(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211147697.6 (22)申请日 2022.09.21 (71)申请人 辽宁鼎汉奇辉电子系统工程有限公 司 地址 110000 辽宁省沈阳市铁西区北一西 路52甲号(10 01) (72)发明人 范伟　李正倩　陈兴来　王健　 向志超　冯国东　石岩　郭子双　 赫一光　王海林　 (74)专利代理 机构 沈阳晨创科技专利代理有限 责任公司 210 01 专利代理师 张晨 (51)Int.Cl. B61L 25/04(2006.01) B61L 23/00(2006.01)B61L 1/16(2006.01) B61L 15/00(2006.01) G06V 20/54(2022.01) G06V 10/75(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 17/00(2006.01) G08B 21/18(2006.01) (54)发明名称 一种驼峰溜放车辆智能预检报警系统 (57)摘要 一种驼峰溜放车辆智能预检报警系统， 包 括： 图像处理方法、 深度学习方法、 图像智能分 析、 大数据、 自动化运用到驼峰溜放防护领域， 利 用图像方法、 深度学习方法、 图像智 能分析的方 法， 对驼峰溜放车辆车低进行实时监控， 采集车 低视频内容进行分析， 判断视频中目标形态变 化， 并通过设置的条件和规则， 识别出多种车辆 的制动抱闸， 计算出活塞杆伸出长度， 判断是否 超过设定阈值， 从而实现对潜在风险的预警、 判 断。 本发明的优点： 用于铁路货车车底全 景检测、 预警的方法， 采集即将驼峰溜放的货车的车底图 像信息， 从而实现对潜在风险的预警、 预判； 通过 设置的条件和规则， 计算出鞲鞴杆伸出长度， 结 合设定阈值判断预警车辆， 识别出铁路货车的制 动抱闸。 权利要求书1页 说明书4页 附图3页 CN 115402381 A 2022.11.29 CN 115402381 A 1.一种驼峰溜放车辆智能预检报警系统， 其特征在于： 包括： 图像处理方法、 深度学习 方法、 图像智能分析、 大数据、 自动化运用到驼峰溜放防护领域， 利用图像方法、 深度学习方 法、 图像智能分析的方法， 对驼峰溜放车辆车低进行实时监控， 采集车低视频内容进行分 析， 判断视频中目标形态变化， 并通过设置的条件和规则， 识别出多种 车辆的制动抱闸， 计 算出活塞杆伸出长度， 判断是否超过设定阈值， 从而实现对潜在风险的预警、 判断。 2.根据权利要求1所述的一种驼峰溜放车辆智能预检报 警系统， 其特征在于： 采用磁钢 传感器识别 火车来车识别单元， 来车识别单元 由安装在轨道上的单路计轴磁钢构成， 磁钢 触发电信号， 发送至逻辑控制单元， 逻辑控制单元确认火车开始溜放， 开启箱体盖并启动视 频采集单 元并启动图像识别服 务识别异常车辆 。 3.根据权利要求1所述的驼峰溜放车辆智能预检报 警系统， 其特征在于： 列 车测速是由 测速磁钢实现， 能够适应车速范围为0 ‑300km/h。 4.根据权利要求1所述的驼峰溜放车辆智能预检报 警系统， 其特征还在于： 图像智能识 别方法包括智能分析单元： 智能分析单元 由智能识别服务器和智能识别算法构成， 通过深 度学习构建识别模型， 对相机回传视频流解析， 识别车低闸缸伸出长度， 与预值对比确认是 否为抱闸状态。 5.根据权利要求1所述的驼峰溜放车辆智能预检报 警系统， 其特征还在于： 在系统核心 方法图像智能识别方面， 采用基于CNN卷积神经网络的车型识别算法模 型、 基于传统机器学 习的列车部件定位算法模型、 基于目标检测深度神经网络的细节部件识别及异常判定算法 模型， 算法采用GPU加速， 并优化CNN网络结构， 对项点具有针对性计算， 并采用TensorRT框 架进行网络推理加速， 相对于传统网络推理加速， 效率可提升3倍以上； 在部署架构上， 使用 异步方式， 对服务器设计位自动均衡负载的结构， 充分利用服务器硬件资源， 从而起到加速 检测识别的效果； 很好的解决了检测识别率、 检测项点覆盖率、 检测效率和硬件资源之 间的 关系， 使得基于深度学习方法的列车图像识别功能能够在行业内得到应用和推广成为可 能。 6.