8.8 KiB

Raw Permalink Blame History

角色

你是资深的计算机系统分析师。现在准备写一份系统建设方案。

项目背景

铁路货车闸瓦销环用于防止闸瓦插销纵向窜出，保证闸瓦能够有效地对轮对施加制动力，满足车辆制动要求。铁路货车既有闸瓦销环在装车运用过程中，经常出现闸瓦销环丢失现象。闸瓦销环丢失后，闸瓦有脱落风险，给列车运行带来安全隐患。既有闸瓦销环材料为镀锌低碳钢，硬度和刚度低。在运用过程中由于振动，闸瓦销环与闸瓦插销长时间相互摩擦撞击，造成闸瓦销环因磨耗破损而脱落丢失。既有闸瓦销环状态如下图所示。另外，组装闸瓦销环后，如果未按要求将劈开部分重新捏合，或者捏合不到位，或者受操作环境制约，无法捏合，使得闸瓦销环在运用过程中极易丢失。目前对闸瓦销环是否丢失还是以人工为主，劳动效率差、可靠性低且不便于信息化管理。随着计算机图像处理、光电技术相关学科的发展，机器视觉技术已广泛的应用于工业、医学等领域，其优点是自动化、非接触和在线性。将其应用于闸瓦销环是否丢失的自动检测,有显著的现实意义和广阔的应用前景。

系统功能要求

目前计划在货车进入翻车机现场前，进行检测，此时货车行驶速度大约为5公里/小时。计划在翻车机厂房外200米处的铁轨两侧，安装两台摄像头，与铁轨呈45度角这样才能看到闸瓦销环。当发现闸瓦销环丢失时，向现有的翻车机系统发出预警即可。这部分可以先简写，因为还不确定翻车机系统的接口。由于火车速度很慢，所以检测速度要求不太高；但是精度要求较高。

技术和硬件选择

目前选择的摄像头为高清摄像头。对于具体的计算机视觉算法没有特殊要求，当然开源的最好，比如Yolo。我们有使用Yolo的经验，有丰富的应用程序开发经验，但是在算法上经验不太多，所以倾向于选择成熟的算法而不考虑二次开发算法。目前的摄像头型号已经由甲方确定，只是型号还没有通知我们，可以肯定的是防尘防水防晒等已经经过实际考验。

环境和条件限制

摄像头安装在露天环境，算法服务器放在附近的机房里，距离大约有200米。会为摄像头专门拉电线和网线。

数据和训练需求

目前没有现成的视频或图像素材，但是计划在项目前期进行采集足够多的图像和视频以供训练。在项目前期，就安装两台摄像头，采集真实的视频，然后由人工进行标注。人工标注计划投入两个人月，时间为期一个月。预计数据集图片可以达到5000张。数据标注部分有完善的检查机制。这个检测过程是实时的，在火车进站前需要及时进行提示。在火车车轮经过的10秒内，检测完毕并发出预警，所以这个时间是足够的。预警只是调一次翻车机系统的接口，无需其他手段。服务器放在本地机房，目前考虑用inter 12代，64G内存，3090显卡（24G显存），这个足够用了。

其他

由于在项目前期，很多还不确定，现在只是初稿。系统集成与接口、安全性和可靠性（系统故障）、涉众沟通、预算和时间框架、人员培训和支持都可以暂不考虑。

方案提纲

基于以上信息，写一份《铁路货车闸瓦销环检测系统方案》的提纲。可参考的目录如下：一、建设背景二、预期目标三、系统总体设计四、实施部署计划五、建设预算与内容

《铁路货车闸瓦销环检测系统方案》提纲

一、建设背景

项目背景描述
- 介绍铁路货车闸瓦销环丢失问题的现状及对列车运行的安全隐患。
- 解释既有闸瓦销环材料的不足以及现有检测手段的低效。
- 引出机器视觉技术的快速发展，并强调其在工业应用中的自动化、非接触、在线检测等优势。
问题分析
- 闸瓦销环丢失对铁路货运车辆的安全影响。
- 现有人工检测方法的局限性：劳动效率低、可靠性差、不适合信息化管理。
- 急需开发自动化检测系统，减少人为因素对安全性的影响。
技术背景与发展趋势
- 机器视觉在铁路运输安全中的应用潜力。
- 结合Yolo等深度学习算法的图像处理技术在工业领域中的应用示例。

