本发明涉及列车智能检修,尤其涉及一种列车检查作业系统及tfds智能识别方法。
背景技术:
1、以货车车辆领域的图像识别应用系统为例,现有技术中的基于人工智能的作业具有如下特点:
2、1、异地作业和本地作业都是通过有线网络将存储设备与ai算法设备连接通讯实现。
3、2、存储设备与ai算法设备之间遵循的tcp/ip协议通过标准数据资源调配实现交互、共享、识别。
4、3、多个采集层的存储设备之间并行运行,每套存储设备同智能识别层的数据资源调配交互是唯一设定好的。
5、4、检测信息采集设备分为面阵模式和线阵模式。
6、5、线阵模式比面阵模式多拍摄车体侧面部件,相同部件的拍摄部位是一致的,成像的原理分为面阵扫描和线阵扫描两种方式。
7、6、在智能识别算法方面,不论线阵、面阵,识别的原理是一致的。
8、7、在识别结果呈现方面无任何差异性。
9、现有技术的智能识别的作业系统,其在实际应用中的不足之处如下:
10、(1)智能识别技术参差不齐,效果不一;
11、(2)智能识别算力资源不均衡;
12、当某采集站点密集过车时(5-8分/列),由于智能识别的算力资源有限,导致识别用时过长,影响作业。当某探测站车流密度小的时候,智能识别服务长时间闲置,导致算力资源浪费。
13、(3)频繁出现漏识别的现象并无法第一时间预警:
14、车辆部件漏识别的情况,且无法自动预警,均为事后人工手动分析时才能发现。漏识别的现象发生严重影响行车安全。
15、(4)作业任务分配带来混乱:
16、不同的智能识别算法服务,且故障识别范围不尽相同,在识别用时、漏检预警、误报差异等方面给作业组织带来极大不便利、甚至出现作业混乱情况。
17、(5)组网方式缺乏统一规划:
18、ai算法服务器同采集层的存储设备当前均为1对1的服务方式,缺少集中并行处理数据的规范,给设备维护带来诸多不确定的节点因素。
技术实现思路
1、为解决上述技术问题,本发明提供了一种列车检查作业系统及tfds智能识别方法。
2、一种基于tfds智能识别的作业系统包括数据采集层、智能识别层、现场作业层,自下而上分为三层行业标准和规范。
3、数据采集层包括检测信息采集设备、信息处理传输设备及存储设备构成;
4、智能识别层包括ai算法设备、数据标准接口组成;
5、现场作业层包括存储及应用分发设备、复示终端及网络传输设备构成;
6、数据采集层存储设备与智能识别层ai算法设备之间基于tcp/ip网络协议实现通讯连接;
7、所述的智能识别层ai算法设备和现场作业层应用设备之间基于tcp/ip协议实现数据资源调配转换。
8、所述的tfds智能识别的作业系统,其中:数据资源调配包括数据资源请求、数据样本分类、数据监测、数据结果输出等模块。
9、本发明提供的一种列车检查作业系统及tfds智能识别方法,在每个站点设置数据采集层、智能识别层、现场作业层,通过联网,实现各站点运算能力的统一调配,解决了现有技术中算力资源浪费的问题,大大提高整个系统的综合使用率以及大大提高列车故障的识别准确性。
1.一种列车检查作业系统,其特征在于:该作业系统结构包括三层:用于采集列车行进中部件图像的数据采集层、用于智能识别列车部件状况的智能识别层、用于报警并显示故障信息的故障报警显示及现场作业层,数据采集层所采集的图片发送给智能识别层进行计算机处理,智能识别层识别的故障信息发送给故障报警显示及现场作业层进行故障显示和报警通知。
2.如权利要求1所述的列车检查作业系统,其特征在于:所述的数据采集层包括各列车车站站点、列车检测机构设置的信号采集终端,信号采集终端均包括:列车车轮传感器、相机阵列、相机控制模块、主动补偿光源、光源控制模块、相机保护模块,相机保护控制模块、采集点处理器、图片采集存储器;
3.如权利要求2所述的列车检查作业系统,其特征在于:智能识别层包括各列车车站站点、列车检测机构设置的ai智能处理模块,ai智能处理模块均包括ai智能处理计算机、数据资源调配模块;各站点中ai智能处理计算机与该站点数据资源调配模块的数据输出/输出端口对接,数据资源调配模块的图片采集信号输入端连接当前站点\列车检测机构的图片采集存储器的信号输出端;各数据资源调配模块的资源调配通讯端口通过通信网络互相连接。
4.如权利要求3所述的列车检查作业系统,其特征在于:故障报警显示及现场作业层包括各列车车站站点、列车检测机构设置的故障报警终端、现场作业终端,各故障报警终端均包括:应用分发处理器、终端存储器、显示装置、应用分发处理器与终端存储器的数据输入/输出端口相连接;应用分发处理器的报警显示信号输出端连接显示装置的信号输入端;应用分发处理器的通讯端口通过网络连接现场作业终端,现场作业终端具有显示装置,用于显示待修复列车编号、待修复部位图片,现场作业终端还具有故障确认及修复正常确认信息回传模块。
5.一种基于权利要求3所述列车检查作业系统的tfds智能识别方法,其特征在于:
6.如权利要求5所述的tfds智能识别方法,其特征在于:所述的步骤2-2)中采用深度学习方法将当前部件所涉及的所有图片和部件标签建立关联,并构造矩阵形式的回归模型,其中的深度学习方法是基于神经网络模型,利用神经网络解空间中的局部最优解来对单个网络进行模型集成,通过循环调整网络学习率可使网络依次收敛到相应的局部最优解;将网络学习率η设置为随模型迭代轮数t改变的函数,即: