面向轨道智能交通大学生创新训练实践教学平台设计

叶 涛， 郑志康， 郝天成， 徐欣宇， 李东圣

（中国矿业大学（北京）机械与电气工程学院，北京 100083）

0 引 言

大学生创新创业训练项目（以下简称大创项目）是国家为了增强高校大学生的创新能力，培养适应创新型国家建设需求的高水平创新人才而设立的项目［1］。在此过程中，大学生在导师指导下，独立自主完成创新性项目设计、实验条件准备、项目实施和研究报告撰写等工作。大学生创新创业训练项目要求做到多学科理论与实践相结合、经验与创新相结合、模型设计与样机实验相结合，故实践创新环节是教学过程非常重要的一个环节。然而，在现有实践实验过程中，教师主要强调专业理论知识教学，弱化了真正意义上的实践与理论相结合的教学模式；与此同时，现有的项目分工模式存在工作上的串联问题，使得最后各部分工作难以串联形成一个整体，导致团队通力协作能力难以得到充分锻炼。上述因素影响了学生对科研创新的兴趣和热情，进而导致无法圆满完成创新创业的基本工作要求。

铁路运输业是国民经济的支柱产业，在轨道交通运输体系中居骨干地位，对国民经济发展起着强有力的支撑作用，截至2022 年12 月，中国的铁路线路长达15.50 万km，同时，超长的铁路线路带来维护时人力物力的大量消耗。在铁路运输系统中，安全运行是确保列车平稳和持续运行的基础［2-3］。随着轨道交通的飞速发展，列车运行速度越来越快，列车驾驶员通过人眼观察列车前方路况，基于主观判断危险的存在，由于主观误判与视觉疲劳等因素，容易发生列车撞击异物或追尾等重大交通事故［4］。铁路沿线的轨道异物入侵导致的轨道交通事故尤为严重，轨道异物入侵是指在列车前向轨道上所有会造成行车安全隐患的障碍物，如落石、遗留在铁路上的工具、滞留在轨道上的工作人员等。异物入侵事件具有突发性和不可预测性，一旦发生轨道交通事故，救援难度极大，尤其在地下和偏远地区。为保证列车行车安全，应加强对应急事件的检测与处理，对列车运行环境的进行实时智能检测，实现异物入侵的报警。因此，对轨道侵入异物进行快速准确检测的系统性研究尤为重要。

为此，项目组织了以5 名机械工程专业本科生和1 位指导教师为主的大创实践团队，以“轨道异物入侵视觉检测系统”的大创教学实践教学平台设计为目标，研究并开发了一种智能轨道异物入侵自主检测系统，主要包括小型智能轨道异物入侵检测物理样机的研制和基于深度学习的高效轨道异物入侵检测方法开发。通过上述大创实践教学平台的研制开发，旨在提升学生对机械结构设计和人工智能技术等交叉学科知识的理解和实际应用能力，以及增强大创成员的创新实践思维。

1 实践教学平台设计

1.1 智能化轨道异物入侵自主检测系统设计

本文开发了一种智能轨道异物入侵自主检测系统，如图1 所示。轨道异物入侵自主检测系统主要由软硬件组成，软件包括轨道异物入侵检测算法和预警提示算法；硬件主要包括小型智能轨道异物入侵检测物理样机。其中，小型智能轨道异物入侵检测物理样机利用星光相机采集列车前向的环境信息，而星光相机在夜间低照度条件下可自适应提升捕获图像的质量，为后续目标检测任务提供良好的视觉条件。轨道异物入侵检测算法以高性能嵌入式设备Jetson Xavier NX［5］为计算模块，在保证模型实时性的同时对检测模型进行移植部署并执行实时检测任务。预警提示算法处理上述检测信息并结合多帧累计检测以决定是否预警，包括语音报警和显示报警，列车驾驶员结合预警信息实现列车制动，进而保证列车安全运行。本文主要以智能轨道异物入侵自主检测系统的物理样机研制和检测算法设计为重点，实现在实际轨道环境中高精度实时轨道入侵异物检测，使学生能够理解并掌握理论高度结合实践的过程，提升对大创项目实践的热情。

