安 迪，馬玉坤，宋海鋒，李 楊

（1.中國(guó)鐵道科學(xué)研究院 研究生部，北京 100081；2.中國(guó)鐵道科學(xué)研究院集團(tuán)有限公司 運(yùn)輸及經(jīng)濟(jì)研究所，北京 100081；3.北京交通大學(xué) 電子信息工程學(xué)院，北京 100044；4.沈陽(yáng)奇輝機(jī)器人應(yīng)用技術(shù)有限公司，遼寧 沈陽(yáng) 110027)

0 引言

近年來(lái)，計(jì)算機(jī)、信息化及人工智能的進(jìn)步促進(jìn)了鐵路編組站的發(fā)展，現(xiàn)代化調(diào)車技術(shù)裝備和先進(jìn)的信息化系統(tǒng)在眾多車站都得到了應(yīng)用，編組站列車到發(fā)作業(yè)、車輛信息管理、調(diào)度指揮、運(yùn)輸決策可融為一體，使得車輛編組效率顯著提高[1]。然而，編組站在車輛解編過(guò)程中，提鉤作業(yè)依舊是由人工完成，存在作業(yè)環(huán)境差、人員易疲勞、危險(xiǎn)系數(shù)高等問(wèn)題，這些問(wèn)題逐漸成為編組站自動(dòng)化進(jìn)程中的短板[2]。

為此，很多專家學(xué)者對(duì)自動(dòng)提鉤技術(shù)開(kāi)展了研究。日本在20 世紀(jì)70 年代研究了一種懸掛式自動(dòng)提鉤設(shè)備，在日本奧羽線庭坂站[2]進(jìn)行了試驗(yàn)，但沒(méi)有大規(guī)模應(yīng)用；德國(guó)在20 世紀(jì)90 年代提出了一種自動(dòng)提鉤機(jī)器人，設(shè)計(jì)采用電子傳感器與攝像機(jī)進(jìn)行自動(dòng)提鉤作業(yè)，但也停留在試驗(yàn)階段[3]；我國(guó)很多學(xué)者也對(duì)自動(dòng)提鉤技術(shù)開(kāi)展過(guò)研究，如張所斌[2]、臧立超[3]、章雪巖[4]、馬波[5]、董海薇[6]、何霄[7]等，大多集中于整體方案、機(jī)械設(shè)計(jì)、控制結(jié)構(gòu)、過(guò)程仿真等方面的研究，對(duì)計(jì)算機(jī)智能識(shí)別技術(shù)的研究較少，雖取得了一些研究成果，但由于技術(shù)難度大、投入經(jīng)費(fèi)高等原因，這些成果都沒(méi)有應(yīng)用于實(shí)際生產(chǎn)。

目前，國(guó)內(nèi)在編組站自動(dòng)提鉤方面的應(yīng)用仍為空白，尚未形成一種有效的自動(dòng)提鉤系統(tǒng)以替代人工作業(yè)，而在自動(dòng)提鉤眾多技術(shù)節(jié)點(diǎn)中，智能識(shí)別技術(shù)是自動(dòng)提鉤系統(tǒng)難以突破的關(guān)鍵瓶頸之一。智能識(shí)別是人工智能的重要分支[8]，隨著科技發(fā)展，特別是深度學(xué)習(xí)技術(shù)的不斷成熟，智能識(shí)別技術(shù)已經(jīng)廣泛應(yīng)用于各行各業(yè)中，為編組站自動(dòng)提鉤技術(shù)實(shí)現(xiàn)提供了有效支撐。實(shí)現(xiàn)編組站提鉤自動(dòng)化智能識(shí)別技術(shù)的突破，對(duì)提高編組站解編效率、提升編組站作業(yè)安全性、全面實(shí)現(xiàn)我國(guó)編組站駝峰自動(dòng)化具有重要意義。

