岩石瀑布影响铁路:检测分析通过人工智能相机原型

文摘

在过去的几年里,提出了几种方法来改善管理地质风险的早期预警系统由于山体滑坡,在重要基础设施(如铁路、公路、管道和沟渠)接触元素。在这方面,一个人工智能相机原型(AiCP)实时监控已经在多传感器集成监控系统致力于落石检测。一个废弃的石灰石采石场被选在阿库托(意大利中部)作为试验场地验证综合监控系统的可靠性。裂隙岩体的一部分,尺寸适合光学监控,被伸长计检测。1米的铁路轨道被用作目标下降块和一个气象站附近安装。测试的主要目标是(我)评估AiCP的可靠性和(2)检测岩石块AiCP到达铁路轨道。在这个目的,实验由投掷岩石块铁路轨道。在这些实验中,AiCP检测模块和自动警报信号传播。

1。介绍

Gravity-induced不稳定从悬崖代表感兴趣的一个话题有关快速监测的快速失败,包括岩石的幻灯片或岩石瀑布从自然和人造斜坡(1]。此类事件的相关性主要是有关短“advice-time”应该是必要的预警报警信号传输的情况下暴露出基础设施(如铁路、公路、管道和沟渠),因为没有位移通常可检测故障发生之前。

地质风险管理涉及的主要基础设施,可以采用不同的策略:第一个(关注风险)由监测岩石失败的前兆微——或者nanoseismometer记录系统以及声发射记录(2- - - - - -5];第二个(关注脆弱性)由观察暴露的基础设施由光学设备(其中相机、激光扫描仪、和/或干涉仪)适合检测快速变化由于对象/障碍影响基础设施(6- - - - - -10]。

本文是应用程序的第二种方法试验场地设计成主机多传感器监测系统检测涉及铁路track-target的岩石瀑布。试验旨在评估一个光学设备的适用性作为早期预警系统管理基础设施(11]。几个实验进行了使用人工智能相机原型(AiCP)安装在阿库托试验场(意大利中部),铁路轨道构成接近一个不稳定的在一个废弃的采石场被发现的岩墙。这些实验的主要目的是检测障碍可能达到track-target,模拟影响铁路火车交通和乘客安全构成威胁。测试AiCP完全无线和自供电的设备,不断观察岩石悬崖附近的铁路track-target和检测可能的块或碎片从采石场墙和传送报警信号。

实验进行到目前为止在诱导岩石瀑布和阿库托由检测如果街区到达铁路track-target下降。这些实验是研究中心的一个项目“Sapienza大学的地质风险(赛)罗马与意大利合作铁路网(RFI)。项目旨在测试安装监控设备在国家铁路网络,在fast-landslide事件会引起障碍影响铁路。

这项研究的挑战是将AiCP集成到一个多传感器网络检测自然fast-landslide过程失败的先兆。

2。光学监控装置的描述

经验丰富的监测方法是基于创新AiCP最初开发的“史di Scienza e Tecnologia戴尔'Informazione (ISTI)“意大利国家研究委员会(CNR) [12,13]。

2.1。硬件和材料

AiCP是开发实施实时监控应用程序基于光学视觉技术变化的检测分析。AiCP特别适合调查滑坡灾害场景和它有足够的计算能力来完成铁路监测计算机视觉任务的设想。

设备包括一个定制的嵌入式计算板,配备高清摄像头。车载计算机视觉算法,由国家研究委员会的CNR-ISTI意大利,安装的实时分析获得的图像。现场处理结果通过一个合适的无线通信系统。AiCP使用低成本的技术,非常容易安装。所有硬件组件有一个低能耗使用设备和通过开源Linux管理的图书馆和司机。这允许定制的原型根据不同的目的。

主板,管理视野和网络任务由一个集成的无线通信模块(RF收发器),安装在AiCP。原型还包含一个供电系统控制,允许设置最优节能政策和包括一个电池和光伏面板获取能量,保证能源监控系统的自治。总结了光学监控系统的组件图1。

愿景板设计,嵌入式Linux架构选择合适的计算能力,以及使编程更加容易。不同类型的基于linux的图书馆评估的计算能力,灵活性,可扩展性,价格/性能比,和技术支持。一个好的解决方案是通过使用飞思卡尔CPU实现基于ARM架构,支持MMU-like GNU / Linux操作系统。Linux操作系统是最稳定的,与该AiCP兼容。此外,图书馆更可定制的兼容。平均消费,以最高速度(454 MHz),保证低功耗AiCP的性能。车载下台电压调节器,具有效率高,确保电压范围从6到25 V非常适合电池供电的系统,是包含在AiCP。主板是通过几个其中有RS232串口通信接口,串行外围接口(SPI)端口和一个USB端口。它支持一些网络接口包括以太网,wi - fi和3 g。为应用程序提供的在这里,3 g通信模块选择和一个USB调制解调器提供加速到7.2 mbit / s已经集成(12]。

上面的描述了主板和高清摄像头被安置到一个IP66凸轮盾牌。本文提供的高清摄像头用于实验是一个惠普与50°FOV HD 2300 像素的分辨率(4:3)和60°视场 像素的分辨率(16:9)。的另一个重要组件AiCP(图2)是LED聚光灯(12 V, 10 W, 800流明,120°的波束角),允许操作的设备也在夜间和低照度条件。由于这个原因,该算法进行了优化,保证一个高分辨率的RGB彩色图像。领导关注的使用没有引入临界能量系统,确保连续操作,即使在低照明条件。AiCP主机电源单元(12 V, 65啊酸电池和25 Wp 21.5 V采集模块),允许完全自治的设备供电。电池电压监测通过一个模拟数字转换器(ADC)安装在主板上,它允许的最优设置节能政策。

2.2。软件和图像分析

AiCP基于计算机视觉的方法(13],它关注检测和实时警报相关的危险严格岩石块或碎片覆盖铁路轨道。图像处理机上进行的三个步骤:(1)背景图像减法,(2)目标检测和分类,和(3)对象跟踪和最后的数据提取。

变化检测的算法应用于图像分析获得感兴趣的区域(RoI)对整个视野,也就是说,存在一个障碍在哪里将被检测到。基于这一发现,流信息推导出用一个创新的跟踪算法实现的CNR-ISTI意大利的国家研究委员会(13)应用在这个实验中保持铁路和火车客运安全。算法执行两个连续帧之间的变化检测分析的背景场景自动更新过滤环境噪声:当超过预设的差异像素阈值,AiCP能够远程传送报警信号。背景减法的场景也可以执行一个特定的凸四边形的RoI。在RoI,轻量级的检测方法用于分类像素像“修改”(在本例中它是分配给前景图像)或“不修改”(在本例中,它被认为是在背景场景)。两个选项后选择减法的过程。更特别地,分析铁路场景和评估水平的服务通常是由收集数据的事件铁轨场景的发生,类型学,持续时间和强度14]。

更新背景场景的分析策略保证了RoI不包括外部对象。使用pourpose,算法具有自适应背景:背景场景不断更新通过合并捕获的图像的背景场景与新老(12]。有三个主要的解决方案来执行策略,自适应背景与不同程度的计算复杂度。第一个解决方案使用平均图像的背景场景是车载模仿平均捕获的框架在一个时间窗口,虽然一个等于阈值的像素。第二个解决方案适用于统计模型的背景场景包括像素强度的标准偏差,即考虑像素属性的数据集作为一个单一的高斯分布,在一个常数阈值是使用基于概率的一个观察到的像素可以代表一个样本来自背景分布。统计方法还包括高斯混合模型(GMM),包括在合并高斯分布获得不同的像素,而不是使用一个独特的高斯分布获得每个像素。GMM允许执行变化检测分析背景场景还发生扰动的过程(即。,颤抖的影子或树树叶一般可以perturbate监控场景)15]。码策略(16是第三个自适应背景建模解决方案,提出了计算实时背景分析对GMM的优势。在每个像素样本背景值量化码书,,它代表的是长图像序列压缩形式的背景模型。这允许捕捉每一个复杂结构在长期窗口背景变化。AiCP几个特别程序,由国家研究委员会的CNR-ISTI实现意大利,预计会从上面的描述方法。背景场景是仿照帧记录在一个特定时间窗通过执行一个集成车载计算背景自适应分析。因此,某一个像素被认为是像“修改”,如果它超过给定的阈值(即独特的整个像素)对相应的像素在背景场景中(14]。

