基于5G的編組站咽喉區(qū)異常檢測系統(tǒng)

鐘 昊，柴金川，宗孝鵬

（1. 佳訊飛鴻智能科技研究院 人工智能應用技術(shù)研究所，北京 100044；2. 中國鐵道科學研究院集團有限公司 國家鐵道試驗中心，北京 100015）

鐵路編組站咽喉區(qū)的行車和調(diào)車作業(yè)尤為繁忙，且工務、電務和供電等專業(yè)在咽喉區(qū)施工作業(yè)也較為頻繁，會出現(xiàn)異物落入道岔后導致基本軌與尖軌無法密貼、施工作業(yè)結(jié)束后工器具遺留在現(xiàn)場、轉(zhuǎn)轍機在檢修完成后箱蓋未閉合或未完全固定等安全隱患，嚴重地威脅著行車安全。

目前，咽喉區(qū)安全檢測主要依靠人工巡檢，但因人工巡檢周期長，難以及時發(fā)現(xiàn)異常情況。保障咽喉區(qū)安全是提高鐵路編組站通過能力的前提和基礎，亟需采用新技術(shù)及時發(fā)現(xiàn)和消除安全隱患。

近年來，隨著人工智能技術(shù)的快速發(fā)展，基于智能視覺的鐵路巡檢技術(shù)已成為研究熱點，接觸網(wǎng)異常識別系統(tǒng)[1]、鋼軌表面缺陷檢測系統(tǒng)[2]、機房智能巡檢機器人系統(tǒng)[3]、軌旁設備異常檢測系統(tǒng)[4]、貨車故障動態(tài)圖像檢測系統(tǒng)[5]等智能檢測系統(tǒng)在鐵路各專業(yè)得到應用，極大地提升了鐵路巡檢作業(yè)效率，增強了鐵路安全保障能力。

《國鐵集團關(guān)于加快推進5G技術(shù)鐵路應用發(fā)展的實施意見》指出，加快推進第5代移動通信技術(shù)（5G） 應用，是推進新時代鐵路高質(zhì)量發(fā)展、實現(xiàn)交通強國、鐵路先行的重要領域和重要基礎，有利于提升鐵路服務品質(zhì)和效率效益。

為此，研究開發(fā)基于5G的編組站咽喉區(qū)異常檢測系統(tǒng)（簡稱：咽喉區(qū)異常檢測系統(tǒng)），借助5G網(wǎng)絡大帶寬、低時延、泛在連接的優(yōu)勢，利用監(jiān)控攝像頭對咽喉區(qū)關(guān)鍵點位定期巡檢，采用智能視覺技術(shù)，自動識別咽喉區(qū)異常情況并告警，推動鐵路業(yè)務模式創(chuàng)新，提升編組站咽喉區(qū)安全保障能力。

1 系統(tǒng)構(gòu)成與功能

1.1 系統(tǒng)構(gòu)成

編組站咽喉區(qū)異常檢測系統(tǒng)，如圖1所示。

圖1 編組站咽喉區(qū)異常檢測系統(tǒng)構(gòu)成

（1）圖像采集子系統(tǒng)：在編組站咽喉區(qū)關(guān)鍵部位安裝監(jiān)控攝像頭，巡回采集各個關(guān)鍵點的監(jiān)控視頻；目前利用運營商5G網(wǎng)絡（今后可利用鐵路5G-R專網(wǎng)），將視頻監(jiān)控數(shù)據(jù)發(fā)送給視頻分析子系統(tǒng)，實現(xiàn)咽喉區(qū)視頻監(jiān)控數(shù)據(jù)的接入、匯聚和集中管理。

（2）視頻分析子系統(tǒng)：完成視頻圖像智能分析，主要包括視頻監(jiān)控平臺、視頻分析服務器及數(shù)據(jù)存儲模塊等；其中，視頻監(jiān)控平臺實現(xiàn)攝像頭的統(tǒng)一接入與管理，通過標準協(xié)議，對前端攝像頭云臺進行控制；視頻分析服務器對采集的視頻數(shù)據(jù)進行智能分析，判斷是否存在異常情況，生成告警信息并發(fā)送給服務管理子系統(tǒng)。

視頻分析子系統(tǒng)軟件采用基于組件的多級流水線視頻處理技術(shù)[6]，實現(xiàn)視頻采集、解碼、預處理、合流、推理、告警、分流、渲染、編碼、輸出的流水線，多路視頻可以在流水線上并行處理，如圖2所示。