1 編組站提鉤自動(dòng)化智能識(shí)別需求分析

1.1 設(shè)計(jì)需求

結(jié)合國(guó)內(nèi)外編組站提鉤自動(dòng)化研究，針對(duì)駝峰提鉤作業(yè)現(xiàn)場(chǎng)情況，編組站提鉤自動(dòng)化智能識(shí)別設(shè)計(jì)應(yīng)具有以下特點(diǎn)。

（1）滿足不同車鉤形式。鐵路貨車的種類較多，車鉤形式也不盡相同。按開(kāi)啟形式劃分，車鉤可分為上作用式和下作用式2 種，不同車鉤的提鉤把和鉤舌形式不一樣，且車輛提鉤把的位置也不是固定的[9]。因此，編組站提鉤自動(dòng)化智能識(shí)別設(shè)計(jì)應(yīng)滿足不同車鉤形式的解編工作。

（2）保持作業(yè)相對(duì)穩(wěn)定。提鉤自動(dòng)化智能識(shí)別作業(yè)是動(dòng)態(tài)過(guò)程，在實(shí)際提鉤作業(yè)中，連接員需要與車輛保持相對(duì)靜止，整體相對(duì)地面運(yùn)動(dòng)，同時(shí)計(jì)算機(jī)圖像采集也需要一個(gè)穩(wěn)定的工作環(huán)境。因此，編組站提鉤自動(dòng)化智能識(shí)別設(shè)計(jì)應(yīng)保持作業(yè)過(guò)程中的相對(duì)穩(wěn)定，以確保得到具備識(shí)別條件的圖像。

（3）適應(yīng)不同復(fù)雜場(chǎng)景。傳統(tǒng)圖像識(shí)別場(chǎng)景一般是單一顏色、同種物體、規(guī)則形狀、固定不變的簡(jiǎn)單場(chǎng)景，而編組站提鉤自動(dòng)化智能識(shí)別場(chǎng)景中，由于相鄰兩輛貨車的間距比較小，在連接處還設(shè)有制動(dòng)桿、風(fēng)管路接頭、制動(dòng)踏板等裝置，識(shí)別場(chǎng)景相對(duì)復(fù)雜，同時(shí)由于提鉤作業(yè)通常在室外進(jìn)行，識(shí)別場(chǎng)景易受天氣影響。因此，編組站提鉤自動(dòng)化智能識(shí)別設(shè)計(jì)應(yīng)考慮適應(yīng)不同復(fù)雜場(chǎng)景，避免因作業(yè)環(huán)境導(dǎo)致的智能識(shí)別穩(wěn)定性下降。

（4）匹配其它提鉤系統(tǒng)。提鉤自動(dòng)化技術(shù)是一整套復(fù)雜的系統(tǒng)問(wèn)題，并非單純依靠某一個(gè)關(guān)鍵點(diǎn)或子系統(tǒng)來(lái)解決。編組站提鉤自動(dòng)化智能識(shí)別設(shè)計(jì)需要與整套自動(dòng)提鉤以及其它子系統(tǒng)相匹配，如自動(dòng)提鉤走行系統(tǒng)、機(jī)械手臂系統(tǒng)、通信系統(tǒng)、動(dòng)力系統(tǒng)、控制系統(tǒng)等。

1.2 圖像信息處理

（1）位置信息獲取。編組站提鉤自動(dòng)化智能識(shí)別利用外部觸發(fā)設(shè)備獲取待提鉤車輛與推峰車組的位置信息，通過(guò)兩組激光雷達(dá)判定車組行進(jìn)方向，利用車輛間隙進(jìn)行計(jì)數(shù)，通過(guò)預(yù)先設(shè)定的鉤計(jì)劃判斷待提車輛位置。當(dāng)待提車輛到來(lái)時(shí)，觸發(fā)設(shè)備發(fā)出信號(hào)，啟動(dòng)圖像采集設(shè)備工作。當(dāng)判定車組反向行進(jìn)時(shí)，觸發(fā)設(shè)備不工作。

