面向軌道智能交通大學(xué)生創(chuàng)新訓(xùn)練實踐教學(xué)平臺設(shè)計

葉 濤， 鄭志康， 郝天成， 徐欣宇， 李東圣

（中國礦業(yè)大學(xué)（北京）機械與電氣工程學(xué)院，北京 100083）

0 引 言

大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項目（以下簡稱大創(chuàng)項目）是國家為了增強高校大學(xué)生的創(chuàng)新能力，培養(yǎng)適應(yīng)創(chuàng)新型國家建設(shè)需求的高水平創(chuàng)新人才而設(shè)立的項目［1］。在此過程中，大學(xué)生在導(dǎo)師指導(dǎo)下，獨立自主完成創(chuàng)新性項目設(shè)計、實驗條件準備、項目實施和研究報告撰寫等工作。大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項目要求做到多學(xué)科理論與實踐相結(jié)合、經(jīng)驗與創(chuàng)新相結(jié)合、模型設(shè)計與樣機實驗相結(jié)合，故實踐創(chuàng)新環(huán)節(jié)是教學(xué)過程非常重要的一個環(huán)節(jié)。然而，在現(xiàn)有實踐實驗過程中，教師主要強調(diào)專業(yè)理論知識教學(xué)，弱化了真正意義上的實踐與理論相結(jié)合的教學(xué)模式；與此同時，現(xiàn)有的項目分工模式存在工作上的串聯(lián)問題，使得最后各部分工作難以串聯(lián)形成一個整體，導(dǎo)致團隊通力協(xié)作能力難以得到充分鍛煉。上述因素影響了學(xué)生對科研創(chuàng)新的興趣和熱情，進而導(dǎo)致無法圓滿完成創(chuàng)新創(chuàng)業(yè)的基本工作要求。

鐵路運輸業(yè)是國民經(jīng)濟的支柱產(chǎn)業(yè)，在軌道交通運輸體系中居骨干地位，對國民經(jīng)濟發(fā)展起著強有力的支撐作用，截至2022 年12 月，中國的鐵路線路長達15.50 萬km，同時，超長的鐵路線路帶來維護時人力物力的大量消耗。在鐵路運輸系統(tǒng)中，安全運行是確保列車平穩(wěn)和持續(xù)運行的基礎(chǔ)［2-3］。隨著軌道交通的飛速發(fā)展，列車運行速度越來越快，列車駕駛員通過人眼觀察列車前方路況，基于主觀判斷危險的存在，由于主觀誤判與視覺疲勞等因素，容易發(fā)生列車撞擊異物或追尾等重大交通事故［4］。鐵路沿線的軌道異物入侵導(dǎo)致的軌道交通事故尤為嚴重，軌道異物入侵是指在列車前向軌道上所有會造成行車安全隱患的障礙物，如落石、遺留在鐵路上的工具、滯留在軌道上的工作人員等。異物入侵事件具有突發(fā)性和不可預(yù)測性，一旦發(fā)生軌道交通事故，救援難度極大，尤其在地下和偏遠地區(qū)。為保證列車行車安全，應(yīng)加強對應(yīng)急事件的檢測與處理，對列車運行環(huán)境的進行實時智能檢測，實現(xiàn)異物入侵的報警。因此，對軌道侵入異物進行快速準確檢測的系統(tǒng)性研究尤為重要。

為此，項目組織了以5 名機械工程專業(yè)本科生和1 位指導(dǎo)教師為主的大創(chuàng)實踐團隊，以“軌道異物入侵視覺檢測系統(tǒng)”的大創(chuàng)教學(xué)實踐教學(xué)平臺設(shè)計為目標，研究并開發(fā)了一種智能軌道異物入侵自主檢測系統(tǒng)，主要包括小型智能軌道異物入侵檢測物理樣機的研制和基于深度學(xué)習(xí)的高效軌道異物入侵檢測方法開發(fā)。通過上述大創(chuàng)實踐教學(xué)平臺的研制開發(fā)，旨在提升學(xué)生對機械結(jié)構(gòu)設(shè)計和人工智能技術(shù)等交叉學(xué)科知識的理解和實際應(yīng)用能力，以及增強大創(chuàng)成員的創(chuàng)新實踐思維。

