一种基于目标检测的行车数据分析系统和方法

1.本发明属于图像识别技术领域，具体涉及一种基于目标检测的行车数据分析系统和方法。


背景技术：

2.随着火车和铁路技术在中国的多元化发展，轨道交通呈现出越来越多的类型，在交通运输中占据了很大比重。然而，列车运行过程中，轮轨可能产生故障，外界人员入侵事件也会破坏列车运行环境，从而严重影响列车运行时的安全，造成经济与人员损失。因此，准确及时地识别出异常情况类型对轨道交通安全地保障尤为重要。传统的安全检测技术无法实现分布式的动态检测(多点位的实时收集数据)，无法实现对轨道的全时全域的检测，无法对轮轨的状态进行细致的检测，比如检测地铁列车的车轮和轨道的磨损情况，也无法实时对外界施工、轮轨异常、人员入侵等问题进行分类报警。
3.近年来，基于图像识别的技术在轨道安全检测中的应用有一定的进展。现有的轨道安全检测方法，通过手持式病害记录仪采集储存异常情况图像，建立异常情况数据集，并通过传统机器学习方法，对特定的异常情况特征进行特征提取之后，使用svm等机器学习算法对提取的特征进行分类，因此其识别效果很大程度上取决于人工设计的特征。而轨道交通的异常情况的表征具有复杂多样性，特定的异常情况特征不能完全体现轨道安全的异常情况，从而造成识别精度低、泛化效果差。此外，图像识别技术还存在模型参数大、检测效率低等问题。


技术实现要素：

4.为了提高轨道安全检测的效率和检测精度，本发明提出了一种基于目标检测的行车数据分析方法和系统。
5.实现本发明目的之一的一种基于目标检测的行车数据分析系统，包括振动信号获取模块、数据集建立模块、行车数据分析模型构建模块；
6.所述振动信号获取模块用于通过布置于轨道处的分布式光纤振动传感网络获取轨道的原始振动信号，对所述原始振动信号进行调制解调获得振动信号瀑布图；
7.所述数据集建立模块用于根据振动信号瀑布图得到用于标识异常振动信号的标签文件，将所述振动信号瀑布图以及对应的标签文件按照设定比例随机划分为训练集、验证集和测试集；
8.所述行车数据分析模型构建模块用于利用改进的yolov5s模型构建对振动信号瀑布图进行目标检测的神经网络，该神经网络调用所述训练集、验证集和测试集进行训练，得到行车数据分析模型；该模型用于对振动信号瀑布图进行异常振动信号的目标检测，得到行车数据中的异常振动信号所在的测区和持续时间段。
9.上述系统中，所述改进的yolov5s模型在现有yolov5s模型的每一个c3模块之前添加spd-conv模块，所述spd-conv模块用于将任意大小的中间特征图切割出多个子特征图并
进行非跨步卷积，以便提取瀑布图中的异常特征，能有效提高行车数据分析模型的异常目标检测效果；所述非跨步卷积的作用是修改子特征图的通道数；所述异常特征包括：将每个行车振动信号测区各个时段的瀑布图与对应行车振动信号测区的标准瀑布图进行比对，如果在某个测区存在振动信号消失、振动信号的持续时间比对应的标准瀑布图中的持续时间长或者短、振动信号的振动强度与标准瀑布图对应位置的振动强度不同，则均认为瀑布图中存在异常特征；其中行车振动信号测区的标准瀑布图在前期进行轨道无异常情况下的实验获取。
10.spd-conv模块包括spd模块和conv模块，spd模块用于将任意大小的中间特征图切割出多个子特征图，提取更加丰富的特征量，conv模块用于对spd模块分割出的子特征图进行非跨步卷积。
11.所述conv模块使用带有c2滤波器的非跨步卷积层，所述c2滤波器是指在卷积时把子特征图的通道数从c1变化到c2，且c2＝scale2×
c1；其中scale为spd模块的切割步长，c1为中间特征图或子特征图的通道数量，中间特征图和子特征图的通道数量相同。