（2）作業(yè)過(guò)程監(jiān)控。編組站提鉤自動(dòng)化智能識(shí)別采用實(shí)時(shí)視頻監(jiān)控高清攝像頭，對(duì)自動(dòng)提鉤作業(yè)的全過(guò)程進(jìn)行監(jiān)控。攝像設(shè)備輸出的視頻便于后臺(tái)用戶觀察自動(dòng)提鉤系統(tǒng)外觀情況，直觀反映作業(yè)過(guò)程及問(wèn)題；當(dāng)夜晚或天氣原因?qū)е鹿饩€不足時(shí)，編組站提鉤自動(dòng)化智能識(shí)別照明設(shè)備啟動(dòng)，進(jìn)行暗區(qū)補(bǔ)光，確保圖像采集獲取正確圖像信息。

（3）圖像數(shù)據(jù)采集。編組站提鉤自動(dòng)化智能識(shí)別采用高清機(jī)器人視覺(jué)圖像處理攝像頭，進(jìn)行待提鉤車輛提鉤把圖像數(shù)據(jù)采集。通過(guò)高清攝像頭進(jìn)行拍攝，將采集到的圖像數(shù)據(jù)轉(zhuǎn)換為數(shù)字信息傳遞至工業(yè)計(jì)算機(jī)儲(chǔ)存，再進(jìn)行計(jì)算機(jī)的自動(dòng)識(shí)別處理。采集得到的圖像數(shù)據(jù)原圖分辨率為4 160×3 120。

（4）信息數(shù)據(jù)處理。編組站提鉤自動(dòng)化智能識(shí)別采用工業(yè)計(jì)算機(jī)作為整套流程的“腦中樞”，進(jìn)行圖像數(shù)據(jù)交互、數(shù)據(jù)處理、數(shù)據(jù)存儲(chǔ)、命令發(fā)布以及與其它系統(tǒng)的配合聯(lián)動(dòng)等等。除此之外，編組站提鉤自動(dòng)化智能識(shí)別還利用工業(yè)計(jì)算機(jī)的通信接口從編組站綜合自動(dòng)化系統(tǒng)獲取相關(guān)解編作業(yè)信息。

編組站提鉤自動(dòng)化智能識(shí)別設(shè)計(jì)的圖像信息處理結(jié)構(gòu)如圖1 所示。

圖1 圖像信息處理結(jié)構(gòu)Fig.1 Structure of image information processing

1.3 智能識(shí)別流程

智能識(shí)別技術(shù)應(yīng)用于編組站駝峰解編作業(yè)，其工作流程大體可分為圖像采集、圖像預(yù)處理、圖像特征值提取及圖像匹配識(shí)別等過(guò)程。智能識(shí)別流程如圖2 所示。

（1）圖像采集。圖像采集一般有靜態(tài)采集和動(dòng)態(tài)采集2 種方式，這2 種方式的差別主要在于是否需要外部觸發(fā)信號(hào)，以及是否需要計(jì)算機(jī)進(jìn)行實(shí)時(shí)圖像處理。動(dòng)態(tài)采集方式不需任何外部觸發(fā)信號(hào)，但需要計(jì)算機(jī)對(duì)采集到的圖像進(jìn)行實(shí)時(shí)動(dòng)態(tài)處理，這種方式占用大量計(jì)算機(jī)資源，同時(shí)算法處理存在延遲，會(huì)降低解編作業(yè)自動(dòng)提鉤效率。靜態(tài)采集需要外部觸發(fā)信號(hào)，但算法相對(duì)簡(jiǎn)單，無(wú)需占用計(jì)算機(jī)大量?jī)?nèi)存，可以更好地滿足自動(dòng)提鉤作業(yè)需求。因此，選擇采用靜態(tài)圖像采集方式完成智能識(shí)別研究。當(dāng)作業(yè)開(kāi)始時(shí)，智能識(shí)別進(jìn)行軟件初始化，啟動(dòng)攝像設(shè)備，攝像設(shè)備進(jìn)行視頻流傳輸，工作人員可以從控制臺(tái)直接觀察到現(xiàn)場(chǎng)情況。當(dāng)車輛到達(dá)時(shí)，自動(dòng)提鉤系統(tǒng)獲悉其到達(dá)訊息，控制器觸發(fā)圖像采集工作。

