嵌入式無線貨車裝載狀態高清檢測系統方案研究

郄曉永

（中國鐵路鄭州局集團有限公司 總工程師室，鄭州 450052）

鐵路貨車的貨物裝載和加固是保證行車安全和貨物安全的重要措施，也是鐵路各級貨運管理部門的重點工作，具有安全要求高、技術難度大等特點[1-3]。為確保鐵路貨車運營安全，提高鐵路貨運服務質量，采用自動化、信息化、智能化系統對鐵路貨車裝載狀態進行自動檢測和智能識別具有重要的實際意義和應用價值。

鐵路貨車裝載狀態檢測系統采用了計算機、自動控制、網絡傳輸及相機自動曝光等技術，由現場圖像采集系統、控制中心系統組成，采用4臺2 K高速線陣工業相機分別從左側、右側、左側頂部、右側頂部高速掃描列車[4]，高清圖像和貨車信息通過光纖傳輸至車站控制中心。車站控制中心對采集的圖像進行實時預覽、壓縮、存儲，為運營分析、事故排查等工作提供高清晰圖像依據。貨檢員可以在車站監控中心對貨車狀態進行查看、分析，減輕了工作量，提高了貨檢作業的安全性和工作效率[5]。

目前，系統存在的主要問題如下：

（1）線陣相機通過光纖遠程接入工控機進行數據采集，對傳輸網絡、千兆網卡要求比較高；存在傳輸不穩定，丟幀、錯幀現象。

（2）對工控機配置要求較高，單臺工控機只能接入2臺線陣相機。

（3）對采集到原始標準圖像文件格式（BMP）只能進行軟件壓縮，速度較慢。

（4）現場設備與中心設備只能通過光纖通信，施工難度和成本過高。

（5）無法做到實時圖像識別。

通過采用嵌入式采集、處理板代替工控機進行圖像采集、壓縮；采用通用并行計算架構（CUDA）技術進行圖像識別、分析；采用前端采集、分析、壓縮、存儲技術替代現有的中心集控策略；采用無線傳輸技術替代現有的光纖傳輸方式等可以顯著解決目前存在的問題和不足[6]。

為此，本文設計了基于嵌入式技術和無線通信技術的鐵路貨車裝載狀態高清檢測系統。系統采用高性能嵌入式處理板完成現場圖像的采集與智能識別，并將結果通過無線網絡傳輸至控制中心，為各級貨運管理部門和作業部門提供清晰、直觀的貨車裝載信息。

1 架構設計

1.1 總體架構

根據鐵路貨車狀態檢測系統的現狀分析、新一代系統的設計方案和實際業務需求，結合未來信息化系統的發展方向，進行總體架構設計。總體架構分為4層，數據采集層、網絡傳輸層、業務應用層和智能分析層，如圖1所示。

圖1 系統總體架構

（1）數據采集層由線掃圖像采集及處理子系統、車速采集子系統、車號采集子系統和數據處理設備等組成，完成現場各類數據的實時采集、信息匹配、預處理等功能。未來考慮增加綜合視頻監控、北斗導航定位、激光測量、射頻識別等技術手段，豐富數據采集維度，提高數據采集精度，為綜合分析、智能挖掘提供數據基礎[7]。

（2）網絡傳輸層由無線傳輸子系統組成，為數據采集層至業務應用層提供數據傳輸通道。采用兩對5.8 G無線網橋搭建無線傳輸通道，將現場數據采集和數據處理系統與車站控制中心系統連通。

（3）數據融合層由車站控制中心系統及上層業務系統組成，主要業務應用包括對貨車裝載狀態檢測信息等相關領域系統數據的實時展示、靈活查詢、自助分析等。同時結合信息新技術，融合相關生產領域業務知識，通過邏輯推理來幫助解決復雜性、綜合性業務決策問題。

（4）業務應用層主要基于大數據、人工智能、北斗等服務平臺以及各專業的生產應用系統，運用數據挖掘、交互分析、機器學習、時空感知等技術，進行數據分析和數據挖掘，探索數據新價值、發現系統新問題、呈現業務新規則，深度賦能鐵路運輸生產。

1.2 系統功能

系統由線掃圖像采集及處理子系統、車速采集子系統、車號采集子系統、無線傳輸子系統及車站控制中心子系統等5部分組成[8-9]。

1.2.1 線掃圖像采集及處理子系統

線掃圖像采集設備布置，如圖2所示。

該子系統有3個采集箱及控制柜組成，包含線陣相機、采集控制板、光源及處理板，當列車通過時拍攝列車左右兩側及頂部信息，獲取高清圖像信息并進行相關處理，其工作流程如下：

（1）當檢測到列車接近時，啟動線陣相機，并根據此刻環境光照度實時調整線陣相機的曝光時間參數；

（2）依據“車速采集子系統”獲取的列車速度實時調整線陣相機的掃描頻率，以獲取完成的車廂高清圖像；

（3）依據“車號采集子系統”實時對采集的車廂圖像進行智能分析，并將原始圖像進行深度壓縮；

（4）列車完全通過后將處理過的圖像及時傳輸至現場主控板卡。

1.2.2 車速采集子系統

該子系統由測速處理板及測速磁鋼組兩部分組成，當列車通過測速磁鋼組時，測速處理板實時計算列車運行速度，同時生成線陣相機掃描頻率及列車分節信息并上傳至線掃圖像采集及處理子系統。

圖2 線掃圖像采集設備布置圖

1.2.3 車號采集子系統

該子系統由車號識別主機、天線以及磁鋼組等3部分組成，列車經過開機磁鋼組，啟動車號識別主機獲取車號信息，并通過CAN總線傳送車號信息至線掃圖像采集及處理子系統，當列車通過關機磁鋼后，結束車號數據的采集。

1.2.4 無線傳輸子系統

該子系統由兩對5.8 G的無線網橋組成，分別傳輸高清圖像及輔助信息至車站服務器。

1.2.5 車站控制中心子系統

該子系統主要由存儲服務器、交換機、防火墻及查詢管理機等部分組成，負責存儲采集到的高清圖像并提供數據查詢、檢索及瀏覽功能。

系統的數據流，如圖3所示。

圖3 系統數據流圖

1.3 物理架構

從物理架構上，系統可劃分為兩部分：現場設備和中心設備。

現場設備主要完成數據采集、圖像識別、圖像壓縮等功能。現場設備主要由線掃圖像采集及處理子系統設備和無線傳輸系統設備構成，包括：線陣相機、嵌入式處理板、無線網橋等。

現場采用3臺2 K高速線陣相機分別從左側、右側、頂部高速掃描列車，并通過嵌入式處理板卡對獲取的圖像信息進行識別、壓縮，將處理后的信息實時傳輸至現場主控板卡；主控板卡將處理后的圖像及相關車速、車號信息通過兩路無線網橋傳輸到車站服務器。系統布局示意圖，如圖4所示。

圖4 貨車裝載狀態檢測系統布局示意圖

中心設備主要完成數據存儲、數據查詢、應用分析等功能。中心設備主要由車站控制中心子系統設備和無線傳輸系統設備構成，包括：車站服務器、工作站、無線網橋等。

系統物理架構，如圖5所示。

2 系統關鍵技術

2.1 嵌入式平臺

嵌入式系統一般包括軟件和硬件兩個部分，其中嵌入式處理器、存儲器和外部設備構成整個系統的硬件基礎。嵌入式系統的軟件部分可以分為3個層次，分別是系統軟件、支撐軟件和應用軟件[10]。

線掃圖像采集及處理子系統的嵌入式硬件設計采用嵌入式人工智能超級計算平臺—Jetson TX2。基于 NVIDIA Pascal? 架構的Jetson TX2具有性能強大、外形小巧、節能高效等特點，特別適合機器人、無人機和智能攝像機等智能終端設備。