12.所述spd模块对中间特征图进行切割时的切割步长scale设为2；所述切割步长scale即将子特征图的均分切割成scale*scale个子特征图；如scale设置为2，则将子特征图切割成4(2*2)个子图，每个子图的长度和宽度都为原子特征图的1/2；如scale设置为3，则将子特征图切割成9(3*3)个子图，每个子图的长度和宽度都为原子特征图的1/3。
13.进一步地，如果振动信号瀑布图包含异常振动信号，则经过目标检测后的振动信号瀑布图包含异常振动信号的测区、时间段、异常种类和置信度。所述异常振动信号即将每个行车振动信号测区各个时段的瀑布图与对应行车振动信号测区的标准瀑布图(前期进行轨道无异常情况下的实验获取)进行比对，如果在某个测区存在振动信号消失或者振动信号的持续时间过长、过短或者振动信号的振动强度与标准瀑布图对应位置的振动强度不同，则认为存在异常振动信号。
14.上述系统中，还包含标签文件制作模块，用于根据振动信号瀑布图得到用于标识异常信号的标签文件；所述标签文件和其对应的振动瀑布图共同作为原始数据集对行车数据分析模型进行训练。
15.所述标签文件的文件名的前缀与其对应的瀑布图的文件名的前缀相同，标签文件中每一行数据对应图像中的一个选择框，所述选择框是对异常部分图像的框选，每行第一个数字是异常的种类，每个异常种类后的4个数值对应选择框在图中的坐标参数。
16.进一步地，获得振动信号瀑布图的方法包括：
17.s101、可调谐窄线宽激光器发出设定光功率的连续光作为分布式光纤振动传感网络的光源；声光调制器对连续光进行脉冲调制得到脉冲光；对脉冲光进行功率放大后进入分布式光纤振动传感网络中；
18.s102、分布式光纤振动传感网络中的传感通道反射回脉冲光序列，所述反射回的脉冲光序列进入不等臂mach-zehnder干涉仪中，干涉仪将对应传感位置振动引起的光相位信息转换成光强度信息，通过多路耦合器输出至多路光电探测器得到多路电信号，对所述多路电信号通过相位解调算法得到振动传感信息；
19.s103、将所述振动传感信息整合为瀑布图，瀑布图的横轴表示不同测区，纵轴表示时间，颜色和侧边的颜色-强度度量表共同表示该测区该时间段中振动传感信息的强度。
20.实现本发明目的之二的一种基于目标检测的行车数据分析方法，包括如下步骤：
21.s1、通过布置于轨道处的分布式光纤振动传感网络获取轨道的原始振动信号，对所述原始振动信号进行调制解调获得振动信号瀑布图；
22.s2、对所述每张振动信号瀑布图制作对应的标签文件，把所述瀑布图以及对应的标签文件按照设定比例随机划分为训练集、验证集和测试集；所述标签文件用于记录对应瀑布图中存在的异常部分的种类和其在瀑布图中的位置参数；
23.s3、利用改进的yolov5s模型构建对振动信号瀑布图进行目标检测的神经网络，该神经网络调用所述训练集、验证集和测试集中的瀑布图及对应的标签文件进行训练，得到行车数据分析模型；该模型用于对振动信号瀑布图进行异常振动信号的目标检测，得到行车数据中的异常振动信号所在的测区和持续时间段。
24.有益效果：
25.本发明中采用改进的yolov5s模型对解调后的振动信号进行识别可以更快的识别出对应的振动信号瀑布图中的异常特征，从而可以更快的分析出轨道的异常振动信号所在的测区和持续时间段；改进后的yolov5s模型融合了spd-conv模块，spd-conv模块通过分割网络结构中的特征图可以进一步获取输入瀑布图的异常特征，使模型学习到的异常特征更加细致，从而使改进后的yolov5s模型准确度更高，识别速度更快；利用本发明所述的系统和方法，当轨道出现异常状况时能更快的进行预警。
附图说明
26.图1是本发明所述方法的实施例的总体流程图；
27.图2是实施例中基于mach-zehnder干涉otdr技术的分布式光纤振动传感网络示意图；
28.窄带宽激光器1、调制装置2、第一环形器3、第二环形器6、长距离传输光纤4、多根啁啾型布拉格光纤光栅阵列5、3
×
3耦合器7、延时光纤8、第一法拉第旋镜9、第二法拉第旋镜11、非平衡迈克尔逊干涉仪10、第一光电探测器12、第二光电探测器13、第三光电探测器14、上位机15；
29.图3是实施例中的改进yolov5s模型的结构图；
30.图4是实施例中的测区及情况数据集的示意图；
31.图5是图4所示的瀑布图对应的标签文件部分内容的示意图；
32.图6是实施例中的轨道安全检测模型的识别效果图。
具体实施方式
33.下列具体实施方式用于对本发明权利要求技术方案的解释，以便本领域的技术人员理解本权利要求书。本发明的保护范围不限于下列具体的实施结构。本领域的技术人员做出的包含有本发明权利要求书技术方案而不同于下列具体实施方式的也是本发明的保护范围。
34.如图1所示，本技术实施例提供一种基于目标检测的行车数据分析方法，包括如下步骤：
35.步骤1、通过布置于轨道处的分布式光纤振动传感网络获取轨道的原始振动信号，
对所述原始振动信号进行调制解调获得振动信号瀑布图；振动信号瀑布图相较于现有的其它图像，其所展现的异常信号比其它图像明显，处理起来方便，不用过多考虑测区的区别；
36.步骤2、对所述每张振动信号瀑布图制作对应的标签文件，把所述瀑布图以及对应的标签文件按照8：1：1的比例随机划分为训练集、验证集和测试集，依次放入训练集文件夹、验证集文件夹和测试集文件夹；所述标签文件用于记录对应瀑布图中存在的异常振动信号的异常种类和其在瀑布图中的位置参数；
37.步骤3、运行改进的yolov5s模型调用所述训练集文件夹、验证集文件夹和测试集文件夹内的瀑布图及对应的标签文件进行训练，得到行车数据分析模型；该模型的输入变量如图4中的瀑布图，输出变量是经过目标检测后的瀑布图，如图6中标注了异常振动信号的异常种类和其在瀑布图中的位置参数的瀑布图。运用所述行车数据分析模型，能实现对大量瀑布图的高效处理，实时检测出瀑布图上的异常部分，根据异常部分可以找到异常信号所在的测区和发生的时间段。
38.步骤4、运行所述行车数据分析模型，对所述瀑布图进行异常目标检测得到测试结果，观察正确性。
39.上述技术方案中，步骤1所述的分布式光纤振动传感网络示意图如图2所示，采用干涉型光栅阵列振动传感系统，其主要由uwfbg阵列和非平衡迈克尔逊干涉结构组成；
40.uwfbg阵列作为传感网络，每两个相邻的uwfbg和其中的光纤构成一个传感测区，且每个uwfbg的反射率、带宽、中心波长等参数基本一致；
41.非平衡迈克尔逊干涉结构主要包括一个3
×
3耦合器、两路长度不一致的延时光纤和两个法拉第旋镜。两路延时光纤的光程差与相邻uwfbg的间距相同，用于弥补相邻uwfbg之间的光程差；两个法拉第旋镜都采用45
°
旋转角度，用于消除干涉仪中的偏振效应。
42.通过等臂mach-zehnder干涉仪提高振动信号传感的频率响应范围，利用反射率仅为0.01％的超弱反射光纤光栅组成传感阵列，将空间位置信息转换成时域上的延时，实现分布式振动传感中的多点振动定位。
43.上述干涉型光栅阵列振动传感系统的结构包括：
44.窄带宽激光器1通过调制装置2与第一环形器3相连，第一环形器3的一个端口通过长距离传输光纤4和多根啁啾型布拉格光纤光栅阵列5，另一端口与第二环形器6相连；
[0045]3×
3耦合器7的第一端口通过延时光纤8和第一法拉第旋镜9相连，第二端口与非平衡迈克尔逊干涉仪10相连，第三端口与第二法拉第旋镜11相连，第四端口通过第二环形器6与第一光电探测器12相连，第五端口与第二光电探测器13相连，第六端口与第三光电探测器14相连；
[0046]
第一光电探测器12、第二光电探测器13和第三光电探测器14均与上位机15相连；
[0047]
上述干涉型光栅阵列振动传感系统的工作原理如下：
[0048]
窄带宽激光器1输出的连续窄带宽激光经过调制装置2调制后途经第一环形器3，通过长距离传输光纤4传输至啁啾型布拉格光纤光栅阵列5，经过不同的距离处的啁啾型布拉格光纤光栅阵列5产生反射光脉冲信号；当啁啾型布拉格光纤光栅阵列5周围环境发生变化时，对于同一个啁啾型布拉格光纤光栅阵列5，反射脉冲光的相位发生偏移，产生的具有相移的反射光脉冲通过第一环形器3和第二环形器6进入3
×
3耦合器7，然后分别进入带有延时光纤8的第一法拉第旋镜9和第二法拉第旋镜11，然后经过非平衡迈克尔逊干涉仪10产
生干涉光脉冲信号回到3
×
3耦合器7，再经过第一光电探测器12、第二光电探测器13和第三光电探测器14把三路干涉光脉冲信号转变为电信号后，输入上位机15中形成瀑布图。
[0049]
本实施例中，步骤1所述获得振动信号瀑布图的方法包括：
[0050]
s101、可调谐窄线宽激光器发出光功率为3mw的连续光作为分布式光纤振动传感网络的光源，其波长可调范围为1500nm～1630nm，适用于各种中心波长不同的光纤光栅传感网络；调制装置中的声光调制器对连续光进行脉冲调制，其具有较高的消光比，达到63db，调制出的光脉冲宽度为20ns，频率为100khz；脉冲光经过edfa进行功率放大后，进入传感网络中，传感网络由反射率为0.01％的弱反射光纤光栅和长度为3m的传感光纤构成；
[0051]
s102、传感通道反射回的脉冲光序列进入臂长差为6m的不等臂mach-zehnder干涉仪中，利用干涉技术将对应传感位置振动引起的光相位信息转换成光强度信息，通过3
×
3耦合器分别输出至3路相同的光电探测器进行光电转换，最后将电信号采集后通过相位解调算法得到振动传感信息；
[0052]
其中，3
×
3对称耦合器在理想的分光比情况下，其三个输出端光强的计算公式如下：
[0053][0054]
式中：
[0055]in
，n＝1,2,3：分别代表了3
×
3对称耦合器的第一、二、三路输出；
[0056]
外界因素引起的相位变化。
[0057]
s103、将所述振动传感信息通过上位机整合为瀑布图，瀑布图的横轴表示不同测区，纵轴表示时间，颜色和侧边的颜色-强度度量表共同表示该测区该时间段中所述振动传感信息的强度。
[0058]
上述技术方案中，步骤2中制作标签文件的方法包括：
[0059]
使用可以制作标签文件数据集的工具制作标签文件，使用该工具时手动框选异常图像，工具可以根据所述手动框选的异常图像自动输出每张瀑布图对应的标签文件；如图4所示为原始振动信号的瀑布图，图5所示为图4对应的标签文件，在本实施例中用.txt格式保存标签文件，标签文件的文件名的前缀与其对应的瀑布图的文件名的前缀相同，标签文件中每一行数据对应图像中的一个选择框，所述选择框是对异常部分图像的框选，每行第一个数字是异常的种类，如图中的2、3、4和5共四种异常；每个异常种类后的4个浮点数是选择框在图中的坐标参数(图片先进行了归一化，这个参数的计算输出过程由工具自动完成)，第一个浮点参数是框中心的x坐标，第二个是框中心的y坐标，第三个是框的宽度，第四个是宽的高度。
[0060]
