智慧铁路物流中心安全预警管理系统的分析

2023-06-10王彤彤邳建辉袁青平

运输经理世界 2023年4期

关键词：灾害预警火灾

王彤彤、邳建辉、袁青平

（中铁第六勘察设计院集团有限公司，天津 300308）

0 引言

近年来，我国铁路的基础运输设施已基本完善，铁路运输需求快速增长，运输安全的需求也不断提高，采用信息技术提升铁路的运营效率，提高铁路的运输安全水平成为了研究的热点方向[1]。

铁路物流中心是指依托铁路，具有完善信息网络，为社会提供物流活动的场所[2]。灾害预警管理作为智慧铁路物流中心的重要组成部分，是铁路物流中心安全生产的重要保障[3-4]。

在铁路物流中心的生产过程中，存在着一定的安全风险，如异物侵界、火灾、工作人员违反安全生产规定等。以上安全风险，使物流中心生产存在一定潜在隐患，一旦发生事故，将造成巨大的经济损失和人员伤亡。因此，在铁路物流中心的生产运营过程中，提供快速、准确的安全预警，进行有效的安全生产管理，具有重要意义[5]。

以严重威胁铁路物流中心生产安全的火灾为例，系统若能在火灾发生前，进行快速、准确的预警；在火灾发生时，及时做出响应并持续监控灾情，可以极大地提高安全生产管理水平。目前，传统铁路物流中心火灾的预警主要依赖于人工巡检及烟雾报警器。然而，人工巡检的工作量巨大、效率低且无法做到实时监测，若采用烟雾报警器，又不能有效监测火灾范围。因此，铁路物流中心急需一种自动化的实时火灾监测管理工具[6]。同理，实现快速、准确地自动化轨道侵界预警、安全着装监测、非授权访问等功能也是十分重要的。

在此背景下，本文提出了一种智慧铁路物流中心安全预警管理系统。该系统能够对物流中心中的火灾、轨道异物侵界、非授权进入、安全着装及工人违规行为等异常进行监测，且具有灾后溯源分析功能，可以有效帮助铁路物流中心安全管理人员开展快速、直观的安全预警管理工作，提高管理效率。

1 系统原则及需求

1.1 系统原则

1.1.1 准确性

系统能够在铁路物流中心出现火灾等安全事件时准确地发现安全事件，准确地识别安全事件发生的地点、时间，并进行追踪。这要求系统采用的灾害监测算法具有较高的准确性。

1.1.2 实时性

系统能够在铁路物流中心出现火灾等安全事件时及时地触发预警。这要求系统采用的灾害监测算法具有较快的检测速度，即系统具有一定的实时性，能够对铁路物流中心进行实时监测。

1.1.3 经济性

系统改造中涉及的硬件设备沿用铁路物流中心原有的监控系统等基础设施，进行经济可靠的智慧化改造。这要求系统不涉及铁路物流中心基础设施的大量改造。

1.2 系统需求

系统需具有火灾预警、轨道异物侵界预警、非授权进入预警、安全着装预警、工人违规行为预警、灾后溯源分析等模块，可实现数据采集、灾害检测、灾害追踪、灾害溯源记录、灾害历史档案记录、辅助分析等功能。在发现灾害触发预警时，能够对目标进行追踪，产生日志记录，并形成报表，便于开展灾后的溯源分析。

2 系统算法

2.1 检测算法

目标检测是机器视觉领域中一个十分热门的研究方向。近年来，随着深度学习理论的出现与发展，目标检测技术得到了飞速的发展，并在智能驾驶、智慧交通及灾难预警等众多领域中得到了广泛应用[7]。

YOLO[8]（You Only Look Once）算法根据回归的思想，仅利用了一个卷积神经网络就实现了两个边界框的预测任务。YOLO 算法合并了对象识别及候选区这两个独立的阶段，并使用了预定义的候选区域将图像划分成不同的网格，从而对每一个网格实现边界框的预测。YOLO 系列算法凭借较高的检测精度与较快的检测速度，成为目标检测领域最热门的算法之一。

