起伏、交叉河流、道路等障碍物。为了确保列车顺利安全通过各种地形和地区，桥梁和隧道的设计和维护都是关键的工程任务。对于铁路桥涵进行限高主要目的是确保铁路运输的安全性，维护铁路乘客和汽车驾驶员的生命财产安全；其次铁路桥涵的建筑和维护成本很高，如果不进行限高预警，高度超出桥涵限高的车辆会对桥梁或隧道结构造成损坏，增加了维护和修复的成本，进行铁路桥涵限高预警可以延长其使用寿命。
2、但目前铁路桥涵限高工作存在一些不足：
3、其一，目前对于铁路桥涵的监测和维护采用人工形式，因此存在铁路桥涵维护效率低，事故发现不及时等问题，对于铁路的正常行驶构成威胁；
4、其二：目前对于铁路桥涵限高方面的研究不够充分，对于桥梁防碰撞系统的研究多是针对于水上环境，水上桥梁与铁路桥梁之间环境差异大，技术之间存在技术壁垒，因此要研究针对陆地驾驶环境的桥梁限高防碰撞预警系统，减少车辆与铁路桥涵发生事故的概率，保障铁路系统的正常运行。
5、现有技术cn202210089456.4公开了一种用于铁路桥涵的防撞多级预警系统，其中设有摄像头用于实时采集限高架所在处的图像并上传至中央处理器，同时控制器还用于根据摄像头采集的欲通过当前桥涵的车辆图像，通过图像识别算法估算欲通过当前桥涵的车辆的高度，并将估算出的高度上传至中央处理器。但是现有技术的技术方案是直接对采集的车辆图像进行
技术实现思路
1、本专利技术的目的在于克服现有技术中所存在的未考虑车辆清晰度不足的问题，导致最终得出的车辆高度存在较高的误差的上述不足，提供一种铁路桥涵限高防碰撞监测预警系统。
2、为了实现上述专利技术目的，本专利技术提供了以下技术方案：
3、一种铁路桥涵限高防碰撞监测预警系统，包括：
4、图像采集模块，获取光学仪器拍摄的目标车辆的行驶图像，根据所述行驶图像，通过逆透视映射方法计算得到目标车辆的正面图像信息；
5、特征提取模块，对所述目标车辆的正面图像信息进行局部特征提取，得到目标车辆的正面图像的特征图；
6、分类回归模块，根据所述特征图构建限高预警初始模型，获取多组车辆图像的样本数据对限高预警初始模型进行训练，得到限高预警模型；
7、预警显示模块，获取图像采集模块采集的车辆的实时行驶图像，所述限高预警模型根据实时行驶图像输出高度预警信息。
8、作为本专利技术的优选方案，所述逆透视映射方法中的任意一个点和坐标系的转化公式如下所示：
9、
10、其中，a1为cosθ，a2为b1为sinθ，b2为θ为光学仪器对应的仰俯角，为横摆角，fu和fv为图像平面对应方向的等效焦距，(cu，cv)为光学中心，t为透视变换矩阵，通过奇异值对t矩阵进行广义逆矩阵求解，完成对行驶图像的逆透视变换。
11、作为本专利技术的优选方案，所述特征提取模块采用基于残差的卷积神经网络对目标车辆的正面图像信息进行局部特征提取和降采样，所述基于残差的卷积神经网络包括卷积层、池化层、归一化层和激活函数层，将主干网络输入图片尺寸为i＝(h*w*3)，即长宽分别为h和w的通道数为3的灰度图像，通过特征提取模块处理后得到输出尺寸为的特征图。
12、作为本专利技术的优选方案，所述卷积层采用一组可学习的卷积核在目标车辆的正面图像中滑动，依次对图像的局部区域进行卷积运算，以此学习不同特征，具体公式如下所示：
13、
14、其中，μ表示特征图，l是网络的层数，*表示卷积操作，w表示卷积核，b为偏置量，σ为激活函数，i为常量。
15、作为本专利技术的优选方案，所述池化层采用平均池化对卷积层输出的特征图进行压缩，从而减少模型的参数量以及模型的过拟合，具体公式如下所示：
16、μc＝σ(w1δ(w0μavg)+w1δ(w0μmax))
17、其中，μc为输出通道注意力图，μavg为经过全局平均池化后的输出，μmax表示经过全局最大池化后的输出，w0和w1为两次全连接操作，δ、σ为激活函数。
18、作为本专利技术的优选方案，所述特征提取模块中还包括将尺寸为的特征图展平成尺寸为一维的特征向量，并在所述特征向量的每个位置进行编码。
19、作为本专利技术的优选方案，所述特征向量的编码方式具体为正弦函数编码，具体公式如下所示：
20、
21、其中，pe为正弦编码函数，pos为特征向量在序列中的位置，i为列索引，dmodel为特征向量的维度。
22、作为本专利技术的优选方案，所述车辆图像的样本数据具体为不同类型的车辆在光学仪器前拍摄得到的图像数据，所述分类回归模块中对样本数据设置有标注信息，标注信息显示为0或1，其中0代表车辆安全通过，1代表车辆会发生碰撞；样本数据用于测试预测性能，测试前选取任意n个样本数据生成训练集，对限高预警初始模型进行训练。