1 實踐教學(xué)平臺設(shè)計

1.1 智能化軌道異物入侵自主檢測系統(tǒng)設(shè)計

本文開發(fā)了一種智能軌道異物入侵自主檢測系統(tǒng)，如圖1 所示。軌道異物入侵自主檢測系統(tǒng)主要由軟硬件組成，軟件包括軌道異物入侵檢測算法和預(yù)警提示算法；硬件主要包括小型智能軌道異物入侵檢測物理樣機。其中，小型智能軌道異物入侵檢測物理樣機利用星光相機采集列車前向的環(huán)境信息，而星光相機在夜間低照度條件下可自適應(yīng)提升捕獲圖像的質(zhì)量，為后續(xù)目標檢測任務(wù)提供良好的視覺條件。軌道異物入侵檢測算法以高性能嵌入式設(shè)備Jetson Xavier NX［5］為計算模塊，在保證模型實時性的同時對檢測模型進行移植部署并執(zhí)行實時檢測任務(wù)。預(yù)警提示算法處理上述檢測信息并結(jié)合多幀累計檢測以決定是否預(yù)警，包括語音報警和顯示報警，列車駕駛員結(jié)合預(yù)警信息實現(xiàn)列車制動，進而保證列車安全運行。本文主要以智能軌道異物入侵自主檢測系統(tǒng)的物理樣機研制和檢測算法設(shè)計為重點，實現(xiàn)在實際軌道環(huán)境中高精度實時軌道入侵異物檢測，使學(xué)生能夠理解并掌握理論高度結(jié)合實踐的過程，提升對大創(chuàng)項目實踐的熱情。

圖1 智能化軌道異物入侵自主檢測系統(tǒng)

智能軌道異物入侵自主檢測系統(tǒng)具體工作步驟如下：

（1）小型智能化軌道異物檢測系統(tǒng)由圖像采集層、圖像智能處理層和決策層三部分組成。其中圖像采集系統(tǒng)中的星光相機與報警器連接圖像信息處理系統(tǒng)中的處理器。

（2）軌道異物入侵檢測模型移植部署到處理器平臺并調(diào)整運行參數(shù)。

（3）星光相機負責(zé)圖像的采集任務(wù)，并將采集的數(shù)據(jù)傳入圖像信息處理系統(tǒng)。

（4）圖像信息處理系統(tǒng)對星光相機采集到的數(shù)據(jù)進行實時分析，對出現(xiàn)的軌道侵入物進行高精度識別并做出正確決策。

（5）當列車運行前方軌道出現(xiàn)侵入物時，報警器自動報警，提醒列車駕駛員進行相應(yīng)的處置操作。當侵入物消失后，系統(tǒng)自動恢復(fù)到正常模式。

1.2 軌道異物入侵檢測物理樣機研制

以機械設(shè)計和機械原理等所學(xué)專業(yè)核心知識為基礎(chǔ)，自主設(shè)計了智能軌道異物入侵檢測物理樣機，其二維平面和實物結(jié)構(gòu)圖如圖2 所示。軌道異物入侵檢測物理樣機集成了高性能Jetson Xavier NX處理器、星光相機FCB-EV9500L、電源、變壓器和語音報警器等硬件。樣機具有小體積和低能耗的特點，長寬高分別為28、22、10 cm，最大功耗僅為30 W。樣機箱體及前后端蓋由鋁合金板材經(jīng)切割折彎等機械加工而成，重量輕且耐腐蝕。前端蓋橫向并排相機口和報警器出音口，相機鏡頭蓋與前端蓋相連以保護相機鏡頭安全及減少鏡頭受污漬污染。箱體前部分別通過連接減震支架安裝了相機、處理器和語音報警器。箱體的后半部分安裝了電源及變壓器并進行了絕緣處理，避免發(fā)生漏電事故。后側(cè)箱體壁設(shè)計了風(fēng)扇散熱出風(fēng)口。箱體底部四角安裝了地腳螺栓可以自由調(diào)節(jié)樣機的高度及角度。為了培養(yǎng)學(xué)生良好的機械設(shè)計思維，軌道異物入侵檢測物理樣機采用現(xiàn)代機械設(shè)計方法的模塊化設(shè)計理念，樣機整體設(shè)計簡潔美觀、元器件安裝便捷，設(shè)備硬件調(diào)試便捷。