（2）圖像預(yù)處理。圖像預(yù)處理是基于車鉤提鉤把圖像采集結(jié)果，對(duì)圖像進(jìn)行處理并最終用于圖像特征值提取過(guò)程，主要包括圖片灰度校正、圖片噪聲過(guò)濾、逆光與過(guò)曝判斷、逆光補(bǔ)償、過(guò)曝補(bǔ)償?shù)冗^(guò)程。①圖片灰度校正是為了使采集到的圖像灰度均勻分布，以獲得更好的圖像視覺(jué)效果，便于計(jì)算機(jī)識(shí)別處理[10]。②圖片噪聲過(guò)濾將圖像采集得到的車鉤提鉤把圖片可能會(huì)因電子干擾、光線變化而產(chǎn)生像素的突變，導(dǎo)致圖像中出現(xiàn)假色、粗糙點(diǎn)，這種情況稱之為圖片噪聲。由于圖片噪聲不能反映原圖的真實(shí)情況，會(huì)對(duì)計(jì)算機(jī)圖像識(shí)別造成障礙。因此，在智能識(shí)別處理前，還應(yīng)進(jìn)行圖片噪聲過(guò)濾[11]。③圖片逆光、過(guò)曝判斷與補(bǔ)償?shù)闹饕康氖谴_保圖像能夠正常用于智能識(shí)別，避免出現(xiàn)因光線過(guò)強(qiáng)而引起圖像失真的情況。逆光、過(guò)曝判斷采用灰度圖像閾值法，這種方法依托灰度圖像直方圖，通過(guò)圖像直方圖的分布，判斷圖像是否逆光或過(guò)曝[11]。灰度圖像直方圖用來(lái)表示圖像每個(gè)亮度值出現(xiàn)的頻率，由于逆光或過(guò)曝圖像的灰度直方圖分布不均勻，灰度值偏大和偏小的像素點(diǎn)很多，而光線合理的圖像，灰度值分布應(yīng)比較均勻。

圖2 智能識(shí)別系統(tǒng)流程Fig.2 Workflow of intelligent recognition system

（3）圖像特征值提取與匹配。圖像特征值提取與匹配識(shí)別主要目的是判斷圖像中的有用特征，將其提取出來(lái)，并與數(shù)據(jù)庫(kù)中的特征量相比較，當(dāng)所比較的特征量處于預(yù)先設(shè)定的相似度閾值內(nèi)時(shí)，便可得到該特征的高度、寬度等數(shù)據(jù)，從而使提鉤自動(dòng)化系統(tǒng)得到相應(yīng)信息，完成提鉤工作。傳統(tǒng)圖像識(shí)別方法在編組站駝峰這種復(fù)雜環(huán)境下的應(yīng)用往往得不到理想效果，特別是遇到大規(guī)模數(shù)據(jù)集、大量復(fù)雜識(shí)別場(chǎng)景、普通圖像特征值無(wú)法選取等情況時(shí)，還會(huì)面臨更多問(wèn)題[12]。在這種情況下，計(jì)算機(jī)深度學(xué)習(xí)技術(shù)作為近年來(lái)的熱門方向，是解決此類問(wèn)題的一種有效嘗試。深度學(xué)習(xí)是通過(guò)建立具有階層結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)，在計(jì)算系統(tǒng)中實(shí)現(xiàn)人工智能的一種方式，可以通過(guò)初始層的低層圖像特征值逐步轉(zhuǎn)化為高層特征值，利用簡(jiǎn)單判別實(shí)現(xiàn)智能識(shí)別[12-13]。因此，對(duì)于編組站提鉤自動(dòng)化研究，基于深度學(xué)習(xí)的智能識(shí)別技術(shù)可作為一種實(shí)現(xiàn)駝峰自動(dòng)解編作業(yè)的有效手段，同時(shí)也是未來(lái)智能識(shí)別技術(shù)在編組站應(yīng)用的發(fā)展方向。

