基于深度学习的城际高铁轨道交通站台异常检测研究

作者：毛良; 邱启盛; 刘瑞康; 段梦飞; 董佳勋; 刘伟铭

来源：铁道标准设计, 2024, 1-11.

DOI：10.13238/j.issn.1004-2954.202308030003

• 高速铁路
• 城际轨道交通
• 深度学习
• 异物检测
• 异常行为检测

城际铁路站台门与列车间的风险空间具有超长、超大、视线死角多和环境超复杂等特点，更容易出现遗留物品，乘客异常行为及乘客越过限界区等影响列车运营的安全事件。现有的异常检测方法存在检测盲区大、误检率高及无法检测异常等问题，不适合城际铁路站台门与站台边界距离超过1.2m或更大风险空间的异常检测任务。为此，在分析城际铁路风险空间的特点基础上，研究顶装式视觉传感器相比现有的其它检测方式在异常检测任务中的优势和潜力。其次，研究城际铁路风险空间异常检测的具体需求并分析深度学习方法在该任务中所具备的高适应能力。最后，介绍几种用于城际铁路风险空间异常物体检测及乘客异常行为检测的算法，并与现有的技术进行比较。在站台异物检测任务中，提出一种基于图像修复的城际铁路异物检测网络，利用图像修复自动编码器，全局重建误差和局部异常信息增强模块，突出重建的无异常图片和输入的异常图片之间的差异，算法检测精度达到99.3%。在异常行为检测中，提出一种基于骨架的识别框架，通过姿态估计网络获得个人骨架数据，并结合图卷积神经网络对骨架序列进行分类，对跌倒、蹲下、弯腰和行走这4种行为的平均识别率达到91.7%。

• 单位
  华南理工大学