本發(fā)明屬于智能控制，具體涉及一種列車行車安全保障方法。

背景技術：

1、隨著現(xiàn)代鐵路運輸系統(tǒng)的發(fā)展，列車行車安全保障成為了一個至關重要的研究領域。確保列車在行駛過程中能夠及時、準確地識別前方道岔的開通方向，對于防止列車脫軌、相撞等事故具有重要意義。傳統(tǒng)的列車行車安全保障系統(tǒng)主要依賴于固定信號設備和司機的目視觀察。然而，這些方法在實際應用中存在諸多局限性，尤其是在復雜多變的環(huán)境下，信號設備可能失靈，司機的反應時間也難以保證列車的安全行駛。

2、傳統(tǒng)的列車行車安全保障方法主要包括地面信號系統(tǒng)和列車上的監(jiān)控設備。地面信號系統(tǒng)通過在軌道旁安裝信號燈和傳感器，向列車提供前方道岔狀態(tài)的信息。列車司機根據(jù)這些信號，判斷是否需要減速、停車或改變行駛方向。這種方法依賴于地面設備的正常工作，一旦設備故障，可能導致嚴重的安全事故。此外，地面信號系統(tǒng)的維護成本高昂，且在惡劣天氣條件下容易失靈。另一個常見的技術是基于視頻監(jiān)控的列車行車安全保障系統(tǒng)。通過在列車前部安裝攝像頭，實時采集前方軌道的圖像，并利用圖像處理技術識別前方道岔的狀態(tài)。這種方法在一定程度上提高了列車行車安全性，但依然存在一些問題。首先，攝像頭采集的圖像質(zhì)量受環(huán)境光照和天氣條件影響較大，在低光照或強對比度情況下，圖像處理算法的準確性會大幅降低。其次，傳統(tǒng)的圖像處理算法對于復雜場景中的道岔識別能力有限，尤其是在多岔路段和高密度軌道網(wǎng)絡中，容易出現(xiàn)誤判。

技術實現(xiàn)思路

1、鑒于此，本發(fā)明的主要目的在于提供一種列車行車安全保障方法，本發(fā)明能夠準確識別前方道岔的開通方向，及時做出相應的安全決策，避免因道岔錯誤導致的脫軌、相撞等事故風險。這種高效、準確和可靠的行車安全保障方法，為現(xiàn)代鐵路運輸系統(tǒng)提供了強有力的技術支持，極大地提升了列車行駛的安全性和可靠性。

2、本發(fā)明采用的技術方案如下：

3、一種列車行車安全保障方法，所述方法包括：

4、步驟1：實時采集列車行進時的前方圖像；根據(jù)前方圖像判斷是否有障礙區(qū)入侵，如果是，則發(fā)出障礙物入侵警報或?qū)α熊囘M行緊急制動；

5、步驟2：從前方圖像中篩選出列車行進時的行道圖像，根據(jù)行道圖像分析前方道岔的開通方向；

6、步驟3：根據(jù)列車當前預定行駛路線，判斷前方道岔的開通方向是否滿足預設的通行要求，若不滿足，則發(fā)出道岔異常警報，以防止因道岔異常導致的尖軌損傷或脫軌事故的發(fā)生。

7、進一步的，步驟1具體包括：使用高斯濾波器對采集的前方圖像進行降噪，然后應用自適應直方圖均衡化增強對比度，得到預處理圖像；將預處理圖像調(diào)整為預設的固定大小，并進行歸一化處理，再使用resnext主干網(wǎng)絡提取基礎特征，設resnext主干網(wǎng)絡總共有l(wèi)層，每層的輸出表示為xl，其中，l∈{1，...，l}；將不同層的輸出表示進行自適應特征融合，得到融合后輸出，將融合后輸出進行上采樣和拼接，得到多尺度特征圖；使用改進的yolo算法對多尺度特征圖進行障礙物檢測，得到障礙物候選框集合；計算障礙物候選框集合中的每個候選框的風險得分，以此得到總體風險度；當總體風險度超過預設風險度閾值時，觸發(fā)障礙物入侵警報，同時，計算緊急制動決策指數(shù)；當緊急制動決策指數(shù)超過設定的制動閾值時，觸發(fā)緊急制動。

