铁路沿线设备设施状态智能视觉监测系统的制作方法

摘要: 本技术涉及铁路智能视觉运维监测,特别是涉及一种铁路沿线设备设施状态智能视觉监测系统。背景技术:1、随着铁路网络的持续扩展与高速化发展,铁路运输的安全性、可靠性与...
铁路沿线设备设施状态智能视觉监测系统的制作方法

本技术涉及铁路智能视觉运维监测,特别是涉及一种铁路沿线设备设施状态智能视觉监测系统。

背景技术:

1、随着铁路网络的持续扩展与高速化发展,铁路运输的安全性、可靠性与智能化水平受到前所未有的关注,铁路沿线分布着大量关键设备设施,如桥梁、道岔、电缆槽、护栏及步行板等,其结构完整性与运行状态直接关系到列车运行安全和旅客生命财产安全。

2、传统技术中,铁路沿线设备设施的状态检测主要依赖人工徒步巡检的方式。具体而言,检测人员通过目视观察、锤击听音或者道尺测量等手工作业方式,对轨道几何尺寸、联结零件状态、挡护设施完整性等进行检查。

3、然而,由于铁路沿线设施分布广、里程长,因此人工巡检的方式通常受到地理条件和人员体力制约,难以实现对全线设施的全覆盖检测,进而难以满足复杂铁路环境下的检测需求。

技术实现思路

1、基于此,有必要针对上述技术问题,提供一种铁路沿线设备设施状态智能视觉监测系统。

2、第一方面,本技术提供了一种铁路沿线设备设施状态智能视觉监测方法,包括:

3、获取铁路沿线设施的原始视觉数据,原始视觉数据包括可见光视觉数据与红外视觉数据;

4、基于预先训练的缺陷定位模型对视觉数据进行分析,定位铁路沿线设施的潜在缺陷区域,得到潜在缺陷区域列表;

5、基于针对不同缺陷类型训练的多个专用识别子网络,对潜在缺陷区域列表进行语义解析,生成结构化判别信息,结构化判别信息包括缺陷类别以及严重等级;

6、根据结构化判别信息进行风险分析,并根据风险分析结果生成分级预警指令。

7、在其中一个实施例中,基于预先训练的缺陷定位模型对视觉数据进行分析,定位铁路沿线设施的潜在缺陷区域,得到潜在缺陷区域列表,包括:

8、对可见光视觉数据与红外视觉数据进行配准与融合,生成多模态视觉数据;

9、将多模态视觉数据输入至缺陷定位模型,提取多模态视觉数据的语义特征,生成特征图谱;

10、根据特征图谱生成多个候选区域,并对多个候选区域进行筛选处理,得到潜在缺陷区域列表。

11、在其中一个实施例中,根据特征图谱生成多个候选区域,并对多个候选区域进行筛选处理,得到潜在缺陷区域列表,包括:

12、基于预先训练的注意力模型对特征图谱进行加权处理,生成多个候选区域;

13、基于预设的先验空间分布模型,将各候选区域与先验空间分布模型进行匹配,将位于铁路沿线设施区域的候选区域作为潜在缺陷区域,并基于至少一个潜在缺陷区域得到潜在缺陷区域列表;先验空间分布模型表征铁路沿线各目标设施在图像空间中的分布区域。

14、在其中一个实施例中,基于针对不同缺陷类型训练的多个专用识别子网络,对潜在缺陷区域列表进行语义解析,生成结构化判别信息,包括:

15、基于针对不同缺陷类型训练的多个专用识别子网络,对潜在缺陷区域列表进行语义解析,生成各区域对应于各缺陷类型的语义置信表征;

16、对各专用识别子网络的中间特征进行特征增强,生成增强后的特征表示;

17、根据语义置信表征和增强后的特征表示进行综合判别,生成结构化判别信息。

18、在其中一个实施例中,对结构化判别信息进行风险分析,并根据风险分析结果生成分级预警指令,包括:

19、对结构化判别信息进行语义标准化封装,生成缺陷事件元数据;

20、将缺陷事件元数据映射至预先构建的上下文图谱进行分析处理,生成综合风险表征,上下文图谱包括铁路沿线设施的拓扑结构、空间关联关系及历史风险记录;

21、将综合风险表征与预设的预警等级进行匹配,并基于匹配结果生成分级预警指令。

22、在其中一个实施例中,将综合风险表征与预设的预警等级进行匹配,并基于匹配结果生成分级预警指令,包括:

23、将综合风险表征与预警等级进行匹配,确定综合风险表征所属的阈值等级区间;

24、根据阈值等级区间生成对应级别的分级预警指令。

25、第二方面,本技术还提供了一种铁路沿线设备设施状态智能视觉监测装置,包括:

26、获取模块,用于获取铁路沿线设施的原始视觉数据,原始视觉数据包括可见光视觉数据与红外视觉数据;

27、分析模块,用于基于预先训练的缺陷定位模型对视觉数据进行分析,定位铁路沿线设施的潜在缺陷区域,得到潜在缺陷区域列表;

28、解析模块,用于基于针对不同缺陷类型训练的多个专用识别子网络,对潜在缺陷区域列表进行语义解析,生成结构化判别信息,结构化判别信息包括缺陷类别以及严重等级;

29、预警模块,用于根据结构化判别信息进行风险分析,并根据风险分析结果生成分级预警指令。

30、第三方面,本技术还提供了一种铁路沿线设备设施状态智能视觉监测系统,包括图像采集组件和控制中心,图像采集组件包括可见光成像组件与红外成像组件;

31、可见光成像组件,用于采集铁路沿线设施的可见光谱段图像,以生成可见光视觉数据;

32、红外成像组件,用于采集同一场景下铁路沿线设施的热辐射分布图像,以生成红外视觉数据;

33、控制中心,分别与可见光成像组件和红外成像组件连接,用于执行如第一方面的方法。

34、第四方面,本技术还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:

35、获取铁路沿线设施的原始视觉数据,原始视觉数据包括可见光视觉数据与红外视觉数据;

36、基于预先训练的缺陷定位模型对视觉数据进行分析,定位铁路沿线设施的潜在缺陷区域,得到潜在缺陷区域列表;

37、基于针对不同缺陷类型训练的多个专用识别子网络,对潜在缺陷区域列表进行语义解析,生成结构化判别信息,结构化判别信息包括缺陷类别以及严重等级;

38、根据结构化判别信息进行风险分析,并根据风险分析结果生成分级预警指令。

39、第五方面,本技术还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:

40、获取铁路沿线设施的原始视觉数据,原始视觉数据包括可见光视觉数据与红外视觉数据;

41、基于预先训练的缺陷定位模型对视觉数据进行分析,定位铁路沿线设施的潜在缺陷区域,得到潜在缺陷区域列表;

42、基于针对不同缺陷类型训练的多个专用识别子网络,对潜在缺陷区域列表进行语义解析,生成结构化判别信息,结构化判别信息包括缺陷类别以及严重等级;

43、根据结构化判别信息进行风险分析,并根据风险分析结果生成分级预警指令。

44、第六方面,本技术还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:

45、获取铁路沿线设施的原始视觉数据,原始视觉数据包括可见光视觉数据与红外视觉数据;

46、基于预先训练的缺陷定位模型对视觉数据进行分析,定位铁路沿线设施的潜在缺陷区域,得到潜在缺陷区域列表;

47、基于针对不同缺陷类型训练的多个专用识别子网络,对潜在缺陷区域列表进行语义解析,生成结构化判别信息,结构化判别信息包括缺陷类别以及严重等级;

48、根据结构化判别信息进行风险分析,并根据风险分析结果生成分级预警指令。

49、上述一种铁路沿线设备设施状态智能视觉监测系统,通过获取铁路沿线设施的原始视觉数据,原始视觉数据包括可见光视觉数据与红外视觉数据;基于预先训练的缺陷定位模型对视觉数据进行分析,定位铁路沿线设施的潜在缺陷区域,得到潜在缺陷区域列表;基于针对不同缺陷类型训练的多个专用识别子网络,对潜在缺陷区域列表进行语义解析,生成结构化判别信息,结构化判别信息包括缺陷类别以及严重等级;根据结构化判别信息进行风险分析,并根据风险分析结果生成分级预警指令。上述方法通过缺陷定位模型对多模态视觉数据的处理与潜在缺陷区域的定位,提升了缺陷检测的准确性;且通过多个专用识别子网络对潜在缺陷区域的语义解析与综合判别,实现了多类缺陷的高精度识别,进而显著提升了铁路沿线设施状态监测的全面性、准确性与自动化水平。