上述技术方案中，步骤2中所述随机划分是把文件名前缀相同的所述瀑布图和所述标签文件视为一组，在许多所述组中进行随机抽取，按组分配到所述训练集、所述验证集和所述测试集中，保证文件名前缀相同的所述瀑布图和所述标签文件在同一个集合中。
[0061]
上述技术方案中，步骤2中训练集文件夹、验证集文件夹和测试集文件夹用于训练行车数据分析模型，在模型训练的迭代过程中，训练集文件夹的内容用于提供模型可以学习的特征库，在模型学习完训练集的所有图片后，自动调用验证集文件夹和测试集文件夹的内容进行异常目标检测的测试，自动记录测试结果，并根据测试结果自动修改迭代参数，
继续进行迭代训练，直到预定训练轮数后，训练结束，得到训练完成的行车数据分析模型。
[0062]
上述技术方案中，步骤2中训练投入的数据集总数为100组，预定训练轮数为50轮，可以得到精度较高的行车数据分析模型，其以.pt格式进行保存。
[0063]
上述技术方案中，步骤3中所述改进yolov5s是加入了spd-conv模块的算法，所述spd-conv模块包括spd模块和conv模块；spd-conv模块可以更好的学习检测目标的特征，输出结果可以直接显示在图像中，也可以输出文本，灵活性高，结果直观。
[0064]
具体地，改进的yolov5s模型中，在现有yolov5s神经网络模型的backbone部分的每一个c3模块之前添加spd-conv模块，一共添加四个spd-conv模块，所有的spd-conv模块设置均相同；c3模块是一个对残差特征进行学习的模块，包含了3个标准卷积层以及多个bottleneck模块(数量由配置文件.yaml的n和depth_multiple参数乘积决定)，c3模块可以学习前面卷积得到的特征，把spd-conv模块插入到c3模块前面可以从图像中得出更多更细致的特征，以提供给c3模块进行特征学习。图3是本发明实施例中的改进yolov5s模型的结构图，其中把spd-conv模块插入到2和3、6和7、10和11、14和15层的位置，形成改进的yolov5s模型。
[0065]
构建改进yolov5s的神经网络模型的具体方法为：
[0066]
对现有yolov5s神经网络进行构建，利用输入的瀑布图经过自动数据增强，送入神经网络的backbone部分，经过backbone部分中的四个conv层和四个c3模块，提取输入瀑布图的目标特征；送入neck部分的网络中，对上述backbone部分提取的特征生成特征金字塔，进行多尺度特征融合；最后把这些特征传递到预测层head层，进行最终的回归预测。
[0067]
优选地，spd模块用于将任意大小为s
×s×
c1(长、宽、通道数)的中间特征图x切割出一系列的子特征图。所述切割公式如下：
[0068]f0,0
＝x[0:s:scale,0:s:scale]
[0069]f1,0
＝x[1:s:scale,0:s:scale],
…
,
[0070]fscale-1,0
＝x[scale-1:s:scale,0:s:scale]；
[0071]f0,1
＝x[0:s:scale,1:s:scale],
[0072]f1,1
＝x[1:s:scale,1:s:scale],
…
,
[0073]fscale-1,1
＝x[scale-1:s:scale,1:s:scale]；
[0074]f0,scale-1
＝x[0:s:scale,scale-1:s:scale],
[0075]f1,scale-1
＝x[1:s:scale,scale-1:s:scale],
…
,
[0076]fscale-1,scale-1
＝x[scale-1:s:scale,scale-1:s:scale].