圖2 視頻分析子系統(tǒng)流水線

（3）服務管理子系統(tǒng)：提供系統(tǒng)服務管理功能，包括接口管理、配置管理、任務管理及狀態(tài)監(jiān)測模塊；其中，接口管理模塊定義了與既有的工電供生產(chǎn)管控系統(tǒng)（簡稱：生產(chǎn)管控系統(tǒng)）的HTTP數(shù)據(jù)傳輸接口，可將告警信息、關(guān)聯(lián)的異常圖像以及系統(tǒng)自身運行狀態(tài)上報給生產(chǎn)管控系統(tǒng)，并從生產(chǎn)管控系統(tǒng)接收系統(tǒng)管理指令；配置管理模塊可對分析服務進行配置，如接入攝像頭的地址、數(shù)據(jù)存儲路徑等；任務管理模塊提供巡檢周期、攝像頭預置位等參數(shù)設置功能，完成巡檢任務調(diào)度；狀態(tài)監(jiān)測模塊實時采集和記錄硬件及服務的運行狀態(tài)信息，如CPU溫度、磁盤剩余、GPU占用百分比等。

生產(chǎn)管控系統(tǒng)接收到告警信息后，推送到車站值班室監(jiān)控終端以及值班人員手持終端，指導異常處理工作，避免引發(fā)安全事故。同時，車站值班人員可在生產(chǎn)管控系統(tǒng)的監(jiān)控終端上，通過與服務管理子系統(tǒng)的數(shù)據(jù)接口，執(zhí)行狀態(tài)監(jiān)測、配置管理及任務管理等操作，實現(xiàn)對咽喉區(qū)異常檢測系統(tǒng)的監(jiān)測與控制。

1.2 系統(tǒng)功能

咽喉區(qū)異常檢測系統(tǒng)通過攝像頭采集咽喉區(qū)視頻數(shù)據(jù)，智能識別咽喉區(qū)異常情況，并將告警信息上傳給生產(chǎn)管控系統(tǒng)。

（1）定時巡檢：系統(tǒng)按照預定的時間間隔，定時控制攝像頭對準預置位，采集咽喉區(qū)各個關(guān)鍵點的視頻數(shù)據(jù)。

（2）道岔異物入侵檢測：道岔基本軌與尖軌之間存在較大縫隙，當異物（如列車通過時崩落的石塊）落入縫隙時，會導致基本軌與尖軌無法密貼，如圖3（a）所示；系統(tǒng)通過視頻智能分析，自動識別基本軌與尖軌密貼區(qū)域出現(xiàn)的異物。

（3）工器具遺留檢測：工務、電務和供電3個專業(yè)咽喉區(qū)施工作業(yè)較為頻繁，使用的工器具種類繁多，容易出現(xiàn)工器具遺留現(xiàn)象，如圖3（b）所示；通過視頻智能分析，自動識別軌道內(nèi)的工器具遺留異常。

（4）轉(zhuǎn)轍機箱蓋狀態(tài)檢測：轉(zhuǎn)轍機在檢修完成后，箱蓋（尤其是外箱蓋）未閉合或者未完全固定，容易危害行車安全，如圖3（c）所示；通過視頻智能分析，自動識別轉(zhuǎn)轍機箱蓋外觀異常，箱蓋是否完好和正常閉合。

圖3 安全隱患示意

（5）異常告警：識別出異常情況后，立即將告警信息上傳到生產(chǎn)管控系統(tǒng)，由生產(chǎn)管控系統(tǒng)將告警信息及異常圖像推送至車站值班室監(jiān)控終端和值班人員手持終端，指導相關(guān)人員及時到現(xiàn)場進行處理。

（6）運行狀態(tài)監(jiān)測：對異常檢測服務運行狀態(tài)及設備服務器資源進行監(jiān)測，查看服務運行是否正常，以及服務器的CPU、圖形處理器（GPU，Graphic Processing Unit）、網(wǎng)絡、磁盤等硬件信息。

（7）服務管理：對系統(tǒng)數(shù)據(jù)接口、配置參數(shù)及任務進行管理，實現(xiàn)與既有的生產(chǎn)管控系統(tǒng)對接，提供攝像頭分析任務管理及相關(guān)參數(shù)設置。

2 系統(tǒng)工作流程

基于機器學習的異常檢測主要方法：（1）無監(jiān)督學習方法，即利用手工設計特征[7]、特征表示[8]、模板匹配[9]和淺層機器學習等方法，實現(xiàn)單個缺陷或故障的檢測；（2）監(jiān)督學習方法，即利用標注好的故障圖像（包括類別、矩形框、像素等）對神經(jīng)網(wǎng)絡進行訓練，利用訓練好的神經(jīng)網(wǎng)絡模型來識別[10]。

在實際應用場景中，咽喉區(qū)異常檢測面臨著異常樣本數(shù)量極少，以及異常類別不固定、無法提前預知遺留物類別的難題。因此，咽喉區(qū)異常檢測采用無監(jiān)督學習方法進行異常檢測。