AiCP旨在执行实时计算机视觉分析。这一目标,采用的方法包括分析(即对应于一个警告的roi区域。沿着铁路)、岩石墙壁对应于战壕和警报区域(即。,铁路在可能的障碍会影响)。

算法,实现CNR-ISTI意大利的国家研究委员会,是基于一般的运动模式,仅适用于控制下的面积,它是实时监控校准。更详细的算法分析的RoI预警和报警的RoI,所以执行实际之间的变化检测分析框架和动态更新背景场景(13]。算法检查帧的RoI内警报(名为)和比较他们与一个动态背景帧 ,不断更新的加权混合是哪一个 和(13]: 在哪里是重量计算范围0⋯1。比较和运动检测的像素阈值需要校准:根据维度和类型学的障碍被检测出来。一旦警报(即给出。,threshold overcome for at least连续帧)控制系统着重于实际铁路监控目标警报(RoI),其中相同的算法和动态更新政策背景场景采用。预计可能的障碍达到铁路在一定数量的“等待框架”(即。,所需时间的障碍通过警报警报的RoI的RoI)。这些等待框架依赖于特异性的案例研究(即。,the distance between RoI of alert and RoI of alarm or the distance of the camera from the monitored area). If the expected time expires but no obstacles are detected on the railway track, a false alarm is sent. If obstacles have been detected on the railway track, the algorithm continuously monitors motion in the RoI of alarm, by performing a change detection analysis between the present frames and the previous one and carring out a comparative analysis with the assumed pixel threshold. If obstacles move inside the RoI of alarm, the algorithm detects it and it is continuously monitored over帧。如果障碍的RoI的警报,一点也没有改变对最初的监控场景。如果障碍停止移动的RoI内报警,之后框架,执行检查RoI检测不同的当前帧之间的运动和前一个 。检查结果和考虑阈值之间的比较。如果检测到的对象是危及真正的铁路监控区域,警报信号传输(图3)[13]。

的功能流监测系统(数据2和3)是基于云安全目的和数据复制。AiCP远期光学数据和图像通过灯配置网络服务器(Linux、Apache、MySQL和PHP)实时传输数据的管理。三个不同的虚拟机(VM)灯服务器上托管,他们从AiCP允许数据收集和数据管理。第一个VM (IoT-Internet事情)是致力于所有数据内部通信操作,第二个VM(数据库)是用于收集数据和提供了一个云数据库,第三个VM (web)是用于预测数据给用户。客户机可以访问前端,对所有开发的应用程序相关的数据管理和报警信号。最后,客户机应用程序允许数据可视化和报警通知web和/或手机通过特定的应用程序(图4)。

3所示。阿库托试验场的试验测试

初步的结果在2016年的阿库托AiCP安装试验场地。多传感器监测系统安装在阿库托是专注于测试和验证的可靠性检测岩石AiCP铁路track-target块或碎片。

三个实验的目标是追求在阿库托测试AiCP设备:(i)(即检测障碍。的RoI,岩石和碎片)警报来自一个已知的方向;(2)控制警报的RoI识别物体的运动可以影响铁路track-target(即。的RoI,进入报警);(3)监测两个roi(即在很长时间。,several months) to check the dynamic updating of the background scenario.

3.1。阿库托试验场

阿库托采石场墙的一部分被选中,因为几个联合集的存在使岩体容易岩石幻灯片或下降,生成块可以达到铁路track-target定位4 m岩墙。

采石场区域已经发掘石灰石在石灰石小山,中生代的表层(17]。采石场墙SE暴露,它的特点是高度从15米50米(图5)。

地质对线和远程调查与全站仪进行采石场墙上提供地质露头岩体的特征。五联合集杰出:S0 (93/4;倾斜方向,倾斜)对应于石灰岩地层、S1 (131/82), S2 (91/64), S3 (4/80), S4 (198/86)。结果是由负载测试,平均露头岩石的单轴抗压强度84 MPa。根据迪尔公司(Deere &米勒(18),这个结果对应的刚度值MPa。岩体特征描述了使用RMRb分类(19],指定一个排名68的中生代石灰岩。边坡稳定分析允许我们识别18潜在不稳定岩石块,平均体积的顺序 ,附近采石场墙上构成铁路track-target。

安装的多传感器监测系统包括(i)气象站配备雨量计、空气温度计,湿度计,风速和风向和风速计;(2)岩土系统包括温度计岩体温度、应变式监测岩体裂隙,伸长计在开放关节检测两个岩体参数的变化,和应力-应变条件;(3)地震监测装置检测可能的微震的前兆事件的岩石落在悬崖的斜率。AiCP安装约13米的采石场墙和6米远1米长度铁路track-target专门提供的意大利国家铁路机构这一实验(图6)。

所有记录的数据存储在一个本地CR1000坎贝尔科学数据记录仪,设定在1分钟的收购。设备也配备了自动数据传输系统,通过GPRS无线连接在本地服务器上,允许一个完整的数据存储每个4 h,使一个远程控制的数据集和设置参数。所有的传感器都记录在2016年3月以来连续模式。

AiCP的组件都安装在一个4米的高度支柱,复制一个“独立的配置。”The pillar head hosts one shield containing the main board and the HD webcam of the AiCP, the 10 W LED spotlight, and one 25 Wp photovoltaic panel for powering the system in daylight hours. At the pillar bottom a one IP66 steel box housing a 65 Ah acid battery for powering the system during the night and one solar charge controller to switch power to solar panel from acid battery or vice versa were installed (Figure7)。

相机的视场(FOV)是近20米15米长和两个RoI定义:(1)RoI的警报,包括监控采石场墙,预计岩石脱落;(2)一个RoI的警报,包括只有铁路track-target预计下滑块(图8)。

3.2。人工智能相机原型实验测试

实验进行了三个阶段:(A)校准的像素阈值算法要求的警报/报警;(B)检测岩石块到达铁路track-target RoI的报警和控制RoI的警报来识别可能对铁路track-target碎片运动;(C)监测2 roi /很长一段时间(即。,several months) to carry out a continuously change detection analysis on dynamically update background scenario.

在(A)阶段,使用的像素阈值算法计算roi的最小可检测块大小已校准。这些值是一个函数的岩石的块大小,AiCP和监控目标之间的距离,和捕捉的图像像素的分辨率。意外妨碍摄像机视场的变化也会导致算法阈值。执行像素阈值校准测试,一些岩石的不同大小的块(图9)是对铁路track-target手动放置,也就是说,在报警的RoI,检查AiCP开始录音。

实验阶段(B)是2016年7月,为了达到铁路track-target模拟岩石的块。在这个目标,铁路track-target遭到了几块岩石,通过抛物线轨迹(图10)警报的RoI;这个激活的变化检测算法对roi和造成了报警信号传输。

结果证明AiCP的高质量性能检测自启动块都是报道(图11)。只有四个情况下,块没有检测到,因为以下三个原因:(1)低于阈值的算法功能块的大小,(2)块崩溃后与铁路track-target减少他们的影响大小检测阈值以下,和(3)块交叉外报警和停止的RoI。在这些情况下AiCP没有检测(即岩石的块。,case 1) or detect it but did not correctly launch the alarm signal (i.e., cases 2 and 3).