图1 智能化轨道异物入侵自主检测系统

智能轨道异物入侵自主检测系统具体工作步骤如下：

（1）小型智能化轨道异物检测系统由图像采集层、图像智能处理层和决策层三部分组成。其中图像采集系统中的星光相机与报警器连接图像信息处理系统中的处理器。

（2）轨道异物入侵检测模型移植部署到处理器平台并调整运行参数。

（3）星光相机负责图像的采集任务，并将采集的数据传入图像信息处理系统。

（4）图像信息处理系统对星光相机采集到的数据进行实时分析，对出现的轨道侵入物进行高精度识别并做出正确决策。

（5）当列车运行前方轨道出现侵入物时，报警器自动报警，提醒列车驾驶员进行相应的处置操作。当侵入物消失后，系统自动恢复到正常模式。

1.2 轨道异物入侵检测物理样机研制

以机械设计和机械原理等所学专业核心知识为基础，自主设计了智能轨道异物入侵检测物理样机，其二维平面和实物结构图如图2 所示。轨道异物入侵检测物理样机集成了高性能Jetson Xavier NX处理器、星光相机FCB-EV9500L、电源、变压器和语音报警器等硬件。样机具有小体积和低能耗的特点，长宽高分别为28、22、10 cm，最大功耗仅为30 W。样机箱体及前后端盖由铝合金板材经切割折弯等机械加工而成，重量轻且耐腐蚀。前端盖横向并排相机口和报警器出音口，相机镜头盖与前端盖相连以保护相机镜头安全及减少镜头受污渍污染。箱体前部分别通过连接减震支架安装了相机、处理器和语音报警器。箱体的后半部分安装了电源及变压器并进行了绝缘处理，避免发生漏电事故。后侧箱体壁设计了风扇散热出风口。箱体底部四角安装了地脚螺栓可以自由调节样机的高度及角度。为了培养学生良好的机械设计思维，轨道异物入侵检测物理样机采用现代机械设计方法的模块化设计理念，样机整体设计简洁美观、元器件安装便捷，设备硬件调试便捷。

图2 智能化轨道异物入侵检测样机结构图

轨道异物入侵检测样机主要由处理器、星光相机、语音报警器和开关电源等硬件组成，其中硬件体积偏小，适合在小型相机中高度集成，主要硬件选型及结构如图3 所示。

图3 样机主要硬件实物

Jetson Xavier NX 是一种基于NAVID VOLTATM架构的AI超级处理器，配备21TPOS 的运算能力和1.9 GHz的主频。处理器实物图如图3（a）所示，其具有体积小性能优、计算力强、应用广等特点，对设计小型化智能异物入侵检测样机极为有利，作为边缘设备也为后续检测算法提供了强大的算力支撑。

列车在运行过程中，大多数情况下为直线轨道，因此需要选用远距离和大焦距的相机，但远距离相机存在视角范围较小，而近距离的大视角相机可弥补视角范围较小的相机的缺点。此外，考虑到轨道交通列车运行时间长、距离远以及光线突变将影响可见光相机的成像质量，经过市场调研多款星光级摄像机并进行多方面的性能对比，索尼的星光级相机FCB-EV9500L因其优异的低照度成像能力以及综合的清晰成像质量，成为小型智能轨道异物入侵检测物理样机的图像采集设备的最佳选择。FCB-EV9500L 采用了新的镜头、图像传感器和图像信号处理器的一种高可见度的彩色摄像模组，在小型图像传感器上实现了紧凑尺寸的30x加强光学变焦。该摄像模组可广泛地用于各种复杂环境场景，包括低照度条件环境。尤其是超级图像防抖功能，可大幅改善和提升图像的运动模糊，与传统的图像传感器相比实现了2 倍的感光度，故可在夜间等低照度环境下采集较清晰图像。

1.3 轨道异物入侵检测方法设计

轨道异物入侵检测时，常常会由于不同场景下天气、光线和检测目标形态的变化造成错检、漏检的情况发生，影响检测系统的稳定性和可靠性，此外，越早检测到远处的目标就能及时预警并制动停车，而远处的目标在图像的占比较小，故要求所设计的方法对小目标有良好的检测精度。在衡量性能指标时，不能将重点单方面集中于检测精度或识别速度，为了利于网络模型移植部署，需要同时兼顾实时性和检测精度［6］。

为了培养学生的科研创新能力，引导学生发觉现有方法所存在的问题并进行优化与改进，以实现更优的方法，对先进目标检测算法YOLOv5［7］的检测结果进行了详细分析：虽然该算法检测精度较高，但其复杂的计算量也延长了推理速度。为平衡各项性能指标以利于模型部署移植，实现在边缘设备上的检测精度和推理速度的双平衡，本项目基于YOLOv5 算法，并针对上述问题进行了优化，提出如图4 所示的轨道异物入侵检测网络。采用一种分阶段的卷积计算模块，在少量的非线性的卷积得到的特征图基础上，再进行一次线性卷积，从而获取更多的特征图，而新的特征图称为先前特征图的ghost［8-9］，以此消除冗余特征并获取更轻量的模型。基于上述基线，所提方法还利用SIoU［10］损失函数替换原来的CIoU［11］，加快模型训练速度并提升检测性能。