圖2 智能化軌道異物入侵檢測樣機結(jié)構(gòu)圖

軌道異物入侵檢測樣機主要由處理器、星光相機、語音報警器和開關(guān)電源等硬件組成，其中硬件體積偏小，適合在小型相機中高度集成，主要硬件選型及結(jié)構(gòu)如圖3 所示。

圖3 樣機主要硬件實物

Jetson Xavier NX 是一種基于NAVID VOLTATM架構(gòu)的AI超級處理器，配備21TPOS 的運算能力和1.9 GHz的主頻。處理器實物圖如圖3（a）所示，其具有體積小性能優(yōu)、計算力強、應(yīng)用廣等特點，對設(shè)計小型化智能異物入侵檢測樣機極為有利，作為邊緣設(shè)備也為后續(xù)檢測算法提供了強大的算力支撐。

列車在運行過程中，大多數(shù)情況下為直線軌道，因此需要選用遠距離和大焦距的相機，但遠距離相機存在視角范圍較小，而近距離的大視角相機可彌補視角范圍較小的相機的缺點。此外，考慮到軌道交通列車運行時間長、距離遠以及光線突變將影響可見光相機的成像質(zhì)量，經(jīng)過市場調(diào)研多款星光級攝像機并進行多方面的性能對比，索尼的星光級相機FCB-EV9500L因其優(yōu)異的低照度成像能力以及綜合的清晰成像質(zhì)量，成為小型智能軌道異物入侵檢測物理樣機的圖像采集設(shè)備的最佳選擇。FCB-EV9500L 采用了新的鏡頭、圖像傳感器和圖像信號處理器的一種高可見度的彩色攝像模組，在小型圖像傳感器上實現(xiàn)了緊湊尺寸的30x加強光學(xué)變焦。該攝像模組可廣泛地用于各種復(fù)雜環(huán)境場景，包括低照度條件環(huán)境。尤其是超級圖像防抖功能，可大幅改善和提升圖像的運動模糊，與傳統(tǒng)的圖像傳感器相比實現(xiàn)了2 倍的感光度，故可在夜間等低照度環(huán)境下采集較清晰圖像。

1.3 軌道異物入侵檢測方法設(shè)計

軌道異物入侵檢測時，常常會由于不同場景下天氣、光線和檢測目標形態(tài)的變化造成錯檢、漏檢的情況發(fā)生，影響檢測系統(tǒng)的穩(wěn)定性和可靠性，此外，越早檢測到遠處的目標就能及時預(yù)警并制動停車，而遠處的目標在圖像的占比較小，故要求所設(shè)計的方法對小目標有良好的檢測精度。在衡量性能指標時，不能將重點單方面集中于檢測精度或識別速度，為了利于網(wǎng)絡(luò)模型移植部署，需要同時兼顧實時性和檢測精度［6］。

為了培養(yǎng)學(xué)生的科研創(chuàng)新能力，引導(dǎo)學(xué)生發(fā)覺現(xiàn)有方法所存在的問題并進行優(yōu)化與改進，以實現(xiàn)更優(yōu)的方法，對先進目標檢測算法YOLOv5［7］的檢測結(jié)果進行了詳細分析：雖然該算法檢測精度較高，但其復(fù)雜的計算量也延長了推理速度。為平衡各項性能指標以利于模型部署移植，實現(xiàn)在邊緣設(shè)備上的檢測精度和推理速度的雙平衡，本項目基于YOLOv5 算法，并針對上述問題進行了優(yōu)化，提出如圖4 所示的軌道異物入侵檢測網(wǎng)絡(luò)。采用一種分階段的卷積計算模塊，在少量的非線性的卷積得到的特征圖基礎(chǔ)上，再進行一次線性卷積，從而獲取更多的特征圖，而新的特征圖稱為先前特征圖的ghost［8-9］，以此消除冗余特征并獲取更輕量的模型。基于上述基線，所提方法還利用SIoU［10］損失函數(shù)替換原來的CIoU［11］，加快模型訓(xùn)練速度并提升檢測性能。