2 編組站提鉤自動(dòng)化智能識(shí)別技術(shù)實(shí)現(xiàn)

2.1 圖像預(yù)處理技術(shù)實(shí)現(xiàn)

由前文所述，圖像預(yù)處理分為圖片灰度校正、圖片噪聲過(guò)濾、圖片逆光過(guò)曝判斷補(bǔ)償3 個(gè)步驟。其具體的實(shí)現(xiàn)方法如下。

（1）圖片灰度校正。圖像像素點(diǎn)的顏色可以用RGB 3 個(gè)分量進(jìn)行描述，每個(gè)分量的取值范圍均為0 ～ 255，設(shè)某個(gè)像素點(diǎn)坐標(biāo)為(i，j)，RGB 值分別為Ri，j，Gi，j，Bi，j，則經(jīng)灰度校正后的該點(diǎn)灰度值GV(i，j)值可以經(jīng)過(guò)以下變換得到。

式中：aR，aG，aB為灰度線性校正系數(shù)，按經(jīng)驗(yàn)值可分別取值0.3，0.59，0.11。

在灰度校正過(guò)后，圖像每個(gè)像素點(diǎn)的RGB 值相等。

（2）圖片噪聲過(guò)濾。在智能識(shí)別設(shè)計(jì)中，采用高斯濾波器處理此問(wèn)題。高斯濾波是通過(guò)卷積運(yùn)算，對(duì)圖像像素點(diǎn)進(jìn)行一定鄰域像素值進(jìn)行加權(quán)平均。

設(shè)圖像中某個(gè)點(diǎn)坐標(biāo)為(i，j)的像素點(diǎn)灰度值為GV(i，j)，則采用二維高斯函數(shù)計(jì)算核矩陣維度為k時(shí)，此像素點(diǎn)高斯核內(nèi)元素Hi，j可以表示為

式中：σ為決定寬度的參數(shù)。

得到高斯核后，對(duì)該點(diǎn)像素值進(jìn)行歸一化，得出的降噪后灰度值GV1(i，j)為

（3）圖片逆光、過(guò)曝判斷與補(bǔ)償。智能識(shí)別設(shè)計(jì)采用對(duì)比度拉伸的方法，利用灰度變換，將降噪處理后的提鉤把圖像各像素灰度值進(jìn)行拉伸，在0 ～ 255 區(qū)間相對(duì)均勻分布。按公式 ⑷ 將像素的灰度值映射到更大的灰度空間。

式中：GV2(i，j)為經(jīng)過(guò)對(duì)比度拉伸后的灰度值；GVmax，GVmin分別為圖像中灰度最大值和最小值。

2.2 圖像特征值提取與圖像匹配識(shí)別技術(shù)實(shí)現(xiàn)

智能識(shí)別設(shè)計(jì)采用深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行圖像特征值提取與圖像匹配的技術(shù)實(shí)現(xiàn)。深度卷積神經(jīng)網(wǎng)絡(luò)模型[14]進(jìn)行智能識(shí)別訓(xùn)練與分類時(shí)，通過(guò)局部連接和權(quán)值共享以減少訓(xùn)練的參數(shù)，深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示。經(jīng)過(guò)處理的車鉤提鉤把圖像由最底層輸入后，依次傳至下一層，每層通過(guò)相應(yīng)的濾波器進(jìn)行圖像特征值提取，最后輸出結(jié)果。這種技術(shù)最重要的特點(diǎn)就是可以自動(dòng)地從訓(xùn)練樣本集中學(xué)習(xí)圖像特征，減少人工設(shè)計(jì)與干預(yù)，并且可從多層的學(xué)習(xí)模式中發(fā)現(xiàn)數(shù)據(jù)復(fù)雜結(jié)構(gòu)，提高圖像識(shí)別的成功率。

圖3 深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of the deep convolution neural network

深度卷積神經(jīng)網(wǎng)絡(luò)算法的具體步驟如下。

（1）將圖像細(xì)化為50×50 像素大小的模塊作為輸入圖像。計(jì)算特征聚類矩陣M。M涵蓋4 個(gè)特征值，可以表示為

式中：Eva{}為聚類計(jì)算函數(shù)；L為圖像寬；H為圖像高；P為通道；δ為乘積。

（2）建立卷積層，將輸入圖像由底層（輸入層）傳入。對(duì)輸入層的特征映射進(jìn)行卷積處理，使圖像特征更加明顯。對(duì)第j層卷積層操作時(shí)，第j層的特征映射可以表示為

式中：Yj為第j層的特征映射，表示輸出映射；g(x)為激勵(lì)函數(shù)；*為2 維卷積運(yùn)算符號(hào)；Yi為第i層的特征映射，表示輸入映射；Kij為卷積核表達(dá)式；bj為偏值。

（3）對(duì)上述結(jié)果進(jìn)行最大池化操作，建立最大池化層。按下列通識(shí)公式計(jì)算。

式中：max{}為取最大值計(jì)算；s為池化層區(qū)域的大?。粂 i(j，k)為第i個(gè)特征映射在(j，k)內(nèi)的神經(jīng)元；hi(?)為第i個(gè)特征映射位于?的神經(jīng)元，此處?=j·s+m·k·s+n，此處m，n為神經(jīng)元在池化區(qū)域內(nèi)的位置偏移量。

（4）設(shè)置激勵(lì)層，再次凸顯輸入圖像的特征。采用ReLu 函數(shù)R(x)作為激勵(lì)函數(shù)，當(dāng)特征值x高于既定標(biāo)記時(shí)給予激勵(lì)，否則清零。

（5）計(jì)算輸入圖像的訓(xùn)練誤差。對(duì)于訓(xùn)練過(guò)程中存在的誤差，采用平法誤差法進(jìn)行處理，則第n個(gè)樣本的訓(xùn)練誤差En表示為

式中：c為輸出節(jié)點(diǎn)個(gè)數(shù)；m為循環(huán)變量，m= 1，2，…，c；為第m個(gè)節(jié)點(diǎn)的第n個(gè)樣本梯度真實(shí)值；為第m個(gè)節(jié)點(diǎn)的第n個(gè)樣本訓(xùn)練輸出層。

（6）對(duì)輸入圖像的誤差進(jìn)行歸一化處理。為了使每一層的輸入服從相同分布，將En按照公式 ⑽ 進(jìn)行歸一化處理，得到歸一化誤差為

式中：E(n)為En的平方值；AVE[E(n)]為前n次誤差平方的平均值；為標(biāo)準(zhǔn)差。

（7）計(jì)算圖像特征識(shí)別距離。對(duì)目標(biāo)提鉤把圖像的高H、寬L、通道P、乘積δ進(jìn)行特征聚類計(jì)算，輸出特征矩陣M，xi∈M，對(duì)特征矩陣M與樣本求計(jì)算特征識(shí)別距離d0(i，j)，距離越小，證明特征矩陣M越接近樣本，所識(shí)別的部分與數(shù)據(jù)庫(kù)提鉤把學(xué)習(xí)樣本越相近。最終計(jì)算的特征識(shí)別距離為

式中：α，β，γ，τ為初始化修正參數(shù)，為提高識(shí)別精度在識(shí)別現(xiàn)場(chǎng)對(duì)第一次識(shí)別進(jìn)行校正，以消除外界天氣因素帶來(lái)的噪聲干擾。

（8）利用圖像特征值完成圖像匹配識(shí)別。根據(jù)計(jì)算取得的特征識(shí)別距離，鎖定樣本實(shí)現(xiàn)對(duì)目標(biāo)提鉤位置的識(shí)別，完成圖像匹配識(shí)別。

