基于GIS空间分析及深度学习的调车场安全识别系统

发布时间：2021-07-18 14:44

　　为实现调车场的智能化安全管理,首先基于调车作业的常见事故,分析了调车场系统中的人-机-环事故致因要素。利用GIS对调车场各空间组成要素进行建模,以获得调车场的电子地图与各组成要素的属性数据库。在此基础上,利用Arc GIS空间分析引擎对调车场对象的属性数据进行操纵分析,得出电路分路情况、道岔尖轨间隙特征、人员作业热点、货物空间分布等特征图层;并利用卷积神经网络（CNN）作为融合工具,以专家判定的危险区域为学习标签,大规模自动化提取各特征图层的特征,以达到自主学习专家知识的目的;最后,利用Ecd转化工具将训练的CNN识别引擎转化为栅格分类器,供GIS系统进行安全分类评估时调用,最终达到调车场自动安全分析的目的。经仿真数据验证,结果表明:在CNN的训练过程中,Dropout机制可有效控制过拟合现象,经训练的CNN在测试集的识别正确率为73. 81%; GIS系统能有效调用CNN,实现自动融合电子地图中的对象属性数据,完成调车场安全评估及展示。 

【文章来源】：安全与环境学报. 2020,20(02)北大核心CSCD

【文章页数】：10 页

【部分图文】：

调车场安全管理GIS数据系统逻辑结构

道岔可靠性特征图层是通过空间分析工具对道岔图层进行分析而得出的，其过程描述为:从数据库调取某一时间段内的各道岔各属性字段的实时更新值，导入GIS电子地图中道岔图层的属性表，红外计轴设备可记录车轮碾压顶铁的次数，碾压次数和顶铁使用时间可代表顶铁的可靠性，尖轨的硬弯程度及尖动程偏差可反映尖轨的可靠性，内外股道高度差偏差及导曲线反超高值可反映道岔区域的股道安全情况，道岔框架的尺寸偏差值可反映道岔框架的整体可靠性。同理，可得到其他对象的安全评判特征图像，部分计算方案及结果见表2、图2。2 卷积神经网络(CNN)与特征图像融合

式中Wi为第i层卷积核;运算符号为卷积核与上一层输入进行卷积操作，卷积的输出与第i层的偏移向量相加，通过非线性的ReLu激励函数f(·)得到第i层的结果Hi，其作用机理为卷积核(高通滤波器)对图像进行特征提取，引入ReLu激励函数后会大大提高引擎内神经元的激活稀疏性，继而增加特征提取效率。Krizhevsky与其导师Hinton在其设计的AlexNet中，证实了ReLu激发函数的优化效果[12-14]。图4 以GIS特征图像作为输入的CNN引擎结构

【参考文献】：
期刊论文
[1]铁路车务系统中间站调车作业安全防控对策分析[J]. 张亮.  铁道运输与经济. 2018(05)
[2]面向行为安全的泛场景数据理论与应用研究[J]. 佟瑞鹏,陈策,刘思路,卢恒,马建华.  中国安全科学学报. 2017(02)
[3]城市交通与信息化[J]. 汪光焘.  城市交通. 2015(03)
[4]铁路调车事故防控措施探讨[J]. 牛进峰.  铁道货运. 2013(03)
[5]GIS在调车作业监控系统中的应用研究[J]. 贺娟妮,宋宇博,程媛媛.  兰州交通大学学报. 2008(01)
[6]违章行为与心理因素分析[J]. 梁利.  中国安全科学学报. 2006(08)



本文编号：3289782