23、作为本专利技术的优选方案，所述分类回归模块采用平均二分类交叉熵损失函数对限高预警初始模型进行训练和调优，具体公式如下所示：
24、
25、其中，l为平均二分类交叉熵损失函数，n为样本数量，y为标注信息，为神经网络预测信息。
26、基于相同的专利技术构思，本专利技术还提供了一种铁路桥涵限高防碰撞监测预警方法，包括以下步骤：
27、s1、获取光学仪器拍摄的目标车辆的行驶图像，根据所述行驶图像，通过逆透视映射方法计算得到目标车辆的正面图像信息；
28、s2、对所述目标车辆的正面图像信息进行局部特征提取，得到目标车辆的正面图像的特征图；
29、s3、根据所述特征图构建限高预警初始模型，获取多组车辆图像的样本数据对限高预警初始模型进行训练，得到限高预警模型；
30、s4、获取车辆的实时行驶图像，所述限高预警模型根据实时行驶图像生成高度预警信息发送到预警显示设备，所述预警显示设备输出高度预警信息。
31、与现有技术相比，本专利技术的有益效果：
32、1.本专利技术在对车辆的图像数据进行特权提取前，要先经过逆透视映射方法获取车辆的正面图像信息，相比于仅依据激光测量某一高度是否被阻挡来判断车辆是否超高的防碰撞预警系统，本专利技术能够采集到更为精确的车辆图像来进行识别、分析，有效降低了预警误警率，提高了预警结果的可靠性；
33、2.本专利技术的限高预警模型根据实时行驶图像输出高度预警信息，相比于依靠人力定期进行铁路桥涵健康情况监测和维修，本专利技术能够在车辆驾驶至铁路桥涵前对车辆是否会超过桥涵限高做出判断，并及时做出响应；如果车辆超过桥涵限高则系统向车辆发出超高预警信号，并向主机提交预警信号；如果车辆超高通过桥涵，主机会接收到碰撞信号，安排维修人本文档来自技高网...
【技术保护点】
1.一种铁路桥涵限高防碰撞监测预警系统，其特征在于，包括：
2.根据权利要求1所述的一种铁路桥涵限高防碰撞监测预警系统，其特征在于，所述逆透视映射方法中的任意一个点和坐标系的转化公式如下所示：
3.根据权利要求1所述的一种铁路桥涵限高防碰撞监测预警系统，其特征在于，所述特征提取模块采用基于残差的卷积神经网络对目标车辆的正面图像信息进行局部特征提取和降采样，所述基于残差的卷积神经网络包括卷积层、池化层、归一化层和激活函数层。
4.根据权利要求3所述的一种铁路桥涵限高防碰撞监测预警系统，其特征在于，所述卷积层采用一组可学习的卷积核在目标车辆的正面图像中滑动，依次对图像的局部区域进行卷积运算，具体公式如下所示：
5.根据权利要求3所述的一种铁路桥涵限高防碰撞监测预警系统，其特征在于，所述池化层采用平均池化对卷积层输出的特征图进行压缩，具体公式如下所示：
6.根据权利要求1所述的一种铁路桥涵限高防碰撞监测预警系统，其特征在于，所述特征提取模块中还包括将特征图展平成一维的特征向量，并在所述特征向量的每个位置进行编码。
8.根据权利要求1所述的一种铁路桥涵限高防碰撞监测预警系统，其特征在于，所述分类回归模块中对样本数据设置有标注信息，所述标注信息的内容包括车辆安全通过或车辆会发生碰撞。
9.根据权利要求8所述的一种铁路桥涵限高防碰撞监测预警系统，其特征在于，所述分类回归模块采用平均二分类交叉熵损失函数对限高预警初始模型进行训练和调优，具体公式如下所示：
10.一种铁路桥涵限高防碰撞监测预警方法，其特征在于，包括以下步骤：
...【技术特征摘要】
1.一种铁路桥涵限高防碰撞监测预警系统，其特征在于，包括：
2.根据权利要求1所述的一种铁路桥涵限高防碰撞监测预警系统，其特征在于，所述逆透视映射方法中的任意一个点和坐标系的转化公式如下所示：
3.根据权利要求1所述的一种铁路桥涵限高防碰撞监测预警系统，其特征在于，所述特征提取模块采用基于残差的卷积神经网络对目标车辆的正面图像信息进行局部特征提取和降采样，所述基于残差的卷积神经网络包括卷积层、池化层、归一化层和激活函数层。
4.根据权利要求3所述的一种铁路桥涵限高防碰撞监测预警系统，其特征在于，所述卷积层采用一组可学习的卷积核在目标车辆的正面图像中滑动，依次对图像的局部区域进行卷积运算，具体公式如下所示：
5.根据权利要求3所述的一种铁路桥涵限高防碰撞监测预警系统，其特征在于，所述池化层采用平均池化对卷积层输出的特征图进行压缩，...
【专利技术属性】
技术研发人员：赵天翔，蔡超，马雅林，徐建华，谢海清，罗星文，于贞波，丁嘉杰，黄毅，李嘉迪，王小兵，
申请(专利权)人：中铁二院工程集团有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。