2.3 實(shí)例應(yīng)用

為驗(yàn)證智能識(shí)別的正確性與有效性，定義可靠度r作為評(píng)價(jià)智能識(shí)別可靠性的參數(shù)，按公式 ⑿ 計(jì)算如下。

式中：nS為識(shí)別成功的樣本數(shù)量；nF為識(shí)別失敗與漏識(shí)別的樣本數(shù)量。

試驗(yàn)采用平面調(diào)機(jī)推送的方式，預(yù)先將智能識(shí)別硬件設(shè)備搭建于某編組站內(nèi)，隨機(jī)選取不同車型進(jìn)行編組，在晴朗日間(光照強(qiáng)度在10 000 ～ 80 000 lx 區(qū)間范圍內(nèi))、陰天日間(光照強(qiáng)度在200 ～ 20 000 lx 區(qū)間范圍內(nèi))、晴朗夜間(利用照明燈，光照強(qiáng)度在75 lx 左右)進(jìn)行。根據(jù)試驗(yàn)周期，將數(shù)據(jù)分為3 組，共得到圖片樣本8 439 個(gè)，試驗(yàn)結(jié)果如表1 所示。

表1 試驗(yàn)結(jié)果Tab.1 Test results

根據(jù)試驗(yàn)情況來(lái)看，試驗(yàn)樣本共8 439 個(gè)，識(shí)別成功樣本數(shù)量共8 388 個(gè)，識(shí)別失敗與漏識(shí)別樣本數(shù)量共51 個(gè)，智能識(shí)別方案在試驗(yàn)中的平均可靠度達(dá)99.37%。試驗(yàn)中，未發(fā)現(xiàn)智能識(shí)別過(guò)程在晴朗日間、陰天日間與晴朗夜間正常光照強(qiáng)度下的明顯差異。

經(jīng)分析，智能識(shí)別算法產(chǎn)生識(shí)別失敗情況的原因主要有2 點(diǎn)。一是由于圖像樣本中，車身外側(cè)存在類似提鉤把形狀的部件，如轉(zhuǎn)向架搖枕邊框、承載鞍間隙、部分車輛制動(dòng)管、側(cè)面爬梯、扶手等裝置，這些裝置可能會(huì)導(dǎo)致智能識(shí)別誤判。二是由于車輛提鉤把形變過(guò)大，或是提鉤把上包纏鐵絲、鐵鏈等裝置，導(dǎo)致智能識(shí)別漏判。

3 結(jié)束語(yǔ)

鐵路編組站解編作業(yè)是運(yùn)輸生產(chǎn)的重要環(huán)節(jié)，也是編組站無(wú)法實(shí)現(xiàn)全面自動(dòng)化作業(yè)的主要瓶頸。新時(shí)代科技強(qiáng)國(guó)、交通強(qiáng)國(guó)的宗旨對(duì)智能鐵路不斷提出新的要求，而鐵路編組站解編自動(dòng)化技術(shù)作為智能鐵路重要的支撐，不僅緊密貼合鐵路發(fā)展需要，同時(shí)可以有效解決現(xiàn)場(chǎng)作業(yè)中存在的作業(yè)環(huán)境差、人員易疲勞、危險(xiǎn)系數(shù)高等問(wèn)題，顯著提高駝峰解編效率。結(jié)合圖像識(shí)別與深度學(xué)習(xí)技術(shù)，設(shè)計(jì)鐵路編組站提鉤自動(dòng)化智能識(shí)別方案，并進(jìn)行應(yīng)用和結(jié)果驗(yàn)證，試驗(yàn)中的方案平均可靠度達(dá)99.37%，為今后提鉤自動(dòng)化技術(shù)的深化研究提供了一定的理論與技術(shù)支撐。為確保智能識(shí)別方案可靠性達(dá)到最優(yōu)，還需要進(jìn)步進(jìn)行試驗(yàn)與研究實(shí)現(xiàn)不斷改進(jìn)。