咽喉區(qū)異常檢測系統(tǒng)的工作流程如圖4所示。

圖4 系統(tǒng)工作流程

（1） 系統(tǒng)開始工作時，讀取攝像頭的巡檢參數(shù)（巡檢周期、預置位等），檢查各個攝像頭是否有到達設定巡檢周期的巡檢任務；

（2） 當某個攝像頭進入設定的巡檢周期時，系統(tǒng)控制該攝像頭云臺移動到第一個預置位，采集咽喉區(qū)指定位置的監(jiān)控視頻數(shù)據(jù)，并通過5G公網(wǎng)連接，將視頻數(shù)據(jù)傳輸給視頻分析子系統(tǒng)；

（3） 視頻分析服務器對每一幀圖像數(shù)據(jù)進行異常檢測，結(jié)合滑動窗口方法，判斷連續(xù)時間段內(nèi)是否存在異常；

（4） 檢測到異常時，向生產(chǎn)管控系統(tǒng)推送告警信息，提醒車站值班人員及時進行處理；

（5） 系統(tǒng)控制該攝像頭云臺移動到下一個預置位進行檢測，直至該攝像頭的所有預置位檢測完畢，結(jié)束該攝像頭的檢測；

（6） 檢查下一個攝像頭，重復上述（2）～（5）步驟，直至所有的攝像頭檢測完畢。

3 異常檢測算法

3.1 知識蒸餾

知識蒸餾是一種模型壓縮方法[11]，是一種基于“教師—學生思想”的訓練方式，即將一個訓練好的教師模型中所包含的知識蒸餾提取到學生模型中，如圖5所示。由于其簡單有效，已經(jīng)在工業(yè)界被廣泛應用。

圖5 知識蒸餾過程

將知識蒸餾方法應用于異常檢測的基本思路是：在正常樣本上，對于預先訓練好的教師模型和隨機初始化的學生模型進行知識蒸餾，使得學生模型的輸出去逼近教師模型的輸出，完成在正常樣本上的知識學習。因此，在正常樣本上，由學生模型預測得到的特征（embedding）與教師模型十分相似；當輸入異常樣本時，由于學生模型并未見過異常，學生模型預測得到的特征與教師模型相差較大，于是判斷輸入圖像為異常。

3.2 基于特征匹配的異常檢測算法

師生特征金字塔匹配（STPM，Student-Teacher Feature Pyramid Matching）算法[12]，是一個基于知識蒸餾的異常檢測框架，如圖6所示。

圖6 師生特征金字塔匹配網(wǎng)絡結(jié)構(gòu)

使用大規(guī)模數(shù)據(jù)集的預訓練模型作為教師模型，訓練階段將教師經(jīng)驗提煉到具有相同結(jié)構(gòu)的學生模型。采用特征金字塔結(jié)構(gòu)，將多尺度大小的特征圖進行融合，可以提高小目標的檢測性能。

在訓練階段，使用正常數(shù)據(jù)，即無異常的圖片進行訓練，學生模型學習到正常數(shù)據(jù)集的分布。在測試階段，當輸入為正常數(shù)據(jù)時，學生模型與教師模型的特征分布相近，特征圖差異較小，異常值得分較低，歸類為正常數(shù)據(jù)；當輸入為異常數(shù)據(jù)時，由于學生模型沒有學習過異常數(shù)據(jù)的分布情況，與教師模型的特征圖差異較大，異常值得分較高，歸類為異常結(jié)果。

在異常檢測算法驗證階段，使用異常圖像進行測試，如圖7（a）所示，圖片中存在工器具遺留異常，對應的人工標注的工器具位置如圖7（b）所示；使用訓練階段得到的異物檢測算法模型，對輸入圖像進行檢測，檢測結(jié)果如圖7（c）所示。

圖7 異常檢測算法檢測效果

3.3 檢測結(jié)果異常判定方法

為了消除由干擾因素造成的誤報，采用滑動窗口算法確定最終結(jié)果[13]。滑動窗口算法的參數(shù)包括滑動窗口長度L、滑動步長S及滑動閾值百分比；滑動閾值百分比的含義為，在長度為L滑動窗口中，異常結(jié)果次數(shù)超過閾值比例后，判定該時刻結(jié)果為異常。

如圖8所示，設置滑動窗口長度L為3，滑動步長S為2，即選取3個連續(xù)時刻的檢測結(jié)果進行最終判斷。對于連續(xù)時間段內(nèi)的檢測結(jié)果序列，N表示此時刻未檢測到異常，Y表示此時刻檢測出異常。