圖5 系統物理架構

Jetson TX2預裝了 Ubuntu 16.04 作為系統軟件。

Jetson Development Pack（JetPack）是一個按需提供的一體化軟件包，捆綁并安裝了適用于 NVIDIA Jetson 嵌入式平臺的所有開發軟件工具。

Jetpack為人工智能提供了一整套軟件架構，包括代碼示例、NSight開發工具和豐富的多媒體API，可以對底層硬件進行很好的支持。JetPack 適用于以下功能的工具。

（1）深度學習：TensorRT、cuDNN、NVIDIA DIGITSTM工作流程；

（2）計算機視覺：NVIDIA VisionWorks、Open-CV；

（3） 圖 形 處 理 器（GPU） 計 算 ：NVIDIA CUDA、CUDA 庫 ；

（4）多媒體：圖像信號處理（ISP） 支持、攝像頭圖像、視頻編譯碼器（CODEC）。

同時，它還包括 ROS 兼容性、OpenGL、高級開發者工具等。

2.2 CUDA技術及開發方法

基于Jetson TX2開發的線掃圖像采集及處理子系統，支持CUDA并行計算架構編程，利用Jetson TX2提供的CUDA（Compute Unified Device Architecture）開發庫實現了實時、快速圖像解析及預處理。

尺度不變特征變換（SIFT）是一種針對噪聲光照變化不敏感、具有較好可靠性的優秀圖像局部特征描述算法，在圖像識別、圖像配準等領域有著廣泛的應用。然而，SIFT算法的復雜度較大，在基于CPU的計算過程耗時較長，無法滿足實時性要求高的場合。基于CUDA思想，可以重新設計SIFT算法的實現方案，解決實時性的并行運算問題[11]。

2.3 深度學習技術

深度學習是機器學習中一種基于對數據進行表征學習的方法，其動機在于建立、模擬人腦進行分析學習的神經網絡，模仿人腦的機制來解釋數據，例如：圖像、聲音和文本。

車站控制中心子系統的應用分析模塊針對現場采集的圖片，利用CNN、RNN等深度神經網絡結構、代替傳統手動提取特征方法[5]，結合GPU高性能算力資源，可以為鐵路貨運貨檢業務場景提供圖像分類、目標檢測、語義分割、場景描述等功能。

將深度學習技術應用于圖像處理，可以使用卷積神經網絡（CNN，Convolutional Neural Networks）訓練圖像的深度學習模型，提取圖像的深度學習特征并且構建成數據庫，最后通過支持向量機（SVM）對特征進行分類識別，具體的主要步驟如下。

（1）采集和擴充圖像數據集：對有限的圖像進行預處理，對圖像的樣本進行擴充；

（2）設計卷積神經網絡：在現有的VGG-16模型的基礎上利用卷積層代替全連接層構建；

（3）訓練卷積神經網絡：采用反向傳播算法和隨機梯度下降方法，根據前向傳播的loss值的大小，來進行反向傳播迭代更新每一層的權重，直到模型的loss值趨向于收斂時，停止訓練模型，得到深度學習模型；

（4）提取圖像的特征：將數據集中的每一幅圖像輸入到步驟3所述的深度學習模型中，針對輸入的圖像，在圖像的倒數第2層全卷積層提取深度學習特征；

（5）識別圖像：對于給定任意一幅待識別的圖像，輸入到訓練好的深度學習模型中，提取樣本的深度學習特征，通過兩次訓練的方法來有效的判別該圖像屬于哪個類別。

3 結束語

本文研究了基于嵌入式技術、無線通信技術、信息新技術的鐵路貨車裝載狀態高清檢測系統設計方案。方案采用高性能嵌入式處理板進行現場圖像的采集與智能識別，并將結果通過無線網絡傳輸至控制中心，為各級貨運管理部門和作業部門提供清晰、直觀的貨車裝載信息。

系統設計方案從設計層面提供了解決原有系統部署實施周期長、難度大、成本高等問題的思路。

下一步的研究內容是依據系統設計方案進行系統搭建，選擇合適的貨站進行系統部署、測試。通過系統實施驗證本設計方案的可行性和適用性。