8、進一步的，通過如下公式，將不同層的輸出表示進行自適應特征融合，得到融合后輸出：

9、fl＝αl·xl+βl·up(xl+1)+γl·down(xl-1)；

10、其中：fl為第l層融合后輸出；xl，xl+1和xl-1分別為l層輸出、l+1層輸出和l-1輸出；up和down分別為上采樣和下采樣操作；αl，βl和γl均為自適應權重，通過以下公式計算得到：

11、

12、其中，wf和bf分別為預設的權重矩陣和偏置矩陣；gap為全局平均池化操作；多尺度特征圖f的通過如下公式生成：

13、f＝concat(f1，up2(f2)，...，upl(fl))·wc；

14、其中，wc為1×1卷積權重，用于調(diào)整通道數(shù)；concat為拼接操作；upi為將第i層融合后輸出上采樣到與f1相同大小的操作，i為整數(shù)索引，在這里i∈{2，...，l}。

15、進一步的，使用改進的yolo算法對多尺度特征圖f進行障礙物檢測，設得到的障礙物候選框集合為b＝{b1，b2，...，bn}；對每個候選框bi，通過如下公式，計算其風險得分s(bi)：

16、

17、其中，area(bi)為候選框bi的面積，area(1mage)為預處理圖像的總面積；d(bi)為候選框bi到列車的估計距離；d0為安全閾值距離；λ為第一距離衰減系數(shù)；α為第一權重系數(shù)，取值范圍為0.3到0.5；β為第二權重系數(shù)，取值范圍為0.5到0.7；n為候選框總數(shù)；再通過如下公式，計算總體風險度r：

18、

19、其中，θ為為預設的風險閾值；μ為風險敏感度調(diào)節(jié)參數(shù)；當r超過設定的風險度閾值rt時，觸發(fā)障礙物入侵警報；o為下標索引。

20、進一步的，通過如下公式，計算緊急制動決策指數(shù)：

21、

22、其中，v為列車當前速度；amax為列車最大減速度；dmin為最小安全距離；φ為制動敏感調(diào)節(jié)參數(shù)；當e超過設定的制動閾值et時，觸發(fā)緊急制動。

23、進一步的，步驟2具體包括：使用語義分割網(wǎng)絡從前方圖像中提取行道圖像，得到行道掩碼m；基于行道掩碼m，應用區(qū)域提議網(wǎng)絡在行道圖像上定位潛在的道岔區(qū)域，得到候選區(qū)域集合r＝{r1，r2，...，rm}；其中，m為候選區(qū)域數(shù)量；對每個候選區(qū)域rj，使用多尺度注意力機制提取特征向量fj，j為整數(shù)索引，在這里，j∈{1，...，m}；根據(jù)每個候選區(qū)域的特征向量，使用集成分類器對每個候選區(qū)域進行分類，得到方向概率分布；考慮多個候選區(qū)域之間的空間關系，對方向概率分布進行全局優(yōu)化，得到最終的道岔開通方向的概率分布；取概率最高的道岔開通方向作為前方道岔的開通方向。

24、進一步的，通過如下公式，提取特征向量fj：

25、

26、其中，k為尺度數(shù)量；cnnk為第k個尺度的卷積神經(jīng)網(wǎng)絡；se為squeeze-and-excitation注意力模塊；cbam為卷積注意力模塊；αk為尺度權重，通過以下公式計算：

