一种车内智能巡检系统方案设计.docxVIP

地铁车辆内部运维检修项点由业主检修规程确定，检修周期根据组织形式不同，分为日常检修（或均衡修）和架修大修。目前，日常检修主要是在车辆结束运营回库后，由负责运维的人员目视对内装进行检查，检查结束后，还需值守到早晨车辆出库。检查整体作业量大，时间为深夜，检查人员容易疲劳，出现漏检、误检情况，存在一定安全隐患。

目前主流的研究集中在车外智能化检测，采用专业工业相机布置在轨旁，诞生了一系列轨旁检测系统，如车体360检测系统、车顶受电弓检测系统、轮对检测系统、轮对踏面检测系统、车底智能检测机器人等。上述系统均用于车外侧的设备检测，且主体依赖工业相机结合2D+3D的图像采集模式实现智能检测，而车内设备的智能化检测目前尚未进行实践研究，存在研究空白。

1、总体方案设计

车内智能巡检系统主要由三部分组成，分别为车厢智能摄像机、车厢交换机、智能分析主机，如图1所示。在各客室分别安装4组摄像机，在各司机室分别安装1组摄像机，每个客室和司机室均布置1台交换机，摄像机通过网络接入交换机，各客室与司机室的交换机互联，再接入智能分析主机，由智能分析主机进行摄像机控制与视频采集，并对采集的视频进行分析，获得内装巡检结果。

系统作业模式：在车辆结束当天运营、由终点站行驶回库过程中，动态调整摄像机角度，自动变焦，对客室内的全局及局部视角进行图像采集，根据采集的图像数据实时进行AI分析，主要识别如下内容：

1）地面遗留水渍。

2）客室内存在遗留物，包含地面垃圾、乘客行李等物件。

3）设备移位：包括广告牌、电视机、灭火器、消防锤、柜门等客室固定设备的位置变动。

4）设备缺失：包括广告牌、电视机、灭火器、消防锤等客室设备异常缺失。

5）功能状态异常：电气柜异常打开。

运用模式：车辆在回库过程中，自动完成车内巡检工作，相关检测结果直接发送至地面终端，地面终端传输至终端手持机，由检修人员根据手持机推送结果上车确认并处置。

2、系统识别的几个关键技术

★

2.1?位置变动类

主要包括司机室把手、按钮等的位置发生变动，客室悬挂设备（如广告框等）、座椅等的位置出现变动。

识别模型：采用实例分割算法来实现部件移动检测。

识别精度：

1）在可视面范围内，当与正常位置发生的变动位移超出5mm时可识别。

2）对于门锁扣，按照正常/异常进行定性识别。

实现原理：实例分割算法的工作流程一般包括图像输入、特征提取、物体检测、实例分割和结果输出等步骤。将图像输入到算法中，通过卷积神经网络等技术提取图像的特征，利用物体检测算法检测图像中的物体，并确定每个物体的位置和类别，对每个检测到的物体进行实例分割，将其轮廓精确地分割出来，输出实例分割的结果，包括每个物体的类别、位置和轮廓等信息，如图2所示[1]。

2.2?丢失缺失类

主要包括安全锤、设备等缺失丢失。

识别模型：数据分类，通过目标检测模型判断部件是否丢失。

识别精度：按照有无定性识别。

实现原理：目标检测模型的工作流程一般包括图像输入、特征提取、目标检测和结果输出等步骤。首先，将待检测的图像输入到模型中，通过卷积神经网络提取图像的特征，利用目标检测算法在特征图上检测出目标物体的位置和类别，输出检测结果，包括目标物体的位置、类别和置信度等信息，如图3所示[2]。

2.3?外观破损类

主要包括漆面、遮阳帘、座椅面等破损。

识别模型：借助弱监督异常检测网络检测表面掉漆、缺损，异物附着。

识别精度：

1）鼓包/凹坑：5mm深度，50mm×50mm变化面积。；

2）表面破损：30mm×30mm破损面积。

实现原理：弱监督异常检测网络的工作流程一般包括数据采集、模型训练和缺陷检测三个阶段。在数据采集阶段，收集大量的正常样本和少量的异常样本，并对少量异常样本进行标注。在模型训练阶段，使用样本对网络进行训练，学习正常样本的特征分布。在缺陷检测阶段，将待检测样本输入到训练好的网络中，通过计算重构误差或生成效果等指标来判断样本是否为异常样本，如图4所示[3]。

2.4?文字识别类

主要包括识别、判断文字的异常。

识别模型：使用OCR进行文字识别判断。

识别精度：非手写的打印字迹，定性识别。

实现原理：OCR技术的工作流程一般包括图像获取、预处理、字符分割、特征提取、字符识别和后处理等步骤，通过光学设备获取包含文字的图像，对图像进行预处理，如去噪、二值化、倾斜校正等，以提高图像质量，进行字符分割，将图像中的文字分割成单个字符，提取每个字符的特征，并利用分类器进行字符识别，对识别结果进行后处理，如纠错、排版等，以提高识别结果的准确性和可读性，如图5所示。

2.5?玻璃裂纹类

主要包括各玻璃的检查。

识别模型：在疑似缺陷的局部，应用语义分割模型检测表面裂纹。

识别精度：宽2mm、长50mm的裂纹。

实现原理：语义分割模型的工作流程一般包