另一个实验中被倒下的块的检测能力的铁路track-target在夜间,与LED聚光灯下操作。结果表明,领导关注允许检测算法是有效的。然而,在夜间直方图调整获得的图像采用和新阈值检测应用。根据到目前为止的结果(图12),检测阈值的动态变化产生的影响可以忽略不计的假警报,因为他们可以最小化不降低灵敏度。

在阿库托采石场进行实验的试验场地也集中在整个组装设备的效率和耐久性。使用的硬件组件了适合连续使用开放的领域。此外,远程数据传输已经被商业允许用户识别模块(SIM图表)。报警信号,吞并图像帧,传输规律。供电单元的能量效率也定期手动检查测试的锂电池电压,进行在每天的时间以及在不同试验阶段(图13)。白天时,光伏面板总是动力AiCP这多余的电压允许将锂电池充电和权力AiCP设备在夜间和/或在日光条件不允许光伏能源供应单位的效率。在这个目的,锂电池的光伏面板和适应失去平衡彼此对AiCP设备的能量需求。

4所示。结论

人工智能相机原型(AiCP)装置,由国家研究委员会的CNR-ISTI意大利,测试来检测障碍物到达铁路从岩石墙壁。在这个目标,这是安装在一个废弃的采石场被发现在阿库托(意大利)进行了几个实验来检查设备可靠性和效率检测岩石块铁路track-target和传送报警信号。

实验结果展示如下:(一)AiCP设备的适用性检测的现场试验条件对铁路track-target障碍;(b)操作的灵活性像素阈值,已校准考虑岩石的块大小,进行变化检测分析;(c)检测算法的可靠性检测岩石块下降到20厘米长度;(d)的可靠性网络收发器安装在主板上的AiCP传送报警信号,造成机上变化检测分析;(e)领导关注的适用性,允许AiCP设备运行在连续模式,也在晚上时间和/或在不利天气条件;(f)电压供电单元的效率通过定期检查。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者要感谢CNR-ISTI研究小组(o . Salvetti g·r·里昂m . Magrini d·莫罗尼g .地区和m . Tampucci)提供AiCP和车载算法以及在实验活动中为他们的技术支持在与赛达成协议的框架进行研究中心罗马大学的“Sapienza”;阿库托的市政当局授权提供给这些实验;意大利铁路网络(RFI)技术支持。这项研究是协议的一部分里研究中心“Sapienza和意大利罗马大学的国家铁路公司(科学负责:萨尔瓦多·马蒂诺教授)也是罗马大学的学术项目“Sapienza”2016年(UA.S.047-DST):“悬崖斜率失败在沿海Morpho-Dynamics:从后,通过监测和Multimodelling Forward-Analysis流程方法”(科学负责:萨尔瓦多·马蒂诺教授)。实验进行博士研究的框架(Matteo或者)和研究奖学金(Andrea Fantini)由赛。