圖4 軌道異物入侵檢測網(wǎng)絡(luò)總體架構(gòu)

Ghost bottleneck［12］是一個可復(fù)用模塊，用來替換YOLOv5 中的C3 模塊，本文還采用Ghost 模塊替換了普通卷積模塊，這種操作能減少計算量并降低模型大小，兩種模塊見圖5。Ghost bottleneck 模塊與ResNet中的基本殘差塊相似，由兩個堆疊的Ghost模塊組成。其中第1 個Ghost 模塊用作擴展層，增加通道數(shù)；第2個Ghost模塊減少通道數(shù)，與shortcut路徑匹配。使用shortcut連接兩個Ghost 模塊的輸出和輸入。Ghost Bottleneck中第2 個Ghost 模塊不使用ReLU，其他層在每層之后都應(yīng)用了批量歸一化和ReLU 激活函數(shù)。當stride ＝2 時，兩個Ghost 模塊之間通過一個stride＝2 的深度卷積進行連接。通過利用Ghost模塊減少網(wǎng)絡(luò)參數(shù)量的方式提升網(wǎng)絡(luò)的推理速度，可開拓學(xué)生的視野，定性地解釋深度神經(jīng)網(wǎng)絡(luò)黑盒模型中影響推理速度的具體原因。

圖5 Ghost和Ghost bottleneck模塊

在應(yīng)用Ghost bottleneck 模塊后，模型檢測速度顯著提高，但是平均檢測精度（mAP）有一定程度的降低。損失函數(shù)很大程度上決定了模型的性能，模型訓(xùn)練時主要包含三方面的損失：邊界框損失（lossbox）、置信度損失（lossconf）和分類損失（losscls）。本文通過改進優(yōu)化損失函數(shù)以提升模型的收斂速度和檢測精度。具體而言，將SIoU損失作為邊框回歸損失函數(shù)以提升模型的實時性。SIoU 在傳統(tǒng)邊框損失函數(shù)基礎(chǔ)上引入真實框和預(yù)測框之間的向量角度，重新定義相關(guān)函數(shù)。具體包含四部分：

（1）角度損失（見圖6）

圖6 角度損失分析

式中：

表示真實框和預(yù)測框中心點的高度差；

為真實框和預(yù)測框中心點距離，事實上arcsin（Ch／σ）等于角度α，即Ch／σ ＝sin α。

在圖6 中為真實框中心坐標，（bcx，bcy）為預(yù)測框中心坐標。當α為π／2 或0 時，角度損失為0，在訓(xùn)練過程中若α ＜π／4，則最小化α，否則最小化β。

（2）距離損失

式中：

為真實框和預(yù)測框最小外接矩形的寬和高；γ ＝2－Λ。

（3）形狀損失

式中：

（w，h）和（wgt，hgt）分別為預(yù)測框和真實框的寬和高；θ為控制對形狀損失的關(guān)注程度，為了避免過于關(guān)注形狀損失而降低對預(yù)測框的移動，初步定于θ 參數(shù)范圍為［2，6］，在本文中，θ設(shè)置為4。

（4）真實框和預(yù)測框的交并比損失。最終SIoU損失函數(shù)定義如下：

通過SIoU損失函數(shù)模型的使用，能夠一定程度上提高模型實時性較低的問題［16］。

2 實驗及結(jié)果分析

2.1 數(shù)據(jù)集和參數(shù)設(shè)置

為了評估所提方法對軌道入侵異物的檢測性能，本文對真實軌道場景采集的視頻進行抽幀和圖像增強，生成了包含不同天氣、光照和復(fù)雜背景的軌道場景圖像，以模擬不同復(fù)雜的真實軌道場景，進一步豐富了數(shù)據(jù)集。本文共收集圖像8 778 張，大小為640 ×512，異物目標分為7 個類別：左轉(zhuǎn)軌道、右轉(zhuǎn)軌道、直行軌道、列車、行人、扳手和安全帽。數(shù)據(jù)集的樣本示例和實例分布如圖7 所示。