27、

28、其中，mlp為多層感知器，gap為全局平均池化。

29、進一步的，使用集成分類器對每個候選區(qū)域進行分類，得到方向概率分布的公式如下：

30、

31、其中，p(di|rj)為候選區(qū)域rj屬于方向di的概率；c為集成分類器中的分類器數(shù)量；wc為第c個分類器的權重；pc(di|fj)為第c個分類器預測的概率；h(pc(d|fj))為第c個分類器預測概率分布的熵；λ為正則化系數(shù)；z為歸一化常數(shù)；d為方向集合。

32、進一步的，慮多個候選區(qū)域之間的空間關系，對方向概率分布進行全局優(yōu)化，得到最終的道岔開通方向的概率分布的具體過程包括：構建候選區(qū)域之間的空間關系圖g＝(v，es)，其中v為候選區(qū)域集合，es為邊集合；第i個候選區(qū)域和第j個候選區(qū)域之間的邊wij權重計算公式如下：

33、

34、其中，ci和cj分別為第i個候選區(qū)域和第j個候選區(qū)域的中心坐標；σ為第二距離衰減系數(shù)；θij為第i個候選區(qū)域和第j個候選區(qū)域的主方向的夾角；area(ri)和area(rj)分別為第i個候選區(qū)域和第j個候選區(qū)域的面積；使用圖卷積網(wǎng)絡對方向概率分布進行全局優(yōu)化，公式如下：

35、

36、其中，p(t)(d|r)為第t次迭代后的全局方向概率分布；a為鄰接矩陣，d為度矩陣；w1和w2分別為圖卷積網(wǎng)絡的第一權重和第二權重；b1和b2分別為圖卷積網(wǎng)絡的第一偏置和第二偏置；p(t+1)(d|r)為第t+1次迭代后的全局方向概率分布。

37、進一步的，最優(yōu)方向d*通過如下公式計算得到：

38、

39、其中，t為圖卷積網(wǎng)絡的迭代總次數(shù)。

40、采用以上技術方案，本發(fā)明產(chǎn)生了以下有益效果：本發(fā)明通過使用多尺度卷積神經(jīng)網(wǎng)絡(cnn)、squeeze-and-excitation注意力模塊和cbam卷積注意力模塊，本發(fā)明在不同尺度上提取候選區(qū)域的特征。這種多尺度特征提取方法能夠捕捉到圖像中的細微信息和整體結構，使得系統(tǒng)在處理復雜場景時，仍能保持高精度的特征表示。se模塊通過通道注意力機制增強了重要特征的權重，cbam模塊結合通道和空間注意力機制，進一步優(yōu)化了特征的表達。這種方法不僅提高了特征提取的準確性，還增強了特征的魯棒性，使得系統(tǒng)在各種環(huán)境條件下都能穩(wěn)定工作。本發(fā)明通過構建候選區(qū)域之間的空間關系圖，并使用圖卷積網(wǎng)絡(gcn)對方向概率分布進行全局優(yōu)化，充分考慮了各候選區(qū)域之間的空間關系。gcn通過迭代更新，將每個節(jié)點的特征信息與其鄰居節(jié)點的信息進行融合，使得最終的方向概率分布能夠反映全局信息。通過這種全局優(yōu)化方法，系統(tǒng)能夠綜合考慮所有候選區(qū)域的關系，避免了單一特征提取方法可能導致的局部最優(yōu)問題，從而提高了識別的準確性和魯棒性。本發(fā)明使用集成分類器對每個候選區(qū)域進行分類，得到方向概率分布。集成分類器結合了多個基礎分類器的預測結果，通過加權和正則化項的調(diào)整，生成綜合性的方向概率分布。每個分類器的權重根據(jù)其性能進行調(diào)整，確保在綜合預測中表現(xiàn)較好的分類器具有更大的影響力。正則化項通過考慮分類器預測結果的不確定性，進一步優(yōu)化了最終的概率分布。這種方法不僅提高了分類的準確性，還增強了系統(tǒng)的魯棒性，能夠有效應對復雜多變的環(huán)境條件。