[0077]
式中：
[0078]fx,y
中x＝0,1,2,
…
scale-1,y＝0,1,2,
…
scale-1，其代表所有的子特征图，x是特征图，s是图像长度，scale是切割步长；
[0079]f1,0
＝x[1:s:scale,0:s:scale]是指切割过程中横轴从第二个像素开始，到第s个像素终止，以步长为scale进行切割；纵轴从第一个像素开始，到第s个像素为终止，以步长为scale进行切割，然后把所有切割下来的像素点按顺序进行拼接，得到一个子特征图f
1,0
。
[0080]
优选地，spd模块中scale取2，可以在保证较高速度的前提下大幅度提高目标检测的置信度。得到的4个子图f
0,0
、f
1,0
、f
0,1 、f
1,1
，每个子图的大小均为(s/2
×
s/2
×
c1)，是原特征图x的1/4大小，即将x下采样2倍。
[0081]
优选地，conv模块使用带有c2滤波器的非跨步卷积层，其中带有c2滤波器是指在卷积时把通道数从c1变化到c2，c2＝scale2×
c1，经过spd-conv模块中的conv模块的非跨步卷积处理后，每个子图的大小为(s/2
×
s/2
×
c2)。
[0082]
优选地，所述非跨步是指步长设置为1，conv模块的步长设置为1可以避免步长大于1时造成信息的非歧视性丢失，即避免不对称采样过程。
[0083]
上述技术方案中，步骤4所述测试过程是使用所述行车数据分析模型对瀑布图进行测试，测试结果是在测试瀑布图上进行异常振动信号的预测方框标注，并且标注出预测标签和预测置信度；其中预测标签用于表示异常信号的异常种类，预测置信度用于表示该异常信号所属异常种类的可信度。
[0084]
上述技术方案中，步骤4所述观察正确性是基于实地异常情况，与预测方框中的部分图像对应的横纵坐标和预测标签进行比对，区分出不同异常情况，图6是一个轨道安全检测模型的识别效果图；该图片中一共存在四个方框，框住图像的四个不同位置的部分图像，每个方框上方的第一个数字是行车数据分析模型在这一瀑布图中预测到的异常种类，图中共有003、004、005、006这四个种类，表示行车数据分析模型在这一瀑布图中一共识别出了四个不同种类的目标，即四个不同种类的异常。四个方框上方的第二个数字代表行车数据分析模型在这一瀑布图中预测这四种异常种类的置信度。
[0085]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0086]
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。

技术特征：
1.一种基于目标检测的行车数据分析系统，其特征在于，包括振动信号获取模块、数据集建立模块、行车数据分析模型构建模块；所述振动信号获取模块用于通过布置于轨道处的分布式光纤振动传感网络获取轨道的原始振动信号，对所述原始振动信号进行调制解调获得振动信号瀑布图；所述数据集建立模块用于根据振动信号瀑布图得到用于标识异常振动信号的标签文件，将所述振动信号瀑布图以及对应的标签文件按照设定比例随机划分为训练集、验证集和测试集；所述行车数据分析模型构建模块用于利用改进的yolov5s模型构建对振动信号瀑布图进行目标检测的神经网络，该神经网络调用所述训练集、验证集和测试集中的瀑布图及对应的标签文件进行训练，得到行车数据分析模型；该模型用于对振动信号瀑布图进行异常振动信号的目标检测，得到行车数据中的异常振动信号所在的测区和持续时间段。2.如权利要求1所述的基于目标检测的行车数据分析系统，其特征在于，所述改进的yolov5s模型在现有yolov5s模型的每一个c3模块之前添加spd-conv模块，spd-conv模块用于将任意大小的中间特征图切割出多个子特征图并对所述子特征图进行非跨步卷积，以便提取瀑布图中的异常特征。3.如权利要求2所述的基于目标检测的行车数据分析系统，其特征在于，spd-conv模块包括spd模块，spd模块用于将任意大小的中间特征图切割出多个子特征图。