图4 轨道异物入侵检测网络总体架构

Ghost bottleneck［12］是一个可复用模块，用来替换YOLOv5 中的C3 模块，本文还采用Ghost 模块替换了普通卷积模块，这种操作能减少计算量并降低模型大小，两种模块见图5。Ghost bottleneck 模块与ResNet中的基本残差块相似，由两个堆叠的Ghost模块组成。其中第1 个Ghost 模块用作扩展层，增加通道数；第2个Ghost模块减少通道数，与shortcut路径匹配。使用shortcut连接两个Ghost 模块的输出和输入。Ghost Bottleneck中第2 个Ghost 模块不使用ReLU，其他层在每层之后都应用了批量归一化和ReLU 激活函数。当stride ＝2 时，两个Ghost 模块之间通过一个stride＝2 的深度卷积进行连接。通过利用Ghost模块减少网络参数量的方式提升网络的推理速度，可开拓学生的视野，定性地解释深度神经网络黑盒模型中影响推理速度的具体原因。

图5 Ghost和Ghost bottleneck模块

在应用Ghost bottleneck 模块后，模型检测速度显著提高，但是平均检测精度（mAP）有一定程度的降低。损失函数很大程度上决定了模型的性能，模型训练时主要包含三方面的损失：边界框损失（lossbox）、置信度损失（lossconf）和分类损失（losscls）。本文通过改进优化损失函数以提升模型的收敛速度和检测精度。具体而言，将SIoU损失作为边框回归损失函数以提升模型的实时性。SIoU 在传统边框损失函数基础上引入真实框和预测框之间的向量角度，重新定义相关函数。具体包含四部分：

（1）角度损失（见图6）

图6 角度损失分析

式中：

表示真实框和预测框中心点的高度差；

为真实框和预测框中心点距离，事实上arcsin（Ch／σ）等于角度α，即Ch／σ ＝sin α。

在图6 中为真实框中心坐标，（bcx，bcy）为预测框中心坐标。当α为π／2 或0 时，角度损失为0，在训练过程中若α ＜π／4，则最小化α，否则最小化β。

（2）距离损失

式中：

为真实框和预测框最小外接矩形的宽和高；γ ＝2－Λ。

（3）形状损失

式中：

（w，h）和（wgt，hgt）分别为预测框和真实框的宽和高；θ为控制对形状损失的关注程度，为了避免过于关注形状损失而降低对预测框的移动，初步定于θ 参数范围为［2，6］，在本文中，θ设置为4。

（4）真实框和预测框的交并比损失。最终SIoU损失函数定义如下：

通过SIoU损失函数模型的使用，能够一定程度上提高模型实时性较低的问题［16］。

2 实验及结果分析

2.1 数据集和参数设置

为了评估所提方法对轨道入侵异物的检测性能，本文对真实轨道场景采集的视频进行抽帧和图像增强，生成了包含不同天气、光照和复杂背景的轨道场景图像，以模拟不同复杂的真实轨道场景，进一步丰富了数据集。本文共收集图像8 778 张，大小为640 ×512，异物目标分为7 个类别：左转轨道、右转轨道、直行轨道、列车、行人、扳手和安全帽。数据集的样本示例和实例分布如图7 所示。

图7 数据集示例图

从图7 可以得出，行人的实例数量最多，达到8 000 以上，列车也有3 700 多个实例目标，相对而言，轨道的类别（包括左、右转轨道和直行轨道）数量较少。检测这些目标的目的在于：列车转弯过程中由于车体挡住了驾驶员视线，容易导致事故发生，而检测列车运行方向可以提醒驾驶员保持警惕，降低事故发生的概率；小体积目标扳手与安全帽数量大概为1 000和3 000，对工人在铁路上丢失的头盔和扳手进行检测，可减少不必要的损失，而且能证明本文方法对小目标的有效性。其中80%的图像用于训练和验证，20%用于测试。在自建轨道异物入侵数据集上对所提方法进行了实验验证及测试，采用Intel® Core TM i7-6950X CPU处理器，同时配备4 块内存为12 GB 的NVIDIA GeForce GTX 1080Ti 显卡，采用随机梯度下降法（SGD）作为优化器，初始学习率（learning rate）设置为0.01，并随着迭代次数的增长而减小，最大迭代次数为100 轮，权重衰减（weigth decay）为0.000 5，动量参数（momentum）为0.937，批量大小（batch size）为32，非极大值抑制（NMS）域值为0.45，置信度值域为0.25。

2.2 实验设计和结果分析

为验证提出的轨道异物入侵检测方法对轨道检测效果的有效性，以IoU 为0.5 时的平均检测精度（mAP50）和检测速度FPS 为模型检测性能的评价指标，两种评价指标的数值越大表明检测性能越好。所提方法在自建轨道异物入侵数据集上与经典的目标检测器Faster RCNN［13］、SSD［14］、YOLOv3［15］和YOLOv5 s进行了对比，实验结果如表1 所示。结果表明，所提方法取得了96.1%的平均检测精度和209 FPS的检测速度。检测精度在所有模型中取得了最优和次优的结果，表明所提方法具有高精度的特点；此外在小目标上也取得了不错的检测精度，尤其是扳手，取得了96.1%的高精度；更重要的是，检测速度比YOLOv5 s取得了一倍的提升，为移植部署提供了良好的基础支撑。综上所述，本文所提出的方法取得了检测精度和检测速度的双平衡。

表1 实验对比结果

图8 展示了对不同场景图像的可视化结果，可以观察到，所提方法能够准确地检测到绝大多数目标。图8（a）、（b）是不同光照条件下的检测结果，说明了本文的方法对不同照度的自适应能力；图8（e）是对复杂的轨道场景的检测示意图，在复杂目标众多的环境下，显示出了较强的泛化能力，图8（d）、（f）展示了对行人、列车以及小目标扳手和安全帽的检测结果，对于遮挡的目标和远处小目标，提出的方法也能准确检测。

图8 不同环境条件下的可视化结果

使用混淆矩阵和准确率-召回率曲线可定量和定性的评估模型的稳健性。如图9（a）所示，混淆矩阵的每一行代表真实类，每一列代表预测类，所有正确分类的预测都在对角线上，而错误分类的则在其他区域，对角线颜色越深表明分类精度越高。所提方法正确地对目标进行分类，并且错误识别率较低。图9（b）是7种类别准确率-召回率曲线（Precision-Recall 曲线），表明所提方法对7 类目标均具有良好的检测效果。

图9 混淆矩阵和Precision-Recall曲线

图10 是验证集上3 种损失函数和mAP随训练轮数的变化曲线，其中横坐标代表训练轮数，而前3 张图的纵坐标代表不同损失的大小，第四张图的纵坐标代表平均检测精度mAP50。由图可知，3 种损失均以较快的收敛速度达到了最小值，实验结果证明了SIoU的有效性，且在训练50 轮后，mAP也达到了峰值并逐渐趋于稳定。

图10 损失曲线和精度曲线

2.3 实验要求

实验要求学生掌握YOLOv5 和设计的网络结构及其各模块的功能，熟练网络的环境配置、训练参数的意义并调参，能够使用已有数据集进行训练，并对测试的实验结果进行综合对比与分析。通过理论与实践相结合，让学生了解基于深度学习的目标检测技术在轨道异物入侵检测中的实际应用，提升学生参与大创实践教学的积极性。

2.4 评价与考核

通过从不同角度进行评价与考核，能够帮助教师了解学生对大学生创新创业训练项目的完成情况、科研创新实践和团队通力协作能力的培养，便于及时调整指导方法。因此，在项目评价与考核方面，不仅要考虑轨道异物入侵自主检测系统的创新性、可行性和总体完成情况，而且还要对团队的合作和理论结合实际能力进行全方面地考核。按照完成时间、总体实现情况以及完成的质量等多方面综合评分，总评成绩由项目方案总体设计完成情况和团队协作和科研创新能力两部分组成，项目方案总体设计由物理样机设计和检测算法设计两部分组成，而团队协作和科研创新能力包括团队协作和科研创新，每部分各50 分。若应用到实验教学，可规定项目方案总体设计成绩和团队协作和科研创新成绩的百分比占比，本文按照7∶3的比例换算为总评成绩；最终的考核结果分为4 个等级：优秀、良好、及格和不及格。评分标准如表2 所示。教师将根据各部分成绩的总评得到每位参与同学的成绩，并根据各部分成绩具体情况，优化调整项目案例和教学模式。

表2 实验项目评分标准 分

3 结 语

本文以大学生创新训练项目的实验教学模式改革为契机，借助深度学习和机械设计等多交叉学科专业知识，设计了一种新型面向轨道交通应用的大学生创新训练项目实践教学平台，该教学平台以实现列车行驶前向轨道侵入物检测为主要目标，主要包括小型轨道异物入侵检测物理样机和轨道异物入侵高效检测方法，可实现列车行进中轨道入侵异物的实时检测与报警提示。通过该大学生创新训练实践教学平台设计与实施，增强了学生对人工智能等新技术的理解，培养了学生对新型大创实践项目的兴趣和热情，并提升了学生的工程实践能力。此外，针对上述教学平台的研制过程设计了项目案例的评价和考核机制，以精准掌握大创项目开展实施的质量，并根据考核情况优化大创项目指导方案，健全学生创新实践能力的培养模式。