圖7 數(shù)據(jù)集示例圖

從圖7 可以得出，行人的實例數(shù)量最多，達到8 000 以上，列車也有3 700 多個實例目標，相對而言，軌道的類別（包括左、右轉(zhuǎn)軌道和直行軌道）數(shù)量較少。檢測這些目標的目的在于：列車轉(zhuǎn)彎過程中由于車體擋住了駕駛員視線，容易導(dǎo)致事故發(fā)生，而檢測列車運行方向可以提醒駕駛員保持警惕，降低事故發(fā)生的概率；小體積目標扳手與安全帽數(shù)量大概為1 000和3 000，對工人在鐵路上丟失的頭盔和扳手進行檢測，可減少不必要的損失，而且能證明本文方法對小目標的有效性。其中80%的圖像用于訓(xùn)練和驗證，20%用于測試。在自建軌道異物入侵數(shù)據(jù)集上對所提方法進行了實驗驗證及測試，采用Intel? Core TM i7-6950X CPU處理器，同時配備4 塊內(nèi)存為12 GB 的NVIDIA GeForce GTX 1080Ti 顯卡，采用隨機梯度下降法（SGD）作為優(yōu)化器，初始學(xué)習(xí)率（learning rate）設(shè)置為0.01，并隨著迭代次數(shù)的增長而減小，最大迭代次數(shù)為100 輪，權(quán)重衰減（weigth decay）為0.000 5，動量參數(shù)（momentum）為0.937，批量大小（batch size）為32，非極大值抑制（NMS）域值為0.45，置信度值域為0.25。

2.2 實驗設(shè)計和結(jié)果分析

為驗證提出的軌道異物入侵檢測方法對軌道檢測效果的有效性，以IoU 為0.5 時的平均檢測精度（mAP50）和檢測速度FPS 為模型檢測性能的評價指標，兩種評價指標的數(shù)值越大表明檢測性能越好。所提方法在自建軌道異物入侵數(shù)據(jù)集上與經(jīng)典的目標檢測器Faster RCNN［13］、SSD［14］、YOLOv3［15］和YOLOv5 s進行了對比，實驗結(jié)果如表1 所示。結(jié)果表明，所提方法取得了96.1%的平均檢測精度和209 FPS的檢測速度。檢測精度在所有模型中取得了最優(yōu)和次優(yōu)的結(jié)果，表明所提方法具有高精度的特點；此外在小目標上也取得了不錯的檢測精度，尤其是扳手，取得了96.1%的高精度；更重要的是，檢測速度比YOLOv5 s取得了一倍的提升，為移植部署提供了良好的基礎(chǔ)支撐。綜上所述，本文所提出的方法取得了檢測精度和檢測速度的雙平衡。

表1 實驗對比結(jié)果

圖8 展示了對不同場景圖像的可視化結(jié)果，可以觀察到，所提方法能夠準確地檢測到絕大多數(shù)目標。圖8（a）、（b）是不同光照條件下的檢測結(jié)果，說明了本文的方法對不同照度的自適應(yīng)能力；圖8（e）是對復(fù)雜的軌道場景的檢測示意圖，在復(fù)雜目標眾多的環(huán)境下，顯示出了較強的泛化能力，圖8（d）、（f）展示了對行人、列車以及小目標扳手和安全帽的檢測結(jié)果，對于遮擋的目標和遠處小目標，提出的方法也能準確檢測。

圖8 不同環(huán)境條件下的可視化結(jié)果

使用混淆矩陣和準確率-召回率曲線可定量和定性的評估模型的穩(wěn)健性。如圖9（a）所示，混淆矩陣的每一行代表真實類，每一列代表預(yù)測類，所有正確分類的預(yù)測都在對角線上，而錯誤分類的則在其他區(qū)域，對角線顏色越深表明分類精度越高。所提方法正確地對目標進行分類，并且錯誤識別率較低。圖9（b）是7種類別準確率-召回率曲線（Precision-Recall 曲線），表明所提方法對7 類目標均具有良好的檢測效果。