根据权利要求1所述的驼峰溜放车辆智能预检报 警系统， 其特征在于： 通过建立学习 模型， 运用深度学习算法， 实现对现场采集的实时的过车图像对检测目标特征进行标记和 训练， 在学习中找出特征和标记之间的映射关系； 通过标记 不断的纠正学习中的偏差， 使 学 习的预测率不断提高， 可以实现在动态推峰作业过程中， 实现对于目标鞲鞴杆的实时检测， 通过智能算法与管控平台、 控制系统的联动实现驼峰现场和调度室的实时预警。 7.根据权利要求1所述的驼峰溜放车辆智能预检报 警系统， 其特征在于： 驼峰溜放车辆 智能预检报警系统的硬件结构， 左箱 （1） 设置在左侧， 主箱 （2） 设置在中间， 右箱 （3） 设置在 右侧， 连接板 （13） 为箱体之间的连接板， 沉箱盖 （9） 为顶部沉箱盖结构， 弹簧锁扣 （10） 为与 左箱 （1） 、 主箱 （2） 和右箱 （3） 的连接固定件； 电机 （7） 与电机齿轮 （8） 进行连接并通过齿轮组 （11） 传输动力， 实现沉箱盖 （9） 的开启与关闭， 到位开关 （12） 能限定沉箱盖 （9） 开启与关闭 的位置， 沉箱盖 （9） 安装在滑道 （14） 上， 能沿滑道 （14） 移动， 箱体上均设置有补光灯 （4） 、 摄 像头 （5） 和温湿度传感器 （6） 。权　利　要　求　书 1/1 页 2 CN 115402381 A 2一种驼峰溜放车辆智能预检报警系统 技术领域 [0001]本发明涉及铁路驼峰溜放领域， 尤其涉及一种驼峰溜放车辆智能预检报警系统。 背景技术 [0002]在铁路编组场， 驼峰溜放车辆 的途停严重危害着驼峰作业的安全， 它不仅对运输 效率造成影响， 需要机车下峰顶量， 延误了作业时间， 而且存在着极大的安全隐患， 待溜放 车辆出现抱闸， 副风缸冲风的情况多有发生。 因此， 动态检测车辆抱闸情况并对问题车辆进 行预警， 对于保证生产安全具有很 重要的现实意 义。 发明内容 [0003]本发明针对以上问题提出， 用于驼峰溜放车辆智能预检报警系统。 系统通过深度 学习方法、 远程控制、 语音报警、 视频方法、 智能分析方法等集 成与应用， 实现对于鞲鞴杆的 实时检测。 [0004]本发明提供了一种驼峰溜放车辆智能预检报警系统， 其特征在于： 包括： 图像处理 方法、 深度学习方法、 图像智能分析、 大数据、 自动化运用到驼峰溜放防护领域， 利用图像方 法、 深度学习 方法、 图像智能分析的方法， 对驼峰溜放车辆车低进行实时监控， 采集车低视 频内容进 行分析， 判断视频中目标形态变化， 并通过设置的条件和规则， 识别出多种车辆的 制动抱闸， 计算出活塞杆伸出长度， 判断是否超过设定阈值， 从而实现对潜在风险的预警、 判断。 [0005]采用磁钢传感器识别火车来车识别单元， 来车识别单元由安装在轨道上的单路计 轴磁钢构成， 磁钢触发电信号， 发送至逻辑控制单元， 逻辑控制单元确认火车开始溜放， 开 启箱体盖并启动视频采集单 元并启动图像识别服 务识别异常车辆 。 [0006]列车测速是由测速磁钢实现， 能够适应车速范围为0 ‑300km/h， 有效的识别了车辆 运行状态。 [0007]图像智能识别方法包括智能分析单元： 智能分析单元由智能识别服务器和智能识 别算法构成， 通过深度学习构建识别模型， 对相机回传视频流解析， 识别车低闸缸伸出长 度， 与预值对比确认是否为抱闸状态。 [0008]在系统核心方法图像智能识别方面， 采用基于CNN卷积神经网络的车型识别算法 模型、 基于传统机器学习(SVM)的列车部件定位算法模型、 基于目标检测深度神经网络的细 节部件识别及异常判定算法模 型， 算法采用GPU加速， 并优化CNN网络结构， 对项点具有针对 性计算， 并采用TensorRT框架进行网络推理加速， 相对于传统网络推理加速， 效率可提升3 倍以上； 在部署架构上， 使用异步方式， 对服务器设计位自动均衡负载的结构， 充分利用服 务器硬件资源， 从而起到加速检测识别的效果。 很好的解决了检测识别率、 检测项点覆盖 率、 检测效率和硬件资源之间的关系， 使得基于深度学习方法的列车图像识别功能能够在 行业内得到应用和推广成为可能。 [0009]通过建立学习模型， 运用深度学习算法， 实现对现场采集的实时的过车 图像对检说　明　书 1/4 页 3 CN 115402381 A 3