圖8 滑動窗口示意

在T=0時刻，滑動窗口內(nèi)3次檢測結(jié)果均為N，則判斷T=0時刻沒有異常；在T=1時刻，滑動窗口內(nèi)有1次檢測結(jié)果為Y，而其余2次結(jié)果為N，1次檢測結(jié)果為Y可能由誤檢造成，因而判斷T=1時刻沒有異常；在T=2時刻，滑動窗口內(nèi)有2次檢測結(jié)果為Y，1次檢測結(jié)果為N，則判斷T=2時刻出現(xiàn)了異常。

3.4 算法特點

與傳統(tǒng)異常檢測算法相比，采用無監(jiān)督學習算法無需采集負樣本（即異常情況的圖像），通過對正樣本數(shù)據(jù)進行自動特征提取，即可識別除正常情況之外的異常，提高異常識別的檢出率。在正常樣本數(shù)據(jù)足夠多樣的情況下，該算法可以有效適應光線及天氣等環(huán)境變化情況。同時，可通過多個場景圖像的混合訓練，提高模型泛化能力。

傳統(tǒng)異常檢測算法需手動設計特征提取方法，對形狀輪廓、色彩空間等特征進行異常分析。本文提出的異常檢測算法，通過神經(jīng)網(wǎng)絡自動提取圖像特征，特征提取更為多樣，有利于提高異常檢測的準確率。

4 測試驗證及應用中發(fā)現(xiàn)的主要問題

4.1 測試環(huán)境與樣本數(shù)據(jù)獲取

在懷化西編組站進行系統(tǒng)部署及測試，該編組站具備中國移動5G公網(wǎng)覆蓋，項目使用的頻段范圍為2515 MHz～2615 MHz，頻率帶寬共100 MHz。

在咽喉區(qū)內(nèi)道岔的基本軌、尖軌、密貼區(qū)和轉(zhuǎn)轍機等關(guān)鍵點安裝超高清4K球機攝像頭，支持30倍光學變焦，通過5G公網(wǎng)接入視頻分析子系統(tǒng)。

由于攝像頭采集的圖像會受光線變化影響，同一位置的圖像在不同時刻、不同天氣條件下也存在差異。為保證檢測模型的魯棒性，設置3個攝像頭采集15個預置位的圖像數(shù)據(jù)，每隔5 min采集一組無異常的圖像，連續(xù)采集7天，從而獲取到不同時間段、不同光線條件、不同天氣的樣本數(shù)據(jù)，用于模型訓練。

4.2 測試結(jié)果

對攝像頭預置位進行異常模擬測試，分別在道岔密貼區(qū)放置石塊，在軌道內(nèi)放置工具，打開轉(zhuǎn)轍機的箱蓋。部分預置位的檢測結(jié)果如圖9所示，左側(cè)為輸入圖片，右側(cè)為檢測結(jié)果圖，以熱力圖表示異常的分值，紅色矩形框表示異常區(qū)域。

圖9 異常檢測結(jié)果示例

當圖像中存在工器具、轉(zhuǎn)轍機箱蓋未閉合等異常時，均可由該系統(tǒng)正確地檢測出來。

4.3 應用中發(fā)現(xiàn)的主要問題

在系統(tǒng)應用過程中發(fā)現(xiàn)：（1）視頻傳輸過程中偶爾會出現(xiàn)丟幀花屏現(xiàn)象（如圖10所示），異常檢測算法會將其識別為異常，從而產(chǎn)生誤報；（2）攝像頭夜間采用紅外補光，輸出灰度圖像，大大降低了異常識別的準確度。

圖10 花屏產(chǎn)生誤報

5 結(jié)束語

本文針對編組站咽喉區(qū)存在的道岔異物入侵、工器具遺留等安全風險，研究開發(fā)了基于5G的編組站咽喉區(qū)異常檢測系統(tǒng)。借助現(xiàn)有的運營商5G網(wǎng)絡，實現(xiàn)了咽喉區(qū)視頻監(jiān)控數(shù)據(jù)的采集；運用知識蒸餾技術(shù)，采用無監(jiān)督學習算法框架，實現(xiàn)咽喉區(qū)非確定性異常識別和定位功能。異常檢測算法具有通用性和泛化能力，可適應不同道岔場景，不受光線、陰影、環(huán)境變化影響，具有精度高、泛化能力強、魯棒性好的特點，在現(xiàn)場測試驗證過程中取得較為滿意的效果。

后續(xù)將針對現(xiàn)有問題，重點研究解決花屏現(xiàn)象的識別和預防問題，降低誤報率；同時，通過物理補光和優(yōu)化異常檢測算法，提高系統(tǒng)在夜間的異常識別能力。