4.如权利要求3所述的基于目标检测的行车数据分析系统，其特征在于，spd-conv模块包括conv模块；conv模块用于对spd模块分割出的多个子特征图进行非跨步卷积。5.如权利要求3或4所述的基于目标检测的行车数据分析系统，其特征在于，spd模块对中间特征图进行切割时的切割步长scale设为2。6.如权利要求1所述的基于目标检测的行车数据分析系统，其特征在于，如果振动信号瀑布图包含异常振动信号，则经过目标检测后的振动信号瀑布图包含异常振动信号的测区、时间段、异常种类和置信度。7.如权利要求1所述的基于目标检测的行车数据分析系统，其特征在于，还包含标签文件制作模块，用于根据振动信号瀑布图得到用于标识异常信号的标签文件；所述标签文件和其对应的振动瀑布图共同作为原始数据集对行车数据分析模型进行训练。8.如权利要求6所述的基于目标检测的行车数据分析系统，其特征在于，所述标签文件的文件名的前缀与其对应的瀑布图的文件名的前缀相同，标签文件中每一行数据对应图像中的一个选择框，所述选择框用于对异常信号在瀑布图中的位置进行框选，标签文件中每一行数据的第一个数字表示异常种类，每个表示异常种类的数字后的多个数字用于表示选择框在图中的坐标参数。9.如权利要求1所述的基于目标检测的行车数据分析系统，其特征在于，获得振动信号瀑布图的方法包括：s101、可调谐窄线宽激光器发出设定光功率的连续光作为分布式光纤振动传感网络的光源；声光调制器对连续光进行脉冲调制得到脉冲光；对脉冲光进行功率放大后进入分布式光纤振动传感网络中；s102、分布式光纤振动传感网络中的传感通道反射回脉冲光序列，所述反射回的脉冲光序列进入不等臂mach-zehnder干涉仪中，干涉仪将对应传感位置振动引起的光相位信息
转换成光强度信息，通过多路耦合器输出至多路光电探测器得到多路电信号，对所述多路电信号通过相位解调算法得到振动传感信息；s103、将所述振动传感信息整合为瀑布图，瀑布图的横轴表示不同测区，纵轴表示时间，颜色和侧边的颜色-强度度量表共同表示该测区该时间段中振动传感信息的强度。10.一种如权利要求1所述系统的基于目标检测的行车数据分析方法，其特征在于，包括如下步骤：s1、通过布置于轨道处的分布式光纤振动传感网络获取轨道的原始振动信号，对所述原始振动信号进行调制解调获得振动信号瀑布图；s2、对所述每张振动信号瀑布图制作对应的标签文件，把所述瀑布图以及对应的标签文件按照设定比例随机划分为训练集、验证集和测试集，所述标签文件用于记录对应瀑布图中存在的异常部分的种类和其在瀑布图中的位置参数；s3、利用改进的yolov5s模型构建对振动信号瀑布图进行目标检测的神经网络，该神经网络调用所述训练集、验证集和测试集中的瀑布图及对应的标签文件进行训练，得到行车数据分析模型；该模型用于对振动信号瀑布图进行异常振动信号的目标检测，得到行车数据中的异常振动信号所在的测区和持续时间段。

技术总结
本发明公开了一种基于目标检测的行车数据分析系统和方法，通过对所述原始振动信号进行调制解调获得振动信号瀑布图，根据振动信号瀑布图制作标签文件，把瀑布图以及标签文件随机划分为训练集、验证集和测试集；利用改进的Yolov5s模型构建对瀑布图进行目标检测的神经网络，该神经网络调用训练集、验证集和测试集内的数据进行训练，得到行车数据分析模型；该模型用于对振动信号瀑布图进行异常振动信号的目标检测，得到行车数据中的异常振动信号所在的测区和持续时间段。本发明采用改进的Yolov5s模型对解调后的振动信号进行识别，改进后的Yolov5s模型准确度更高，识别速度更快；当轨道出现异常状况时能及时预警。当轨道出现异常状况时能及时预警。当轨道出现异常状况时能及时预警。


技术研发人员：陈君钰枫 潘金军 胡临风 董昊男 李政颖
受保护的技术使用者：武汉理工大学
技术研发日：2023.04.06
技术公布日：2023/7/21