二、预期目标

总体目标
- 构建一套基于机器视觉的自动检测系统，用于检测铁路货车闸瓦销环的丢失情况，确保货车运行安全性。
具体目标
- 检测精度：能够在货车低速通过时（5公里/小时），准确识别闸瓦销环的状态。
- 检测效率：在货车经过翻车机现场前完成检测，确保在10秒内发出预警。
- 实时预警：当检测到闸瓦销环丢失时，能及时向翻车机系统发出预警。
- 系统稳定性：适应露天复杂环境，能在防尘、防水、防晒等条件下长期稳定运行。

三、系统总体设计

系统结构概述
- 系统采用分布式架构，由前端摄像头采集设备、后端算法服务器、翻车机系统接口三部分组成。
硬件选型
- 高清摄像头：支持露天防尘、防水、防晒，安装于铁轨两侧，角度为45度。
- 计算设备：Intel 12代CPU、64G内存、NVIDIA 3090显卡（24G显存），本地部署机器视觉算法。
- 网络连接：摄像头与服务器通过有线连接，保证数据传输稳定。
算法选择与实现
- 检测算法：基于Yolo的深度学习算法，结合标注数据进行训练和评估。
- 训练数据获取与标注：前期通过摄像头采集5000张以上的图像数据，进行人工标注和数据集质量控制。
- 检测流程：
  1. 火车通过时，高清摄像头实时捕捉车轮与闸瓦销环区域图像。
  2. 图像传输到服务器，Yolo算法进行实时分析。
  3. 判断闸瓦销环是否丢失。
  4. 如丢失，立即发出预警信号。
系统功能模块
- 图像采集模块：负责实时采集火车经过时的闸瓦销环区域图像。
- 图像处理与检测模块：负责对采集的图像进行识别和分析，判断销环状态。
- 预警模块：负责将检测结果传递给翻车机系统，发出报警信号。
- 日志与数据存储模块：记录检测过程中的数据和结果，便于后续分析与优化。

四、实施部署计划

项目阶段划分
- 前期准备（1个月）：
  1. 摄像设备安装：确定摄像头具体型号并实施安装。
  2. 数据采集：在火车经过期间，采集足量视频/图像素材并进行人工标注。
  3. 标注数据集：约5000张图像的人工标注与质量检查。
- 系统开发与调试（2个月）：
  1. 模型训练：利用已标注的数据集进行模型训练和优化。
  2. 系统集成：将视觉算法嵌入检测系统，完成与摄像头、服务器的联调。
  3. 预警机制：开发与翻车机系统的接口进行初步集成。
- 系统测试与优化（1个月）：
  1. 测试在不同场景下摄像头拍摄的图像质量及检测精度。
  2. 调整算法参数，增强在复杂环境下的鲁棒性。
  3. 验证预警系统与翻车机系统的有效配合。
硬件部署
- 摄像头安装位置：铁轨两侧，距翻车机约200米，确保45度角度安装。
- 服务器部署：部署在本地机房，确保与摄像头的物理连接稳定。
算法训练与调整
- 通过采集的真实场景数据，优化算法的检测精度，减少误报和漏报。
- 针对车轮、轨道、闸瓦销环的复杂环境场景进行抗干扰处理（如光线变化、天气影响等）。
系统上线
- 在完成各项测试后，将系统投入实际使用，进行一段时间的现场监控及性能评估。

五、建设预算与内容

硬件设备
- 摄像头：2台高清摄像头，防水防尘型号。
- 服务器：1台高性能计算服务器（Intel 12代CPU、64G内存、NVIDIA 3090显卡）。
软件开发费用
- 算法开发：Yolo算法应用和系统集成。
- 数据标注费用：人工标注5000张图片，约2个人月。
安装和调试费用
- 安装人员费用及摄像头、服务器的调试费用。
其他费用
- 现场电缆、网线铺设。
- 系统测试和维护费用。

通过该方案，可以实现铁路货车闸瓦销环的自动化检测，确保火车运行安全，同时减少人工干预和工作量。

8.8 KiB Raw Permalink Blame History Unescape Escape

角色