引用

1. d . m . Cruden和d . j . Varnes“山体滑坡类型和过程。滑坡调查和缓解。交通研究委员会”国家研究委员会。特别报告247a·k·特纳和r l .•舒斯特Eds。,pp. 36–75, National Research Council, Washington, DC, USA, 1993.视图:谷歌学术搜索
2. d . Amitrano j·r·格拉索和g . Senfaute“地震前兆模式之前悬崖崩溃和临界点现象,”《地球物理研究快报,32卷,不。8、1 - 5,2005页。视图:出版商的网站|谷歌学术搜索
3. d . Amitrano m . Arattano m . Chiarle et al .,“微震的研究活动分析不稳定岩体的破裂机制,“自然灾害和地球系统科学,10卷,不。4、831 - 841年,2010页。视图:出版商的网站|谷歌学术搜索
4. m .或者是r . Iannucci s·马蒂诺,a . Paciello”相关检测nanoseismic事件在采石场边坡不稳定地区coreno ausonio(意大利),“意大利《工程地质和环境,16卷,不。2,51 - 63,2016页。视图:出版商的网站|谷歌学术搜索
5. m .或者是r . Iannucci l . Lenti et al .,“Nanoseismic监测gravity-induced边坡不稳定的风险管理在亚平宁山脉中部渡槽基础设施(意大利),“自然灾害卷,86年,第362 - 345页,2017年。视图:出版商的网站|谷歌学术搜索
6. g . Antonello n . Casagli p .淀粉et al .,“地面SAR干涉测量监控群众运动。”山体滑坡,1卷,不。1,第21至28,2004页。视图:出版商的网站|谷歌学术搜索
7. x p .赖,m . f . Cai和m . w .谢“原位岩体行为的监控和分析之前崩溃的主要运输巷道在玲珑金矿,中国,“国际岩石力学和采矿科学杂志》上,43卷,不。4、640 - 646年,2006页。视图:出版商的网站|谷歌学术搜索
8. s . Gaffet y囊内,f .披肩,c . Pambrun t . Monfret和d . Amitrano”同时使用地震、GPS和气象监测的特征大不稳定在法国南部阿尔卑斯山山坡,“国际地球物理杂志,卷182,不。3、1395 - 1410年,2010页。视图:出版商的网站|谷歌学术搜索
9. p . Bigarre e·克莱因y Gueniffey, t . Verdel“云监控:一个创新的方法预防滑坡灾害,”第二届世界滑坡论坛摘要书WLF2 L16, 475,罗马,意大利,2011。视图:出版商的网站|谷歌学术搜索
10. 马蒂诺和p . Mazzanti”,集成地质调查和遥感海崖边坡稳定分析:太璞琪案例研究(意大利),“自然灾害和地球系统科学,14卷,不。4、831 - 848年,2014页。视图:出版商的网站|谷歌学术搜索
11. a . Fantini m .或者是美国马蒂诺et al .,“多传感器系统设计用于监测岩石瀑布:阿库托(意大利)的实验测试基地,“Rendiconti在线公司一般Italiana41卷,第150 - 147页,2016年。视图:出版商的网站|谷歌学术搜索
12. a . Fantini m . Magrini s·马蒂诺et al .,“实验embedded-sensor网络预警的自然风险由于沿铁路、快速故障”第五届国际研讨会上图像挖掘学报》上。理论和应用,页85 - 91年,柏林,德国,2015年3月。视图:谷歌学术搜索
13. g·r·里昂m . Magrini d·莫罗尼g .地区o . Salvetti和m . Tampucci“智能设备监测铁路在偏远地区,”国际研讨会的程序计算智能多媒体理解,IWCIM 2016,2016年10月。视图:出版商的网站|谷歌学术搜索
14. m . Magrini d·莫罗尼g地区,o . Salvetti“轻量级计算机视觉方法对低功耗嵌入式传感器、交通流量监控”学报第十届国际会议上计算机视觉理论和应用,VISAPP 2015,页663 - 670年,柏林,德国,2015年3月。视图:谷歌学术搜索
15. c . Stauffer和w·e·l . Grimson“混合自适应背景模型实时跟踪”《IEEE计算机学会学报计算机视觉与模式识别会议(99年CVPR”),卷2,页246 - 252,柯林斯堡,科罗拉多州,美国,1999年6月。视图:谷歌学术搜索
16. k金,t·h·Chalidabhongse d·哈伍德·l·戴维斯,“背景建模和减法引入建筑,”《图像处理国际会议上,ICIP 20042004年10月,页3061 - 3064。视图:谷歌学术搜索
17. g . Accordi f .痈g . Civitelli et al .,“岩相图拉丁姆- Abruzzi和邻近地区,”Quaderno C.N.R.“La Ricerca Scientifica”,罗马,卷114,不。5,223年,页1986。视图:谷歌学术搜索
18. d·迪尔和r·p·米勒岩石工程分类和索引属性技术。报告空军武器实验室,新墨西哥,1966年。视图:出版商的网站
19. ISRM”,建议方法定量描述岩体的不连续,”国际岩石力学和采矿科学杂志》上15卷,第368 - 319页,1978年。视图:出版商的网站|谷歌学术搜索

版权

版权©2017 Andrea Fantini et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。