圖9 混淆矩陣和Precision-Recall曲線

圖10 是驗證集上3 種損失函數(shù)和mAP隨訓(xùn)練輪數(shù)的變化曲線，其中橫坐標代表訓(xùn)練輪數(shù)，而前3 張圖的縱坐標代表不同損失的大小，第四張圖的縱坐標代表平均檢測精度mAP50。由圖可知，3 種損失均以較快的收斂速度達到了最小值，實驗結(jié)果證明了SIoU的有效性，且在訓(xùn)練50 輪后，mAP也達到了峰值并逐漸趨于穩(wěn)定。

圖10 損失曲線和精度曲線

2.3 實驗要求

實驗要求學(xué)生掌握YOLOv5 和設(shè)計的網(wǎng)絡(luò)結(jié)構(gòu)及其各模塊的功能，熟練網(wǎng)絡(luò)的環(huán)境配置、訓(xùn)練參數(shù)的意義并調(diào)參，能夠使用已有數(shù)據(jù)集進行訓(xùn)練，并對測試的實驗結(jié)果進行綜合對比與分析。通過理論與實踐相結(jié)合，讓學(xué)生了解基于深度學(xué)習(xí)的目標檢測技術(shù)在軌道異物入侵檢測中的實際應(yīng)用，提升學(xué)生參與大創(chuàng)實踐教學(xué)的積極性。

2.4 評價與考核

通過從不同角度進行評價與考核，能夠幫助教師了解學(xué)生對大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項目的完成情況、科研創(chuàng)新實踐和團隊通力協(xié)作能力的培養(yǎng)，便于及時調(diào)整指導(dǎo)方法。因此，在項目評價與考核方面，不僅要考慮軌道異物入侵自主檢測系統(tǒng)的創(chuàng)新性、可行性和總體完成情況，而且還要對團隊的合作和理論結(jié)合實際能力進行全方面地考核。按照完成時間、總體實現(xiàn)情況以及完成的質(zhì)量等多方面綜合評分，總評成績由項目方案總體設(shè)計完成情況和團隊協(xié)作和科研創(chuàng)新能力兩部分組成，項目方案總體設(shè)計由物理樣機設(shè)計和檢測算法設(shè)計兩部分組成，而團隊協(xié)作和科研創(chuàng)新能力包括團隊協(xié)作和科研創(chuàng)新，每部分各50 分。若應(yīng)用到實驗教學(xué)，可規(guī)定項目方案總體設(shè)計成績和團隊協(xié)作和科研創(chuàng)新成績的百分比占比，本文按照7∶3的比例換算為總評成績；最終的考核結(jié)果分為4 個等級：優(yōu)秀、良好、及格和不及格。評分標準如表2 所示。教師將根據(jù)各部分成績的總評得到每位參與同學(xué)的成績，并根據(jù)各部分成績具體情況，優(yōu)化調(diào)整項目案例和教學(xué)模式。

表2 實驗項目評分標準 分

3 結(jié) 語

本文以大學(xué)生創(chuàng)新訓(xùn)練項目的實驗教學(xué)模式改革為契機，借助深度學(xué)習(xí)和機械設(shè)計等多交叉學(xué)科專業(yè)知識，設(shè)計了一種新型面向軌道交通應(yīng)用的大學(xué)生創(chuàng)新訓(xùn)練項目實踐教學(xué)平臺，該教學(xué)平臺以實現(xiàn)列車行駛前向軌道侵入物檢測為主要目標，主要包括小型軌道異物入侵檢測物理樣機和軌道異物入侵高效檢測方法，可實現(xiàn)列車行進中軌道入侵異物的實時檢測與報警提示。通過該大學(xué)生創(chuàng)新訓(xùn)練實踐教學(xué)平臺設(shè)計與實施，增強了學(xué)生對人工智能等新技術(shù)的理解，培養(yǎng)了學(xué)生對新型大創(chuàng)實踐項目的興趣和熱情，并提升了學(xué)生的工程實踐能力。此外，針對上述教學(xué)平臺的研制過程設(shè)計了項目案例的評價和考核機制，以精準掌握大創(chuàng)項目開展實施的質(zhì)量，并根據(jù)考核情況優(yōu)化大創(chuàng)項目指導(dǎo)方案，健全學(xué)生創(chuàng)新實踐能力的培養(yǎng)模式。