基于自主无人机与YOLOv11的实时铁路监测框架:轨道缺陷与障碍物智能检测新方法
《IEEE Open Journal of Intelligent Transportation Systems》:An Autonomous Drone-Based Framework for Real-Time Railway Monitoring Using YOLO-Based Defect Detection
【字体:
大
中
小
】
时间:2025年12月09日
来源:IEEE Open Journal of Intelligent Transportation Systems 5.3
编辑推荐:
本研究针对传统铁路监测方法成本高、效率低的问题,提出了一种基于自主无人机(UAV)的实时铁路监测系统。通过集成PX4-Autopilot飞行控制、ROS2通信框架和轻量化YOLOv11模型,实现了对轨道结构缺陷(如轨枕错位)和障碍物的高精度检测。仿真结果表明,该系统在1 m/s速度下可实现横向RMSE 0.30 m、偏航RMSE 2.01 deg的稳定控制,YOLOv11n模型F1-score达0.92,单帧处理延迟仅59 ms。该研究为铁路基础设施的自动化巡检提供了创新解决方案。
铁路作为大规模客货运输的命脉,其基础设施的健康状态直接关系到运营安全。然而,传统的铁路监测方式正面临严峻挑战:固定传感器部署成本高昂,人工巡检效率低下且易受主观因素影响。更棘手的是,随着铁路网络不断扩张,复杂环境下的轨道结构缺陷(如轨枕错位)和突发障碍物(如落石、侵入物)的实时检测需求日益迫切。近年来,虽然集成轨道监测系统(ITMS)通过高功率传感器提升了监测能力,但其依赖轨道记录车(TRC)和人工驾驶的模式仍存在灵活性不足的问题。在这一背景下,融合计算机视觉与自主导航技术的无人机(UAV)系统展现出巨大潜力,但如何实现精准的实时感知与稳定控制仍是技术难点。
发表于《IEEE Open Journal of Intelligent Transportation Systems》的这项研究,提出了一套创新的自主无人机铁路监测框架。研究人员通过多技术融合实现了突破:首先,采用PX4-Autopilot构建软件在环(SITL)飞行控制底座,结合ROS2的分布式数据服务(DDS)通信中间件确保系统实时性;其次,设计双路径视觉检测方案,分别使用定向边界框(OBB)YOLOv11模型检测轨道与轨枕的方向特征,以及常规YOLOv11模型识别障碍物;此外,通过深度相机进行区域兴趣(ROI)滤波和时序滤波实现精准海拔估计;最后,在Gazebo中构建逼真的铁路环境模拟器,对控制器性能、模型延迟和检测精度进行多维度验证。
系统架构设计
研究团队构建了分层式系统架构:集成传感器无人机(ISD)搭载索尼IMX214 RGB相机和OV7251深度相机作为感知前端;机载感知模块运行三个轻量化YOLOv11模型,分别处理轨道定向、轨枕定向和通用物体检测;自主任务控制器则采用混合控制策略,结合开关控制与比例控制逻辑,通过MAVLink消息实现无人机姿态调整。特别值得注意的是,针对轨枕错位检测的独特需求,系统通过向量点积公式计算轨枕与轨道夹角θ,当夹角偏离85°-95°范围时自动标记为异常。
检测精度与延迟分析
在150米模拟轨道上的测试显示,YOLOv11系列模型均表现出色。其中YOLOv11n在保持轻量化的同时达到F1-score 0.92(精确度0.91,召回率0.93),而YOLOv11l模型更是将F1-score提升至0.95。延迟测试表明,YOLOv11n的单帧总处理时间仅58.86毫秒(预处理10.77ms,推理37.98ms,后处理10.11ms),显著优于大型模型的84.66毫秒。这种效率优势使得系统在低功耗机载计算机上也能实现7.71 FPS的稳定吞吐量。
控制器性能验证
在不同速度下的控制器测试中,系统展现出卓越的稳定性:在1 m/s速度下,横向RMSE为0.30米,偏航RMSE为2.01度。特别值得关注的是抗风扰测试结果——在10 m/s侧风条件下,偏航误差虽增长151.25%,但仍保持可控范围,证明混合控制器具有良好的鲁棒性。研究人员还创新性地提出像素-米制转换公式,将图像偏移量转化为实际距离误差,为评估指标标准化提供新思路。
仿真环境构建
通过Blender创建的光照真实感环境与Gazebo物理模拟器相结合,成功复现了多种缺陷场景:包括轨枕错位、巨石、树枝、油桶等障碍物,甚至模拟了人员侵入轨道的情况。这种高保真仿真为算法验证提供了坚实基础,同时避免了实地测试的安全风险与成本问题。
研究团队同时指出了系统面临的挑战:首先是铁路专用数据集的稀缺性,现有公开数据缺乏航拍视角下的多样化工况标注;其次是仿真到实物的迁移难题,真实环境中的传感器噪声和材质差异可能影响检测效果;最后是无人机续航能力与载荷的平衡问题,高功耗计算模块会限制单次巡检范围。
该研究通过深度融合现代机器人框架与轻量化深度学习模型,为铁路基础设施监测提供了创新范式。其提出的模块化架构不仅实现了轨道缺陷与障碍物的实时精准检测,更通过严格的仿真验证展现了工程应用潜力。特别值得肯定的是,研究团队对模型效率与精度的平衡考量,使得系统尤其适合在资源受限的嵌入式平台上部署。未来,随着超视距(BVLOS)飞行技术的成熟和群体智能技术的发展,这种无人机监测模式有望成为铁路安全运维的核心手段,为构建更智能、更安全的交通系统奠定坚实基础。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号