将人工标注构建的铁路物流中心灾害数据集作为样本，对YOLO V5[9]模型进行训练，并使用训练好的YOLO V5 模型开展灾害检测任务。本文涉及的YOLO V5 算法的网络结构由输入端、Backbone、Neck、Prediction 四个部分组成，以下将对这四个部分进行说明。

模型的输入端中采用了Mosaic 数据增强，并利用随机缩放、随机剪裁、随机排布的方式对图像进行拼接，从而提高小目标（工人安全着装、工人违规行为等）的检测效果。并针对不同检测目标进行了初始锚框设置，将输出预测框与真实框进行比对，反向更新后迭代网络参数。Backbone 部分采用了Focus 结构及CSP1_X 结构。Focus 结构主要用于进行切片操作，该结构最后使用了32 个卷积核，CSP1_X 结构可以增加层与层之间反向传播的梯度值，从而提取到更细粒度的特征。Neck 中采用了FPN+PAN 的结构，加强网络特征融合的能力。输出端采用了GIOU_loss 作为Bounding Box 损失函数，针对多目标框的筛选采用了nms。

2.2 跟踪算法

DeepSort[10]算法是一种针对多目标跟踪的算法，并通常结合目标检测一同使用。DeepSort 算法的核心流程依次为预测（track）、观测（Detection、数据关联）、更新。算法具体流程，如表1 所示。

表1 DeepSort 算法流程

采用深度学习检测及跟踪算法，可以实现自动且高效的安全预警及异常溯源，提升管理效率，保障生命财产安全，有助于传统铁路物流中心向智慧铁路物流中心转型。

3 系统架构

将智慧铁路物流中心安全预警管理系统按层划分，可以分为物理设备层、用户层、应用层、数据算法层及网络层，各层包含的设备、算法、协议等如图1所示。

图1 智慧铁路物流中心安全预警管理系统架构图

其中，物联网监控设备群及烟雾报警装置部分、深度学习灾害检测及追踪算法分析模块、智慧铁路物流中心安全预警管理平台三部分是该系统的重要组成部分，其模型如图2 所示，各部分的详细介绍如下。

图2 智慧铁路物流中心安全预警管理系统模型图

3.1 物联网监控设备群及烟雾报警装置部分

目前，我国已经拥有庞大且密集的铁路网络及成熟完善的服务体系，铁路物流中心安全预警管理系统最经济合理的建设方式是对铁路物流中心已有的设施进行智慧化改造。因此，物联网监控设备群及烟雾报警装置沿用已有设备，并对其进行升级。这些设备构成了铁路物流中心灾害检测及追踪的数据采集模块，进行生产全过程记录。

3.2 深度学习灾害检测及追踪算法分析模块

深度学习灾害检测及追踪算法分析模块由数据采集模块采集的数据、数据安全传输信道及深度学习分析核心算法三部分构成。其中，深度学习分析核心算法部分，主要由YOLO V5 检测算法及DeepSort 追踪算法构成，智慧铁路物流中心安全预警管理系统算法流程如图3 所示。算法分析模块具体技术方案如下：

一是数据采集模块采集铁路物流中心监控信息及烟雾浓度信息。

二是数据采集模块采集的信息经整数向量同态加密算法进行加密后上传至数据管理中心。

三是数据管理中心对加密数据进行解密。

四是数据管理中心利用YOLO V5 算法对物流中心监控数据进行实时的灾害监测，具体监测内容包括火灾、异物侵界、非授权进入、安全着装监测（安全帽佩戴情况）、工人违规行为（抽烟、打电话）。

五是若发生灾害事件，则触发预警功能，数据中心及时进行报警，并利用DeepSort 算法对灾害发生的画面进行跟踪。

3.3 智慧铁路物流中心安全预警管理平台

智慧铁路物流中心安全预警管理平台既可以满足铁路物流中心的日常监控需求，也可以完成可视化的火灾、异物侵界、非授权进入、安全着装（安全帽佩戴情况）、工人违规行为（抽烟、打电话）等监测任务，为铁路物流中心生产安全事故的防治提供有效途径。一旦发生灾害，触发预警，后台可对灾害发生时的监控影像、时间、人员、响应情况进行日志备份，建立灾害后溯源备份数据，从事前监控、事件跟踪、事后溯源三个维度完成安全预警管理任务。